Dr. Yair Adato, CEO og grunnlegger av Bria – Intervju-serie

Dr. Yair Adato, CEO og grunnlegger av Bria, er en maskinlærings- og datavisjons-ekspert som er kjent for sin evne til å kombinere avansert teknologi med virkelige forretningsapplikasjoner. Før han grunnla Bria, var han CTO i Trax Retail, der han spilte en sentral rolle i å transformere selskapet fra et startup med 20 ansatte til en global enhet med over 850 ansatte. Gjennom sin karriere har Yair også bidratt som rådgiver for flere AI-drevne prosjekter, inkludert Sparx, Vicomi, Tasq, DataGen og Anima. Hans ledelse kjennetegnes av en sterk kommitment til ansvarlig innovasjon, dataeierskap og demokratisering av AI-teknologi.

Bria er et pionér-selskap innen feltet ansvarlig visuell generativ AI, grunnlagt med misjonen om å skape en åpen og etisk plattform for bilde-generering. Selskapets unike tilnærming belønner data-eiere for deres bidrag gjennom en attribusjons-motor, som sikrer transparens og rettferdighet i AI-økosystemet. Ved å fokusere på kreativitet, samarbeid og overholdelse, gir Bria organisasjonene mulighet til å integrere generativ AI på en trygg måte i deres arbeidsflyter, samtidig som de setter nye standarder for ansvar og tillit i visuell innhold-industrien.

DU grunnla Bria for å skape en ansvarlig og åpen plattform for visuell generativ AI. Hva inspirerte deg til å starte selskapet, og hva var de tidlige utfordringene eller innsiktene som formede retningen?

Jeg så Goodfellow presentere GAN-papiret i 2014, og det var umiddelbart klart at kreativ produksjon skulle endre seg fundamentalt. Ved å se presentasjonen, var implikasjonene åpenbare—dette var ikke bare en inkrementell forbedring, men en annen paradigm for hvordan maskiner kunne lære å generere visuelt innhold.

Men fra begynnelsen av, erkjente jeg en grunnleggende gap i hvordan disse systemene ble bygget: ingen ansvar for trening-data, ingen ramme for ansvarlig distribusjon, ingen hensyn til skaperne hvis arbeid gjorde det mulig.

De tidlige utfordringene var ikke tekniske—de var strukturelle. Hvordan bygge generativ AI som forbedrer kreativt arbeid uten å undergrave personene som skaper? Hvordan gjøre disse systemene brukbare i produksjons-miljøer der juridisk sikkerhet betyr like mye som utgangskvalitet? Disse spørsmålene formede alt vi bygde. Vi grunnla Bria på prinsippet om at innovasjon og ansvar ikke er motstridende krefter—de må fremme sammen, eller teknologien feiler alle.

Din akademiske bakgrunn i datavisjon og dine 50+ patenter broer forskning og virkelige innovasjoner. Hvordan har denne erfaringen påvirket Brias tekniske veikart og langsiktige strategi?

Min forskningsbakgrunn lærte meg å tenke i systemer—hvordan ulike lag av forståelse kobles sammen for å danne mening. Mange av mine patenter fokuserer på hvordan maskiner tolker strukturen av visuell informasjon, og den tankemåten oversatte naturlig til Brias tilnærming. Vi ser på bilde-generering som en komposisjons-prosess, ikke en tilfeldig prosess.

Men patentene er ikke bare om teknologi—de er om å bro over teknologi til forretnings-realitet. En betydelig del av vårt IP-portefølje omhandler system-laget: hvordan skape attribusjons-rammer som kobler generert innhold tilbake til sine trening-kilder? Hvordan bygge økonomiske modeller som kompenserer skapere i skala? Disse er ikke ren tekniske problemer—de er spørsmål om infrastruktur, forretnings-modeller og marked-design.

Denne bredere visningen formede vår langsiktige strategi. Innovasjon er ikke bare om å fremme de underliggende modellene. Det er om å skape nye økonomiske strukturer, nye kontrakt-rammer, nye måter for industrien å operere på en bærekraftig måte. Målet er ikke bare å produsere bedre resultater—det er å forstå hvordan disse resultatene dannes, hvem bidro til dem, og hvordan verdi flyter gjennom systemet. Det er der vitenskap møter produkt-tenkning møter forretnings-arkitektur.

Bria kunngjorde nylig FIBO, beskrevet som verdens første deterministiske visuelle grunn-modell for profesjonell AI-generering. Hva gjør FIBO fundamentalt forskjellig fra eksisterende visuelle AI-systemer?

