주자나 스태미로프스카, Pathway의 공동 창립자 및 CEO – 인터뷰 시리즈

주자나 스태미로프스카, Pathway의 공동 창립자 및 CEO는 연구자 출신의 빌더로 이전에 출현 현상과 대규모 네트워크 진화에 대해 작업했습니다. 그녀의 프로젝트는 미국 국립 과학 아카데미에서 인정받았으며, 그녀는 복잡계에서 박사 학위를 가지고 있습니다. 주자나, CTO 얀 호로프스키와 CSO 아드리안 코스콥스키와 함께, 이미 62,000개의 별이 있는 GitHub에서 공개 AI 도구를 구축한 팀을 이끌고 있습니다.

Pathway는 AI 모델이 어떻게 생각하는지 재구상하고, 배치가 아닌 연속적이고 적응적으로 작동하는 시스템을 만들고자 합니다. 뒤에서, 도구와 아키텍처는 모델이 실시간으로 처리, 학습, 진화하도록 ermög합니다. 이 회사는 루카시 카이저(Lukasz Kaiser, Transformer의 공동 발명가)와 유명한 벤처 회사 등에서 지원을 받았습니다.

Pathway를 시작한 동기를 설명해 주시고, 복잡계, 게임 이론, 출현 현상에 대한您的 배경이 회사의 비전과 기술 방향을 어떻게 형성했는지 알려주세요.

우리는 인간처럼 생각하고 적응하는 AI를 만들고 싶었습니다. 우리는 이것이 데이터에서 지속적으로 학습하는 능동적 AI 시스템을 의미한다는 것을 깨달았습니다. 이러한 시스템은 경험을 통해 개선되고, 때로는 이전의 세계관을 “수정”할 수 있습니다. 우리는 실제로 “기계 학습”에 대한 주제에 대한相当한 커버리지를 받았습니다. 모델 외에도, 이러한 시스템은 데이터를 캡처하고 동적으로 처리하기 위한 엔지니어링 계층이 필요했습니다.

당신이 Pathway를 시작했을 때, 미래의 AI 시스템이 어떻게 달라야 하는지에 대한 초기 가설은 무엇이었나요? 그리고 그 가설은 어떻게 진화했나요?

우리는 강한 신념을 가지고 시작했습니다. 즉, AI는 라이브, 적응적이고 대규모 프로세스에 통합되어야 한다고 생각했습니다. 그것은 원천 데이터에서 직접 학습해야 합니다.

우리는 먼저 더 전통적인 기계 학습 접근 방식에 대해 이를 수행했으며, 이를 쉽게 배포할 수 있는 엔지니어링 계층을 구축했습니다. 이제 우리는 이를 딥 러닝으로 가져왔습니다.

당신의 “포스트-트랜스포머” 아키텍처를 소개해 주시고, 이것이 현재의 트랜스포머 기반 시스템과 어떻게 다른지 알려주세요.

우리의 새로운 아키텍처, 베이비 드래곤 해치링(Baby Dragon Hatchling, BDH)은 트랜스포머가 정보를 처리하는 방식과 뇌에서 추론이 어떻게 출현하는지正式적으로 연결합니다. BDH는 물리적 시스템처럼 작동합니다. 즉, 협력적인 노력을 통해 다음 관련 사실을 발견하는 뇌와 같은 컴퓨팅 모델입니다. 상황별 추론은 트랜스포머의 고정된 컨텍스트 길이와 같은 엔지니어링 제한에 의해 제한되지 않고, 모델의 뉴런 수와 함께 확장됩니다.

당신의 접근 방식이 인간의 추론에서 어떻게 영감을 얻었는지, 그리고 연속적이고 적응적인 학습을 가능하게 하는지 알려주세요.

