Louis Amira, założyciel Circuit & Chisel – seria wywiadów

Louis Amira jest założycielem Circuit & Chisel. Wykorzystuje doświadczenie zdobyte przy tworzeniu produktów i nawiązywaniu partnerstw w obszarach AI, kryptowalut i płatności. W swojej karierze współtworzył przedsięwzięcie w inkubatorze Area 120 firmy Google, pracował w Chainlink oraz kierował partnerstwami w obszarach kryptowalut i AI w Stripe. Założył Circuit & Chisel wspólnie z Davidem Noëlem-Romasem, by zlikwidować luki w infrastrukturze, które uniemożliwiają agentom AI wykonywanie rzetelnej, użytecznej pracy dla firm.

Circuit & Chisel tworzy infrastrukturę dla agentów AI i stoi za produktami ATXP, Unbiased oraz Pareto. ATXP zapewnia agentom funkcje związane z tożsamością i płatnościami, a Pareto łączy najnowocześniejsze modele z modelami o otwartych wagach, by poprawić jakość wnioskowania AI i obniżyć jego koszt. Unbiased zapewnia dostęp do Pareto za pośrednictwem swojej platformy. W tym wywiadzie Amira opowiada o orkiestracji modeli, ich ewaluacji, ekonomice wnioskowania, przechowywaniu danych oraz związku między rzetelnym rozumowaniem agentów a autonomicznymi płatnościami.

Twoja kariera zaprowadziła Cię od inkubatora Area 120 firmy Google do kierowania partnerstwami w obszarach kryptowalut i AI w Stripe, a następnie do współzałożenia Circuit & Chisel. Czego te doświadczenia nauczyły Cię o infrastrukturze potrzebnej agentom AI i co ostatecznie zainspirowało Cię do założenia firmy?

W Google współtworzyłem firmę w ramach Area 120. Wyniosłem stamtąd następującą lekcję: to, co zbudujesz najpierw, decyduje o tym, co będziesz mógł zbudować później. W Chainlink i Stripe dostrzegłem ten sam schemat z drugiej strony. Nowa technologia działała w środowisku demonstracyjnym, przy bezchmurnej pogodzie i w idealnych warunkach, a potem stawała w miejscu, bo brakowało infrastruktury potrzebnej do działania w prawdziwym świecie.

David i ja założyliśmy Circuit & Chisel, aby tworzyć agentów wykonujących rzeczywistą pracę dla prawdziwych firm. Zawodziły z banalnych powodów. Agent nie potrafił potwierdzić, kim jest, ani za nic zapłacić. Dlatego stworzyliśmy ATXP, które zapewnia agentom tożsamość i możliwość dokonywania płatności.

Potem natrafiliśmy na kolejną przeszkodę. Agent, który potrafi działać, musi też działać poprawnie, a koszt jego pracy musi być adekwatny do zadania. Stąd Pareto. Za każdym razem kierowaliśmy się tą samą intuicją: znaleźć brakujący element i go zbudować.

Circuit & Chisel początkowo koncentrowało się na ATXP, protokole zaprojektowanym z myślą o umożliwieniu autonomicznych płatności między agentami AI, a następnie rozszerzyło działalność na infrastrukturę modeli AI, tworząc Unbiased i Pareto. Co skłoniło Was do tej zmiany i jak te technologie wpisują się w Waszą szerszą wizję gospodarki opartej na agentach?

Nasi klienci (i ich agenci) pokazali nam, że ATXP działa. Agenci mogli mieć własną tożsamość i wydawać pieniądze. Jednak kiedy rozmawialiśmy z firmami, okazywało się, że ich pierwszym problemem nie były płatności. Chodziło o zaufanie do uzyskiwanych wyników. Nikt nie powierzy budżetu agentowi, który wybiera nieodpowiedni do zadania model albo udziela błędnej odpowiedzi.

Dlatego na początku tego roku zintensyfikowaliśmy prace nad jakością i kosztami. Tak powstało Pareto.

