Louis Amira, grundlægger af Circuit & Chisel – interviewserie

Louis Amira er grundlægger af Circuit & Chisel og trækker på sin erfaring med at udvikle produkter og partnerskaber inden for AI, krypto og betalinger. Hans karriere omfatter medstiftelsen af en virksomhed i Googles Area 120-inkubator, arbejde hos Chainlink og ledelse af partnerskaber inden for krypto og AI hos Stripe. Han grundlagde Circuit & Chisel sammen med David Noël-Romas for at afhjælpe de mangler i infrastrukturen, der forhindrer AI-agenter i at udføre pålideligt og nyttigt arbejde for virksomheder.

Circuit & Chisel udvikler infrastruktur til AI-agenter og står bag ATXP, Unbiased og Pareto. ATXP giver agenter identitet og mulighed for at betale, mens Pareto kombinerer førende modeller og modeller med åbne vægte for at forbedre kvaliteten og reducere omkostningerne ved AI-inferens. Unbiased giver adgang til Pareto via sin platform. I dette interview taler Amira om modelorkestrering, evaluering, inferensøkonomi, dataopbevaring og sammenhængen mellem pålidelig ræsonnering hos agenter og autonome betalinger.

Din karriere har ført dig fra Googles Area 120-inkubator til ledelsen af partnerskaber inden for krypto og AI hos Stripe, inden du var med til at grundlægge Circuit & Chisel. Hvad lærte de erfaringer dig om den infrastruktur, AI-agenter har brug for, og hvad fik dig til i sidste ende at starte virksomheden?

Hos Google var jeg med til at grundlægge en virksomhed i Area 120. Det, jeg tog med mig derfra, var, at det, man bygger først, afgør, hvad man kan bygge senere. Hos Chainlink og Stripe så jeg det samme mønster fra den anden side. Ny teknologi fungerede i demomiljøet på solskinsdage og under perfekte forhold, men gik derefter i stå, fordi den nødvendige infrastruktur til den virkelige verden endnu ikke var på plads.

David og jeg grundlagde Circuit & Chisel for at udvikle agenter, der kan udføre reelt arbejde for rigtige virksomheder. De blev ved med at fejle af banale årsager. En agent kunne ikke bevise, hvem den var, og den kunne ikke betale for noget. Derfor byggede vi ATXP, så agenter kunne få en identitet og mulighed for at betale.

Så stødte vi på den næste forhindring. En agent, der kan handle, skal også have ret – til en pris, der giver mening for opgaven. Det er Pareto. Begge gange var vores instinkt det samme: Find det, der mangler, og byg det.

Circuit & Chisel fokuserede i begyndelsen på ATXP, en protokol, der skal muliggøre autonome betalinger mellem AI-agenter, før virksomheden udvidede sit arbejde til infrastruktur for AI-modeller med Unbiased og Pareto. Hvad fik jer til at ændre retning, og hvordan passer disse teknologier ind i jeres bredere vision for agentøkonomien?

Vores kunder (og deres agenter) viste os, at ATXP fungerede. Agenter kunne have en identitet og bruge penge. Men da vi talte med virksomhederne, var betalinger ikke deres største problem. Det var tilliden til resultaterne. Ingen giver en agent et budget, hvis den vælger den forkerte model til opgaven eller svarer forkert.

Så tidligere i år satte vi ekstra fart på arbejdet med kvalitet og omkostninger. Det blev til Pareto.

De to løsninger passer stadig sammen. Pareto afgør, hvordan en agent ræsonnerer sig frem til en løsning på en opgave. ATXP gør det muligt for den at handle og betale. Man har brug for begge dele, og i den rækkefølge, for ingen giver en agent en digital tegnebog, før de stoler på dens dømmekraft. Vi byggede dem bare i den forkerte rækkefølge.

Pareto adskiller sig fra traditionelle store sprogmodeller ved at kombinere resultater fra flere førende modeller og modeller med åbne vægte i stedet for at basere sig på én enkelt model eller et konventionelt system til modelvalg. Kan du gennemgå, hvordan denne arkitektur fungerer, især hvordan den samler modstridende svar til et mere præcist eller nyttigt resultat?

Pareto er et system, ikke en enkelt model. Det sender opgaver til modeller fra flere laboratorier, både førende modeller og modeller med åbne vægte, og tildeler hver model en opgave. Flere modeller kan være i stand til at udføre arbejdet, men nogle gange er opgaven kompleks, og man har brug for en model til at gennemgå og rådgive. Hvilke modeller der skal bruges, afhænger af, hvordan hver enkelt klarer sig med hensyn til evner, omkostninger, hastighed og pålidelighed for den pågældende type opgave. Det afhænger også af, hvor meget kontrol opgaven kræver.

