Луи Амира, основатель Circuit & Chisel — серия интервью

Луи Амира — основатель Circuit & Chisel. Он опирается на опыт создания продуктов и партнерств в сферах ИИ, криптовалют и платежей. В его карьере — соучреждение компании в инкубаторе Area 120 компании Google, работа в Chainlink и руководство партнерствами в сфере криптовалют и ИИ в Stripe. Вместе с Давидом Ноэль-Ромасом он основал Circuit & Chisel, чтобы устранить пробелы в инфраструктуре, мешающие ИИ-агентам надежно и эффективно выполнять полезную для бизнеса работу.

Circuit & Chisel создает инфраструктуру для ИИ-агентов и разрабатывает ATXP, Unbiased и Pareto. ATXP предоставляет агентам возможность идентифицировать себя и совершать платежи, а Pareto объединяет передовые модели и модели с открытыми весами, чтобы повысить качество и снизить стоимость инференса ИИ. Unbiased предоставляет доступ к Pareto через свою платформу. В этом интервью Амира рассказывает об оркестрации моделей, оценке их работы, экономике инференса, хранении данных и связи между надежным рассуждением агентов и автономными платежами.

Вы прошли путь от инкубатора Area 120 компании Google до руководства партнерствами в сфере криптовалют и ИИ в Stripe, а затем стали соучредителем Circuit & Chisel. Чему этот опыт научил вас о необходимой ИИ-агентам инфраструктуре и что в конечном счете вдохновило вас основать компанию?

В Google я стал соучредителем компании в составе Area 120. Главный урок для меня: то, что вы создаете сначала, определяет, что вы сможете создать потом. В Chainlink и Stripe я увидел ту же закономерность с другой стороны. Новая технология работала в демонстрационной среде — в ясную погоду и при идеальных условиях, — а затем буксовала, потому что необходимая для реального мира инфраструктура еще не была готова.

Мы с Давидом основали Circuit & Chisel, чтобы создавать агентов, которые выполняют настоящую работу для настоящих компаний. Они постоянно терпели неудачу по самым прозаическим причинам: агент не мог подтвердить, кто он такой, и не мог ничего оплатить. Поэтому мы создали ATXP, чтобы дать агентам идентичность и возможность платить.

Затем мы столкнулись со следующим препятствием. Агент, способный действовать, должен еще и принимать правильные решения, причем по цене, оправданной для конкретной задачи. Так появилась Pareto. В обоих случаях мы руководствовались одним и тем же принципом: найти недостающее звено и создать его.

Сначала Circuit & Chisel сосредоточилась на ATXP — протоколе для автономных платежей между ИИ-агентами, — а затем расширила сферу деятельности, занявшись инфраструктурой ИИ-моделей и создав Unbiased и Pareto. Что привело к этому изменению и как эти технологии вписываются в ваше более широкое видение экономики агентов?

Наши клиенты и их агенты показали нам, что ATXP работает. Агенты могли иметь идентичность и тратить деньги. Но когда мы начали общаться с компаниями, выяснилось, что их главная проблема — не платежи, а доверие к результатам. Никто не доверит бюджет агенту, который выбирает неподходящую для задачи модель или дает неверный ответ.

Поэтому в начале этого года мы активизировали работу над качеством и стоимостью. Так появилась Pareto.

Обе технологии по-прежнему дополняют друг друга. Pareto определяет, как агенту рассуждать над задачей. ATXP позволяет ему действовать и платить. Нужны обе технологии, и именно в таком порядке, потому что никто не даст агенту кошелек, пока не начнет доверять его суждениям. Мы просто создали их в неправильной последовательности.

Pareto отличается от традиционных больших языковых моделей тем, что объединяет результаты нескольких передовых моделей и моделей с открытыми весами, а не полагается на одну модель или традиционную систему маршрутизации запросов. Расскажите, как устроена эта архитектура, и в частности, как она сводит воедино противоречащие друг другу ответы, чтобы получить более точный или полезный результат?

Pareto — это система, а не одна модель. Она распределяет задачи между моделями из нескольких лабораторий — как передовыми, так и с открытыми весами, — назначая каждой свою роль. С задачей могут справиться несколько моделей, хотя иногда она бывает сложной и требуется, чтобы одна модель проверила результат и дала рекомендации. Система выбирает, какие модели задействовать, исходя из их показателей по таким параметрам, как возможности, стоимость, скорость и надежность при выполнении задач этого типа. Она также определяет, насколько тщательно нужно проверять задачу.