Oba rozwiązania nadal się uzupełniają. Pareto decyduje o tym, jak agent analizuje zadanie. ATXP pozwala mu działać i płacić. Potrzebne są oba rozwiązania, i to właśnie w tej kolejności, bo nikt nie da agentowi dostępu do portfela, zanim nie zaufa jego osądom. Po prostu stworzyliśmy je w niewłaściwej kolejności.

Pareto różni się od tradycyjnych dużych modeli językowych: zamiast polegać na jednym modelu lub standardowym systemie kierowania zapytań, łączy wyniki wielu najnowocześniejszych modeli i modeli o otwartych wagach. Czy możesz wyjaśnić, jak działa ta architektura, a zwłaszcza jak łączy sprzeczne odpowiedzi, by uzyskać dokładniejszy lub bardziej użyteczny wynik?

Pareto to system, a nie pojedynczy model. Kieruje zadania do modeli pochodzących z kilku laboratoriów — zarówno najnowocześniejszych, jak i o otwartych wagach — i każdemu przydziela konkretną rolę. Kilka modeli może być w stanie wykonać dane zadanie, choć czasem bywa ono złożone i potrzebny jest model, który je sprawdzi i doradzi. Dobór wywoływanych modeli zależy od ich ocen pod względem możliwości, kosztu, szybkości i niezawodności w przypadku danego rodzaju zadania. Zależy od tego również zakres weryfikacji, jakiej wymaga zadanie.

Nie uśredniamy odpowiedzi. Uśrednianie zaciera różnice między błędami. Chcemy, by modele się nie zgadzały, bo właśnie wtedy wychodzą na jaw pomyłki. Gdy zmienia się zestaw dostępnych modeli, ponownie przeprowadzamy testy i publikujemy nową wersję Pareto oznaczoną kolejnym numerem.

Jedną z głównych obietnic Pareto jest zapewnienie inteligencji na poziomie najnowocześniejszych modeli przy znacznie niższych kosztach. Skoro w generowaniu odpowiedzi może uczestniczyć wiele modeli, jak udaje się Wam osiągnąć taką efektywność i jakie kompromisy wiążą się z kosztami wnioskowania, opóźnieniami i jakością wyników?

Pareto ma dostarczać odpowiedzi na poziomie najnowocześniejszych modeli. Niższe koszty wynikają ze sposobu, w jaki do tego dochodzi.

Większość zapytań kierowanych do AI ma rutynowy charakter. Tańszy model odpowiada na nie równie dobrze jak najdroższy. Pareto kieruje takie zapytania do tańszych modeli, a najnowocześniejsze modele — lub kilka modeli współpracujących ze sobą — zostawia na potrzeby zapytań, które ich wymagają. W opublikowanych przez nas testach takie połączenie uzyskało wyniki różniące się o zaledwie kilka punktów od rezultatów GPT-6 Astra i Claude Opus 5.5 w większości najważniejszych testów porównawczych, przy koszcie każdego zadania niższym o 30–70%.

Nie ma tu znaczących kompromisów. Pareto nie zawsze idealnie kieruje każde zapytanie, ale mierzymy, jak często popełnia błędy w tym zakresie, a następnie poprawiamy wyniki (i je publikujemy!).

Wasz zespół opublikował wyniki testów porównawczych, które pokazują, że Pareto może konkurować z czołowymi modelami własnościowymi i modelami o otwartych wagach. Wśród porównań znalazły się także GPT-6 Astra i Claude Opus 5.5. Jak dbacie o to, by wyniki tych ocen odzwierciedlały działanie w rzeczywistych warunkach, a nie optymalizację pod kątem konkretnych testów? W czym modele z czołówki nadal mają istotną przewagę nad Pareto?

Publikujemy kod ewaluacyjny, więc każdy może ponownie uzyskać nasze wyniki. Wszystkie modele, w tym Pareto, są testowane w tym samym środowisku. Pokazujemy też porażki Pareto, tak samo jak jego sukcesy. Tabela wyników, w której gospodarz zawsze wygrywa, to po prostu reklama.