Vi tager ikke gennemsnittet af svarene. Et gennemsnit udvisker fejlene. Vi ønsker, at modellerne er uenige, for det er dér, fejlene bliver synlige. Når udvalget af tilgængelige modeller ændrer sig, tester vi igen og udgiver en ny nummereret version af Pareto.

Et af Paretos centrale løfter er at levere intelligens på niveau med de førende modeller til væsentligt lavere omkostninger. Når flere modeller kan være med til at generere et svar, hvordan opnår I så disse besparelser, og hvilke afvejninger er der mellem inferensomkostninger, svartid og kvaliteten af resultatet?

Paretos opgave er at levere svar på niveau med de førende modeller. De lavere omkostninger skyldes måden, det opnår det på.

Det meste af det, folk beder AI om, er rutinepræget. En billigere model løser den slags opgaver lige så ofte korrekt som den dyreste. Pareto sender dem til de billigere modeller og gemmer de førende modeller – eller flere modeller, der arbejder sammen – til de opgaver, der kræver dem. I vores offentliggjorte testresultater lå denne kombination inden for få point af GPT-6 Astra og Claude Opus 5.5 på de fleste større benchmarks, samtidig med at omkostningen pr. opgave var 30-70 % lavere.

Der er ingen væsentlige afvejninger. Pareto vælger ikke den rette model til hver eneste forespørgsel, men vi måler, hvor ofte valget er forkert, og forbedrer (og offentliggør!) resultaterne.

Jeres team har offentliggjort benchmarkresultater, der placerer Pareto konkurrencedygtigt i forhold til førende proprietære modeller og modeller med åbne vægte, herunder sammenligninger med GPT-6 Astra og Claude Opus 5.5. Hvordan sikrer I, at disse evalueringer afspejler præstationer i den virkelige verden frem for optimering specifikt til benchmarks, og hvor har de mest avancerede modeller stadig en betydelig fordel i forhold til Pareto?

Vi offentliggør evalueringskoden, så alle kan gentage vores målinger. Alle modeller gennemgår det samme testforløb, også Pareto. Og vi viser Paretos nederlag på lige fod med sejrene. En resultattavle, hvor huset altid vinder, er bare en reklame.

Vi er blevet lanceret gennem flere AI-gatewayer og har givet virksomheder af alle størrelser forhåndsadgang til nye modeller. Vi indarbejder deres feedback næsten i realtid for løbende at forbedre modellens ydeevne.

Pareto skal angiveligt have behandlet mere end to billioner tokens inden for sine første 48 timer. Hvad afslørede den indledende efterspørgsel om markedet for omkostningseffektiv AI-inferens, og hvad var de største tekniske udfordringer ved at opretholde ydeevne, pålidelighed og skalerbarhed ved den volumen?

Efterspørgslen var flere gange større, end både vi og vores partnere havde forventet, og desværre havde vi ikke tilstrækkelig regnekraft til at håndtere den ordentligt. Den første dag oversteg efterspørgslen 5 til 10 milliarder tokens i minuttet. Vi kunne håndtere omkring 1,6 milliarder. Det ville have kostet mange millioner dollars om dagen at imødekomme hele efterspørgslen ordentligt og gratis.

Det fortalte os, at prisen lægger en dæmper på en stor del af brugen af AI. Der er udviklere, hvis produkt fungerer til én pris, men ikke fungerer, når prisen er fem gange så høj. Sæt prisen ned, så kommer de til.

Den største udfordring var enkel: Vi løb tør for kapacitet. På dag ét blev modellen så langsom, at nogle gav op på den. Vi satte mere kapacitet i drift i løbet af natten og gik over til betalingsadgang to dage efter lanceringen, hvilket er den ærlige måde at rationere adgangen på.

Vi lærte også noget om åbenhed. Nogle brugere følte sig vildledt, da de fandt ud af, at Union Alpha bestod af flere modeller, der arbejdede sammen, og ikke af én enkelt model. Det var en del af formålet med at lancere den sammen med partnerne som ‘bare endnu en model’ – der er ingen praktisk forskel på, hvordan brugerne bør opleve outputtet fra en router.

Nul datalagring er endnu en vigtig del af Paretos positionering, især i takt med at virksomheder bliver stadig mere bekymrede for, at følsomme oplysninger passerer gennem tredjepartsudbydere af AI. Hvordan håndhæver og verificerer I disse beskyttelser, når der er flere underliggende modeller involveret, og hvilke forsikringer kan erhvervskunder få om, hvordan deres data håndteres?