BDH는 자연적 지능과 자연적 지능을 더 가깝게 만듭니다. 이 아키텍처는 뇌에서 뉴런과 시냅스가 작동하는 방식에서 영감을 얻었습니다. 이것은 생물학적 주의 메커니즘을 기계 학습의 주의 개념과 연결하며, 트랜스포머와 뇌 사이의 확장 가능한 다리를 만듭니다.

시스템이 실시간으로 학습하지 않고 이전 지식을 잃지 않도록 어떻게 보장합니까?

BDH는 규모가 없는 구조와 지역화된 뉴런 상태를 통해 장기간 동안 추론을 지속할 수 있습니다. 이는 안정성과 새로운 지식 및 관찰을 통합하는 능력 사이의 자연스러운 균형을 제공합니다.

엔지니어링 트레이드오프는 이러한 기능을 대규모로 구축하는 데 무엇입니까?

Pathway의 엔터프라이즈 제품은 시장에서 가장 빠른 데이터 처리 엔진을 기반으로 합니다. 이 엔진은 실시간 입력을 처리하고 새로운 정보에 대해 낮은 지연 시간으로 반응하는 우리의 능력을 지원합니다. BDH의 현재 혁신으로, 우리는 이러한 실시간 적응성이 배포에서 사용되는 기초 AI 모델까지 확장할 수 있습니다.

이번 단계의 AI를真正로 요구하는 가장 매력적인 사용 사례는 무엇이며, 현재의 트랜스포머 기반 시스템은 어디에서 부족합니까?

많은 혁신이 빠르게 새로운 정보에 적응하고 ‘작업 시간’에 깊이 의존하는 생성 AI의 기능을 확장했습니다. 그러나 아직까지는 매우 재능 있는 사람을 고용하는 것을 대체할 수 없습니다.

매우 간단한答案은 현재 GPT5의 한계인 2시간 17분의 일관된 작업을 요구하는 모든 작업입니다.

NATO, La Poste, 또는 Formula 1과 같은 조직이 어떻게 귀사의 기술을 적용했으며, 어떤 영향을 미쳤는지 알려주세요.

NATO, La Poste, Formula 1 팀은 이미 Pathway 기술의 초기 채택자입니다.

Pathway는 NATO에 강력하고 혁신적인 데이터 처리 기술을 제공하여 중요한 사용 사례에서 새로운 기능을 잠금합니다. 우리는 기능 데모인 강화 가능성 시뮬레이션 툴(REST)을 개발하여 NATO의 AI 지원 솔루션 개발을 위한 코너스톤을 마련했습니다. 공개 데이터를 연결하기 위해 Pathway를 사용하면 상황 인식이 가속화되고 NATO가 2020년대에 성공적으로 운영하기 위해 필요한 수준으로 높아졌습니다.

의료나 방위와 같은 산업에서 적응형 시스템을 배포하는 가장 큰 장애물은 무엇이며, 어떻게 해결합니까?

현재의 LLM은 실제 판단 없이 “새로운” 콘텐츠를 생성합니다. 많은 규제 산업은 정의에 따라 거버넌스를 필요로 하며, 반복성, 신뢰성, 관찰 가능성 없이 AI 기반 비즈니스 프로세스를 배포하는 것을 주저합니다.

실시간으로 학습하고 적응하는 AI 시스템이 등장함에 따라 어떤 윤리적 고려나 안전 조치가 필수적인가요?

경험으로 학습하는 시스템은 현재의 트랜스포머 기반 시스템보다 더 안전할 가능성이 있습니다. 하나의 요소는 연속적인 학습으로 인해 잘못된 가정에 대한 자기 수정과 업데이트의 기회가 있기 때문입니다.

AI 커뮤니티 전반에서 “포스트-트랜스포머” 패러다임이 주류가 되기 위해서는 무엇이 필요합니까?

시장에서 매우 유용하고 추론 비용이 낮으며 빠른 모델이 필요합니다. 우리는 특히 엔터프라이즈에서 시장 승리를 달성할 수 있다고 믿습니다.

이 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Pathway를 방문하십시오.