Uruchomiliśmy usługę w kilku bramkach AI i udostępniliśmy firmom różnej wielkości modele w wersji zapoznawczej. Uwzględniamy ich opinie niemal w czasie rzeczywistym, by stale poprawiać wydajność modelu.

Według doniesień Pareto przetworzyło ponad dwa biliony tokenów w ciągu pierwszych 48 godzin. Co początkowy popyt ujawnił na temat rynku oszczędnego kosztowo wnioskowania AI i jakie były największe wyzwania techniczne związane z utrzymaniem wydajności, niezawodności i skalowalności przy takiej skali?

Popyt był kilkakrotnie większy, niż przewidywaliśmy my i nasi partnerzy, a niestety nie dysponowaliśmy wystarczającą mocą obliczeniową, by odpowiednio go obsłużyć. Pierwszego dnia popyt przekroczył 5–10 miliardów tokenów na minutę. Obsługiwaliśmy około 1,6 miliarda. Prawidłowa obsługa całego tego popytu za darmo kosztowałaby wiele milionów dolarów dziennie.

Dowiedzieliśmy się, że cena ogranicza wiele zastosowań AI. Są twórcy, których produkt działa przy jednej cenie, ale nie sprawdza się, gdy cena jest pięciokrotnie wyższa. Obniż cenę, a się pojawią.

Najtrudniejsza sprawa była prosta: zabrakło nam mocy. Pierwszego dnia model działał tak wolno, że część osób zrezygnowała z korzystania z niego. W nocy uruchomiliśmy dodatkowe zasoby, a dwa dni po premierze wprowadziliśmy płatny dostęp — to uczciwy sposób racjonowania dostępu.

Nauczyliśmy się też czegoś o przejrzystości. Niektórzy użytkownicy czuli się wprowadzeni w błąd, gdy dowiedzieli się, że Union Alpha to kilka współpracujących modeli, a nie jeden. Częściowo właśnie dlatego uruchomiliśmy go z partnerami jako „po prostu kolejny model” — z punktu widzenia użytkowników korzystanie z wyników działania routera nie różni się w praktyce od korzystania z wyników pojedynczego modelu.

Zerowe przechowywanie danych to kolejny ważny element pozycjonowania Pareto, szczególnie że przedsiębiorstwa coraz bardziej obawiają się przekazywania wrażliwych informacji zewnętrznym dostawcom AI. Jak egzekwujecie i weryfikujecie te zabezpieczenia, gdy w grę wchodzi wiele modeli bazowych, i jakie gwarancje dotyczące przetwarzania danych mogą uzyskać klienci biznesowi?

W ramach naszych planów z zerowym przechowywaniem danych nie zapisujemy promptów ani wyników, podobnie jak żaden dostawca, któremu je przesyłamy.

Jeśli w procesie uczestniczy kilka modeli, gwarancja zerowego przechowywania danych jest tylko tak mocna, jak jej najsłabsze ogniwo. Dlatego żądania objęte ZDR kierujemy wyłącznie do modeli działających na warunkach zerowego przechowywania danych. Jeśli dostawca nie może spełnić tych warunków, nie przekazujemy mu ruchu objętego ZDR.

Klienci biznesowi otrzymują pisemne potwierdzenie: umowę o przetwarzaniu danych i aneks ZDR. Jasno informujemy też, które plany nie obejmują ZDR, żeby nikt nie trafił do niewłaściwej kategorii. Pracujemy nad wersją, którą firmy chcące przechowywać swoje dane wyłącznie we własnej siedzibie będą mogły uruchomić na własnym sprzęcie. Wkrótce podamy więcej informacji.

W miarę jak agenci AI przechodzą od odpowiadania na pytania do realizowania złożonych, wieloetapowych zadań, drobne błędy w rozumowaniu mogą się kumulować i prowadzić do poważnych niepowodzeń. Jak Pareto radzi sobie z halucynacjami, sprzecznymi wynikami modeli i niezawodnością podczas długotrwałych zadań agentowych? Czy łączenie wielu modeli może samo w sobie prowadzić do nowych rodzajów awarii?