Мы не усредняем ответы. Усреднение размывает ошибки. Нам важно, чтобы модели расходились во мнениях: именно так обнаруживаются ошибки. Когда состав доступных моделей меняется, мы проводим повторное тестирование и выпускаем новую версию Pareto с очередным номером.

Одно из главных обещаний Pareto — обеспечивать интеллект на уровне передовых моделей при значительно меньших затратах. Учитывая, что в формировании ответа могут участвовать несколько моделей, как вам удается добиться такой экономии и какими компромиссами сопровождается выбор между стоимостью инференса, задержкой и качеством результата?

Задача Pareto — давать ответы на уровне передовых моделей. Снижение затрат достигается за счет того, как система это делает.

Большинство запросов, которые люди отправляют ИИ, — рутинные. Более дешевая модель справляется с ними не хуже самой дорогой. Pareto направляет такие запросы ей, а передовые модели или несколько моделей, работающих вместе, оставляет для задач, которым они действительно нужны. В опубликованных нами тестах при такой комбинации результаты по большинству основных бенчмарков оказались всего на несколько пунктов ниже, чем у GPT-6 Astra и Claude Opus 5.5, а стоимость одной задачи была на 30–70% ниже.

Существенных компромиссов нет. Pareto не всегда идеально маршрутизирует запросы, но мы измеряем, как часто система ошибается при маршрутизации, и улучшаем результаты (а также публикуем их!).

Ваша команда опубликовала результаты тестирования, согласно которым Pareto успешно конкурирует с ведущими закрытыми моделями и моделями с открытыми весами; в числе прочего, вы сравнивали её с GPT-6 Astra и Claude Opus 5.5. Как вы проверяете, что результаты отражают эффективность моделей в реальных условиях, а не их оптимизацию под конкретные тесты? И в чём передовые модели по-прежнему имеют существенное преимущество перед Pareto?

Мы публикуем код для оценки, поэтому любой желающий может повторить наши расчёты. Все модели, включая Pareto, проходят тестирование в одной и той же среде. Мы также показываем результаты Pareto в тех случаях, когда она проигрывает, — наравне с победами. Таблица результатов, в которой организатор всегда выигрывает, — это просто реклама.

Мы запустили модель на нескольких платформах доступа к ИИ и предоставили компаниям любого размера предварительный доступ к новым моделям. Мы учитываем их отзывы почти в реальном времени и постоянно повышаем эффективность модели.

По сообщениям, за первые 48 часов Pareto обработала более двух триллионов токенов. Что этот первоначальный спрос показал о рынке доступных по цене ИИ-вычислений? С какими главными техническими трудностями вы столкнулись, поддерживая производительность, надёжность и масштабируемость при таком объёме?

Спрос оказался в несколько раз выше, чем ожидали мы и наши партнёры, и, к сожалению, у нас не хватало вычислительных ресурсов, чтобы как следует его обслужить. В первый день спрос превышал от 5 до 10 миллиардов токенов в минуту. Мы обрабатывали около 1,6 миллиарда. Чтобы как следует обслуживать весь этот спрос бесплатно, потребовались бы многие миллионы долларов в день.

Мы поняли, что цена сдерживает широкое использование ИИ. Есть разработчики, у которых продукт работает при одной цене, но перестаёт работать, если она вырастает в пять раз. Снизьте цену — и они придут.

Самая сложная проблема была очевидна: у нас закончились мощности. В первый же день модель стала работать настолько медленно, что некоторые пользователи отказались от неё. За ночь мы подключили дополнительные мощности, а через два дня после запуска перешли на платный доступ — это честный способ распределять ограниченные ресурсы.

Мы также кое-что поняли о раскрытии информации. Некоторые пользователи сочли, что их ввели в заблуждение, когда они узнали, что Union Alpha — это несколько моделей, работающих вместе, а не одна модель. В этом отчасти и состоял замысел: вместе с партнёрами мы представили её как «ещё одну модель», потому что с практической точки зрения для пользователей нет разницы в том, как им следует воспринимать результат работы маршрутизатора.

Нулевое хранение данных — ещё одна важная часть позиционирования Pareto, особенно теперь, когда компании всё больше беспокоятся о передаче конфиденциальной информации сторонним поставщикам ИИ. Как вы обеспечиваете соблюдение этих мер защиты и проверяете его, если задействовано несколько базовых моделей? Какие гарантии могут получить корпоративные клиенты относительно обращения с их данными?

В рамках тарифных планов с нулевым хранением данных мы не сохраняем ваши запросы и ответы, и поставщики, которым мы их передаём, тоже этого не делают.