Navnet selv signaliserer vår tilnærming: FIBO står for Fibonacci, den matematiske sekvensen som er kjent for sine innebygde estetiske egenskaper. Den gylne ratio—ratioen mellom påfølgende tall i Fibonacci-sekvensen—opptre i hva vi oppfatter som visuelt tiltalende proporsjoner over matematikk, visuell kunst, geometri og arkitektur. Du ser det i dimensjonene til det romerske Pantheon og Det hvite hus, i den menneskelige kroppen og ansiktet som illustrert i Leonardo da Vincis Vitruvius-mann, og gjennom naturlige former. Denne koblingen mellom matematisk struktur og visuell skjønnhet er nettopp hva FIBO inkorporerer: estetisk kvalitet gjennom formal struktur.

FIBO endrer forholdet mellom intensjon og utgang. De fleste visuelle AI-systemer setter inn lag av tolkning mellom hva du ønsker og hva du får—du skriver en prompt, modellen oversetter den gjennom språk-encodere, diffuserer den gjennom støy, og du håper resultatet matcher din visjon. FIBO fjerner disse lagene helt.

Vi gjorde visuell AI til å fungere som kode—hver kreativ enhet blir redigerbar og gjentakende. Dette er et gjennombrudd for profesjonelle som har vært fanget i prompt-roulette.. Dette betyr at hver enkelt enhet, lysretning, kamera-vinkel, farge-palette, komposisjon, stil eksisterer som en eksplisitt, kontrollerbar egenskap. JSON-strukturen lar deg modifisere bare de parameterne du ønsker, mens du låser alle andre. Du kan justere lys-intensitet uten å påvirke komposisjon, eller skifte kamera-vinkel uten å endre farge-paletten. Systemet gjør nettopp hva du spesifiserer, hver gang.

Vi kjører hackathons med Fal og NVIDIA (NVDA ) for å vise utviklere hvordan deterministisk generering faktisk fungerer i praksis. JSON-strukturen åpner svart-boksen—du kan se nettopp hvilke parametre som skapte et bilde, gjenta det og modifisere det med presisjon. Dette er et helt annet paradigme enn prompt-injenering.

Tradisjonelle tekst-til-bilde-systemer avhenger av stadig mer komplekse prompter for å oppnå bestemte resultater. Hvordan løser FIBOs tilnærming prompt-kompleksitets-problemet?

To problemer må løses. Først, prompt-tilfeldighet-problemene eksisterer fordi nåværende modeller prøver å trekke ut bruker-intensjon og legge til hva modellen “tror” er estetisk eller ønskelig via prompt-forbedring. Andre, mangelen på kontroll over profesjonelle egenskaper

FIBO inverterer dette. Modellen ble trent på over 1 000 ord visuelle beskrivelser per bilde som eksplisitt koder over 100 uavhengige attributter i JSON-format. Dette var ikke post-prosessert eller trukket ut—det var det native trenings-formatet. Fordi hver attributt er representert strukturelt fra begynnelsen, lærte modellen visuell komposisjon som en sett av diskrete, kontrollerbare parametre snarere enn som en fuzzy tolkning av tekst.

Hva dette betyr i praksis: du definerer estetisk intensjon gjennom struktur, ikke gjennom “prompt og bed”. Nivået av tekst-til-bilde-tilpasning er fundamentalt høyere fordi det ikke er noen oversettelses-lag. Du snakker modellens native språk. Og fordi egenskaper er uavhengige, kan du iterere på lys uten å endre komposisjon, eller justere farge-palette uten å påvirke stil. Kontrollen er kirurgisk.

FIBO introduserer en “refine”-arbeidsflyt som er forskjellig fra typisk iterativ generering. Hvordan endrer dette hvordan profesjonelle nærmer seg visuell produksjon?

De fleste generative arbeidsflyter er iterative på en frustrerende måte—du genererer, vurderer, justerer prompten, genererer igjen, håper det er nærmere. dette “prompt og bed”. Du er aldri helt sikker på hva som endret eller hvorfor.

Refine gjør eksperimentering til design. Du er ikke å gjette hva en ny prompt kan gjøre—du styrer bildet, nettopp som du ville justere lys eller farge i Photoshop. . Du trenger ikke å arbeide på JSON-nivået direkte—en visjon-språk-modell modifiserer JSON-en for deg basert på naturlig språk-instruksjoner. Men JSON-en selv lar deg forstå nettopp hva som skjedde. Du genererer et initialt bilde, undersøker dets JSON-representasjon, identifiserer hvilke egenskaper som trenger justering—kanskje lys-intensiteten er for høy, eller kamera-vinkelen må skifte 15 grader—and du modifiserer bare disse verdiene gjennom enkle instruksjoner. Alt annet blir låst.