To właśnie z tym problemem zetknęliśmy się na samym początku. Poza pokazem agenci się sypią. Drobny błąd na drugim etapie staje się poważnym problemem na dziesiątym.

W trudnych etapach pomagają różne modele. Mogą niezależnie pracować nad tym samym problemem, sprawdzać nawzajem swoje wyniki albo potwierdzić rezultat, zanim agent przejdzie dalej. Pojedynczy model nie ma drugiej opinii. Pareto ją zapewnia.

Mierzymy zadowolenie użytkowników i skuteczność w rzeczywistych zadaniach, publikujemy wyniki — także te niekorzystne — i naprawiamy wykryte problemy. Klienci, którym zależy na niezmiennym zachowaniu za każdym razem, mogą przypiąć konkretną wersję Pareto, by nie ulegała zmianom.

Za pośrednictwem ATXP i Unbiased firma Circuit & Chisel podejmuje dwa ważne wyzwania związane z autonomicznymi agentami: zapewnienie im efektywnego dostępu do inteligencji oraz umożliwienie im płacenia za wykorzystywane usługi. Jak wyobrażacie sobie połączenie tych możliwości? Czy w przyszłości agenci będą samodzielnie wybierać i kupować modele AI oraz narzędzia zewnętrzne, a także koordynować ich działanie, kierując się wydajnością, kosztem i wymaganiami zadania?

Tak. Do tego właśnie zmierzamy.

Dziś to człowiek decyduje, którego modelu użyć, z jakich narzędzi skorzystać i jak za nie zapłacić. Coraz częściej decyzje te będzie podejmował agent. Wybierze odpowiedni model do każdego etapu, znajdzie potrzebne narzędzia, zapłaci poszczególnym dostawcom i sprawdzi wyniki, zanim przejdzie dalej.

Potrzebne są do tego dwie rzeczy. Sposób na uzyskanie odpowiedniej inteligencji do każdego zadania — tę rolę pełni Pareto. Oraz sposób na potwierdzenie tożsamości i dokonanie płatności — właśnie do tego pierwotnie stworzono ATXP.

Wiele firm pracuje teraz nad takimi kwestiami jak limity, odpowiedzialność i podobne zagadnienia, zanim ktokolwiek powierzy agentom pieniądze. Dlatego zaczęliśmy od oceny. Funkcja płatności staje się tym bardziej przydatna, im większym zaufaniem darzy się korzystającego z niej agenta.

Jak sądzisz, czy kolejny wielki przełom w dziedzinie AI będzie wynikał przede wszystkim z trenowania coraz potężniejszych pojedynczych modeli, czy z opracowywania systemów, które inteligentnie łączą istniejące modele i ich możliwości? Jak, Twoim zdaniem, to rozróżnienie wpłynie w ciągu najbliższych kilku lat na rywalizację między powstającymi firmami AI a czołowymi dostawcami modeli bazowych?

Jedno i drugie. Laboratoria będą nadal tworzyć coraz lepsze modele, a to ma ogromne znaczenie. Dbamy o to, by ludzie nie czuli potrzeby czytania o każdym z nich i testowania go. Powinniśmy dostarczać właściwy model do właściwego zadania, zapewniając odpowiedni zwrot z inwestycji (ROI). Koniec ze zmęczeniem modelami.

Nigdy nie będziemy mogli przeznaczyć na trenowanie modeli więcej środków niż laboratoria, dlatego opieramy się na ich pracy i pomagamy ją upowszechniać. Za każdym razem, gdy laboratorium udostępnia lepszy model, Pareto również staje się lepsze.

Laboratoria mogłyby zbudować to samodzielnie i niektóre z nich tak zrobią. Router laboratorium będzie jednak faworyzował jego własne modele. Nie jesteśmy właścicielem żadnego modelu, więc wygrywamy tylko wtedy, gdy klient otrzymuje najlepszą odpowiedź za swoje pieniądze. Im więcej jest modeli, tym większe ma to znaczenie.

Dziękujemy za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o Pareto, infrastrukturze agentów oraz narzędziach łączących rozumowanie AI z tożsamością i płatnościami, powinni odwiedzić Circuit & Chisel.