Если запрос проходит через несколько моделей, гарантия нулевого хранения данных надёжна лишь настолько, насколько надёжно её самое слабое звено. Поэтому запросы, для которых требуется нулевое хранение данных, направляются только моделям, работающим на условиях нулевого хранения. Если поставщик не может соблюдать эти условия, он не получает такие запросы.

Корпоративные клиенты получают письменные гарантии: соглашение об обработке данных и дополнение о нулевом хранении данных. Мы также чётко указываем, в каких тарифных планах нулевое хранение данных не предусмотрено, чтобы никто случайно не выбрал неподходящий вариант. Для компаний, которые хотят, чтобы их данные ни при каких обстоятельствах не покидали их здание, мы разрабатываем версию, которую можно запускать на собственном оборудовании. Скоро расскажем об этом подробнее.

По мере того как ИИ-агенты переходят от ответов на вопросы к выполнению сложных многоэтапных рабочих процессов, небольшие ошибки в рассуждениях могут накапливаться и приводить к серьёзным сбоям. Как Pareto решает такие проблемы, как галлюцинации, противоречивые результаты моделей и надёжность при выполнении продолжительных задач с участием агентов? Может ли объединение нескольких моделей само по себе приводить к новым сбоям?

Именно с этой проблемой мы столкнулись в первую очередь. За пределами демонстраций агенты дают сбой. Одна небольшая ошибка на втором шаге превращается в серьёзную на десятом.

На сложных этапах помогают несколько моделей. Они могут независимо решать одну и ту же задачу, проверять работу друг друга или подтверждать результат, прежде чем агент продолжит. У одной модели нет второго мнения. У Pareto оно есть.

Мы измеряем удовлетворённость пользователей и эффективность на реальных задачах, публикуем результаты, в том числе неудачные, и исправляем выявленные проблемы. Клиенты, которым важно каждый раз получать одинаковое поведение модели, могут закрепить версию Pareto, чтобы она не менялась в процессе работы.

С помощью ATXP и Unbiased компания Circuit & Chisel решает две важные задачи для автономных агентов: эффективный доступ к интеллектуальным возможностям и оплату используемых ими услуг. Как, по вашему мнению, будут объединяться эти возможности? Смогут ли агенты со временем самостоятельно выбирать модели ИИ и внешние инструменты, оплачивать их и координировать их работу с учётом производительности, стоимости и требований задачи?

Да. Именно к этому всё и идёт.

Сегодня человек решает, какую модель использовать, к каким инструментам обратиться и как за них платить. Всё чаще эти решения будет принимать агент. Он будет выбирать подходящую модель для каждого этапа, находить нужные инструменты, платить каждому поставщику и проверять результаты, прежде чем двигаться дальше.

Для этого нужны две вещи. Возможность подобрать нужные интеллектуальные возможности для каждой задачи — это Pareto. И способ подтвердить личность и произвести оплату — именно для этого изначально и создавалась ATXP.

Многие компании сейчас работают над такими вопросами, как ограничения, ответственность и прочее, прежде чем кто-либо начнёт доверять агентам деньги. Поэтому мы начали с оценки качества их решений. Платёжная функция становится тем полезнее, чем больше вы доверяете использующему её агенту.

Как вы считаете, что станет следующим крупным прорывом в сфере ИИ: дальнейшее создание всё более мощных отдельных моделей или разработка систем, которые умеют эффективно сочетать существующие модели и возможности? Как, по-вашему, это различие повлияет в ближайшие несколько лет на конкуренцию между новыми ИИ-компаниями и ведущими разработчиками передовых моделей?

И то и другое. Лаборатории продолжат создавать более совершенные модели, и это очень важно. Мы помогаем людям не тратить время на изучение и тестирование каждой из них. Наша задача — предложить подходящую модель для нужной задачи с оптимальной отдачей на инвестиции. Больше никакой усталости от бесконечного выбора моделей.

Мы не сможем тратить на обучение моделей больше, чем лаборатории, поэтому опираемся на их работу и помогаем распространять их модели. Каждый раз, когда лаборатория выпускает более совершенную модель, Pareto тоже становится лучше.

Лаборатории могут создать такую систему самостоятельно, и некоторые так и поступят. Но маршрутизатор лаборатории будет отдавать предпочтение её собственным моделям. Мы не владеем ни одной моделью, поэтому добиться успеха можем, только если клиент получает лучший ответ за свои деньги. Чем больше моделей, тем важнее это преимущество.

Спасибо за прекрасное интервью! Читатели, которые хотят больше узнать о Pareto, инфраструктуре для агентов и инструментах, объединяющих рассуждения ИИ с идентификацией и платежами, могут посетить Circuit & Chisel.