Denne strukturen er perfekt for agente-arbeidsflyter. En AI-agent kan analysere JSON-en, forstå den fullstendige tilstanden til bildet, gjøre målrettede modifikasjoner og forklare sin begrunnelse—all fordi parameterne er eksplisitte og tolkbare. Agenten gjetter ikke hva en prompt-endring kan gjøre; den gjør presise justeringer til kjente egenskaper.

Dette fjerner den uforutsigbarheten som har holdt profesjonelle skeptiske til generativ AI. Når du kan se den fullstendige parameter-sammenstillingen som skapte et bilde, forstå hva hver egenskap kontrollerer og modifisere enkelt-egenskaper med tillit til at ingenting annet vil drifte, er du ikke lenger å eksperimentere—du designer. JSON-synligheten åpner svart-boksen fullstendig. For profesjonell produksjons-arbeidsflyt hvor konsistens og kontroll betyr mer enn nyskaping, er dette forskjellen mellom et kreativt leke-objekt og et produksjons-verktøy.

Data-etikk og merke-trygghet har blitt sentrale for bedrifts-AI. Hvordan sikrer Brias bruk av fullt lisensiert, rettighet-klarert data både overholdelse og respekt for skaperes IP?

Fra dag én bestemte vi at hvis industrien skulle vokse ansvarlig, måtte det starte med data-integritet. Hvert bilde som trente FIBO kommer fra lisensiert, rettighet-klarert kilder gjennom partnerskap med innhold-ledere som Getty Images (GETY ) og Envato. Dette sikrer at våre modeller er overholdelige og rettferdige. Vi ser respekt for skapere som en del av verdikjeden, ikke som en begrensning. Bedrifter benefitter fra denne integriteten fordi det gir dem den juridiske og etiske sikkerheten de trenger for å skala trygt.

FIBO ble trent for å lære hver enkelt bedrifts unike merke-stil og identitet. Hvordan endrer denne evnen hvordan globale merker nærmer seg innhold-skaping og visuell konsistens?

Merker har sin egen visuelle DNA—en unik måte å uttrykke emosjon, tillit og formål gjennom design. FIBO kan lære dette språket. Når den er trent, genererer den visuelt innhold som reflekterer samme komposisjon, tone og atmosfære som definerer en merke-identitet. Dette gjør AI til en merke-aktiv, ikke bare en kreativ assistent. Det hjelper globale team til å skape med alignement, ikke approksimasjon. Resultatet er konsistens i skala uten å tape individualitet.

Med tidlige brukere som allerede bruker FIBO for å automatisere pakke-design, produkt-bilder og kreative kampanjer, hva resultater eller tilbakemeldinger har stått ut for deg mest så langt?

Skiftet i tankesett. Team begynner å behandle AI som en del av deres operasjonelle verktøy, ikke bare som en nyskapning. En global merke genererer regionale pakke-variantene mye raskere samtidig som de opprettholder merke-konsistens. En ledende kreativ byrå har akselerert kampanje-utvikling ti ganger gjennom kontrollert iterasjon. Men den virkelige signalen kommer fra kreative direktører som forteller oss at de føler seg mer i kontroll; at modellen forstår deres visuelle intensjon. Det er et vendepunkt for industrien.

Bria stiller seg som en leder i etisk og kontrollerbar AI. Hvordan ser du at denne filosofien former fremtidige reguleringer eller industri-standarder for visuell AI?

Vi har nådd et stadium hvor innovasjon og styring må flytte sammen. Regulering er ikke et hinder, men snarere infrastrukturen for bærekraftig vekst. Vår tilnærming—transparent data, deterministiske utgang, klar proveniens—alignerer tett med hva fremvoksende politikker ber om. Jeg tror vi vil se nye standarder som prioriterer sporing, forklarbarhet og rettighetssikring. Brias filosofi er å hjelpe med å definere disse standardene gjennom praksis, ikke politikke-erklæringer.

Ser du fremover, hva er neste skritt for Bria etter FIBO? Forestiller du deg å utvide inn i multimodal AI som forener bilde-, video- og 3D-generering under ett kontrollerbart rammeverk?

Ja. De samme prinsippene som driver FIBO—struktur, kontroll, transparens—gjelder over hele visuelle domener. Vi utforsker allerede utvidelser inn i video og 3D, hvor determinisme kan bringe samme pålitelighet som bedrifter nå har med bilder. Vårt mål er enkelt: gjøre AI-kreativitet like kontrollerbar og trygg som å skrive kode—and utvide det over hele visuelle medium, fra bilde til video til 3D.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Bria.