På vores abonnementer med nul datalagring gemmer vi ikke dine prompter eller output, og det gør de udbydere, vi sender dem til, heller ikke.

Når flere modeller indgår i forløbet, er en garanti om nul datalagring kun så god som det svageste led. Derfor sendes forespørgsler, der kræver nul datalagring, kun til modeller, der kører på vilkår om nul datalagring. Hvis en udbyder ikke kan leve op til de vilkår, får den ikke trafik, der kræver nul datalagring.

Erhvervskunder får det på skrift: en databehandleraftale og et tillæg om nul datalagring (ZDR). Vi oplyser også tydeligt, hvilke abonnementer der ikke omfatter ZDR, så ingen ender i den forkerte kategori. For virksomheder, der ønsker, at deres data aldrig forlader deres egne lokaler, arbejder vi på en version, som de kan køre på deres egen hardware. Mere om det snart.

I takt med at AI-agenter går fra at besvare spørgsmål til at udføre komplekse arbejdsgange med flere trin, kan små ræsonneringsfejl føre til betydelige svigt. Hvordan håndterer Pareto problemer som hallucinationer, modstridende modeloutput og pålidelighed i længerevarende agentbaserede opgaver, og kan kombinationen af flere modeller i sig selv skabe nye typer fejl?

Det var det første problem, vi stødte på. Uden for en demonstration falder agenter fra hinanden. En lille fejl i trin to bliver til en stor fejl i trin ti.

Flere modeller hjælper med de svære trin. De kan arbejde hver for sig på det samme problem, kontrollere hinanden eller bekræfte et resultat, før agenten går videre. En enkelt model har ingen at få en second opinion fra. Det har Pareto.

Vi måler brugertilfredshed og ydeevne på opgaver fra den virkelige verden, offentliggør resultaterne, også de dårlige, og retter de problemer, vi finder. Kunder, der har brug for den samme adfærd hver gang, kan fastlåse en version af Pareto, så den ikke ændrer sig undervejs.

Med ATXP og Unbiased tackler Circuit & Chisel to vigtige udfordringer for autonome agenter: effektiv adgang til intelligens og betaling for de tjenester, de bruger. Hvordan ser I for jer, at disse funktioner vil smelte sammen, og kan vi med tiden se agenter, der selvstændigt vælger, køber og koordinerer AI-modeller og eksterne værktøjer ud fra ydeevne, pris og opgavens krav?

Ja. Det er den retning, det går i.

I dag er det et menneske, der beslutter, hvilken model der skal bruges, hvilke værktøjer der skal kaldes, og hvordan der skal betales for dem. I stigende grad vil en agent træffe disse valg. Den vil vælge den rette model til hvert trin, finde de værktøjer, den har brug for, betale hver udbyder og kontrollere resultaterne, før den går videre.

Det kræver to ting. En måde at få den rette intelligens til hver opgave på, og det er Pareto. Og en måde at bevise, hvem man er, og betale på, hvilket ATXP oprindeligt blev udviklet til.

Mange virksomheder arbejder nu med ting som begrænsninger, ansvar osv., før nogen tør betro agenter penge. Derfor begyndte vi med dømmekraft. Betalingsdelen bliver mere nyttig, jo mere man stoler på den agent, der bruger den.

Ser du fremad, tror du så, at det næste store gennembrud inden for AI først og fremmest kommer fra træningen af stadig mere avancerede enkeltmodeller eller fra udviklingen af systemer, der intelligent kombinerer eksisterende modeller og funktioner? Hvordan mener du, at denne forskel vil præge konkurrencen mellem nye AI-virksomheder og de store udbydere af frontier-modeller i løbet af de næste par år?

Begge dele. Laboratorierne vil fortsat udvikle bedre modeller, og det betyder meget. Vi sørger for, at folk ikke føler sig nødsaget til at læse om og afprøve hver enkelt. Vi bør levere den rette model til den rette opgave med det rette afkast af investeringen (ROI). Slut med modeltræthed.

Vi kommer aldrig til at bruge flere penge end laboratorierne på træning. Vi bygger videre på deres arbejde og hjælper med at udbrede modellerne. Hver gang et laboratorium lancerer en bedre model, bliver Pareto også bedre.

Laboratorierne kunne selv bygge det her, og nogle vil gøre det. Men et laboratoriums router har et favorithold. Vi ejer ikke en model, så vores eneste chance for at vinde er, at kunden får det bedste svar for pengene. Jo flere modeller der er, desto vigtigere bliver det.

Tak for et fantastisk interview. Læsere, der gerne vil vide mere om Pareto, agentinfrastruktur og værktøjerne, der forbinder AI-ræsonnement med identitet og betalinger, kan besøge Circuit & Chisel.