Dr. Yair Adato, VD och grundare av Bria – Intervjuer

Dr. Yair Adato, VD och grundare av Bria, är en expert inom maskinlärning och datorseende som är känd för sin förmåga att kombinera avancerad teknik med verkliga affärsapplikationer. Innan han grundade Bria var han CTO på Trax Retail, där han spelade en central roll i att förvandla företaget från ett 20-mannaföretag till ett globalt företag med över 850 anställda. Under sin karriär har Yair också varit rådgivare till flera AI-drivna företag, inklusive Sparx, Vicomi, Tasq, DataGen och Anima. Hans ledarskap kännetecknas av ett starkt engagemang för ansvarsfull innovation, dataägande och demokratisering av AI-teknik.

Bria är ett banbrytande företag inom området ansvarsfull visuell genererande AI, grundat med missionen att skapa en öppen och etisk plattform för bildgenerering. Företagets unika tillvägagångssätt belönar dataägare för deras bidrag genom en attribueringsmotor, som säkerställer transparens och rättvisa i AI-ekosystemet. Genom att fokusera på kreativitet, samarbete och regelefterlevnad möjliggör Bria för organisationer att integrera genererande AI på ett säkert sätt i sina arbetsflöden samtidigt som de sätter nya standarder för ansvar och förtroende inom visuellt innehållsindustrin..

Du grundade Bria för att skapa en ansvarsfull och öppen plattform för visuell genererande AI. Vad inspirerade dig att starta företaget, och vilka tidiga utmaningar eller insikter formade dess riktning?

Jag såg Goodfellow presentera GAN-papperet 2014, och det var omedelbart tydligt att kreativ produktion skulle förändras grundläggande. När jag såg presentationen var implikationerna uppenbara – detta var inte bara en inkrementell förbättring, utan en annan paradigm för hur maskiner kunde lära sig att generera visuellt innehåll.

Men från början insåg jag en grundläggande lucka i hur dessa system byggdes: ingen ansvarighet för träningsdata, ingen ram för ansvarsfull distribution, ingen hänsyn till skaparna vars arbete gjorde allt möjligt.

De tidiga utmaningarna var inte tekniska – de var strukturella. Hur bygger man genererande AI som förbättrar kreativt arbete utan att undergräva de människor som skapar? Hur gör man dessa system användbara i produktionsmiljöer där rättslig säkerhet är lika viktig som utdatakvalitet? Dessa frågor formade allt vi byggde. Vi grundade Bria på principen att innovation och ansvar inte är motstridiga krafter – de måste främja varandra, eller så misslyckas tekniken för alla.

Din akademiska bakgrund inom datorseende och dina 50+ patent brottar forskning och verklig innovation. Hur har den erfarenheten påverkat Brias tekniska vägkarta och långsiktiga strategi?

Min forskningsbakgrund lärde mig att tänka i system – hur olika lager av förståelse ansluter för att bilda mening. Många av mina patent fokuserar på hur maskiner tolkar strukturen av visuell information, och den mentaliteten översattes naturligt till Brias tillvägagångssätt. Vi ser bildgenerering som en kompositionprocess, inte en slumpmässig process.

Men patenten handlar inte bara om teknologi – de handlar om att brotta teknologi till verklighet. En betydande del av vår IP-portfölj behandlar systemlagret: hur skapar man attribueringsramar som kopplar genererat innehåll tillbaka till dess träningskällor? Hur bygger man ekonomiska modeller som kompenserar skapare i stor skala? Dessa är inte rent tekniska problem – de är frågor om infrastruktur, affärsmodeller och marknadsdesign.

Den bredare synen formade vår långsiktiga strategi. Innovation handlar inte bara om att främja de underliggande modellerna. Det handlar om att skapa nya ekonomiska strukturer, nya kontraktsramar, nya sätt för branschen att operera på ett hållbart sätt. Målet är inte bara att producera bättre resultat – det är att förstå hur resultaten formas, vem bidrog till dem och hur värde flödar genom systemet. Det är där vetenskap möter produktutveckling möter affärsarkitektur.

Bria har nyligen tillkännagett FIBO, som beskrivs som världens första deterministiska visuella grundmodell för professionell AI-generering. Vad gör FIBO fundamentalt annorlunda från befintliga visuella AI-system?

Namnet i sig signalerar vår tillvägagångssätt: FIBO står för Fibonacci, den matematiska sekvensen som är känd för sina inneboende estetiska egenskaper. Den gyllene rapporten – rapporten mellan på varandra följande tal i Fibonacci-sekvensen – uppstår i vad vi uppfattar som visuellt tilltalande proportioner över hela matematiken, visuell konst, geometri och arkitektur. Du ser det i dimensionerna av Pantheon och Vita huset, i den mänskliga kroppen och ansiktet som illustreras i Leonardo da Vincis Vitruvius-man, och i naturliga former. Den kopplingen mellan matematisk struktur och visuell skönhet är exakt vad FIBO förkroppsligar: estetisk kvalitet genom formell struktur.

FIBO förändrar förhållandet mellan avsikt och utdata. De flesta visuella AI-system inför lager av tolkning mellan vad du vill och vad du får – du skriver en prompt, modellen översätter den genom språkencodering, sprider den genom brus och du hoppas att resultatet matchar din vision. FIBO tar bort dessa lager helt.

Vi gjorde visuell AI att fungera som kod – varje kreativ element blir redigerbart och upprepningsbart. Det är ett genombrott för proffs som har varit fast i prompt-roulett.. Detta innebär att varje element, belysningsriktning, kameravinkel, färgpalett, komposition, stil existerar som en explicit, kontrollerbar egenskap. JSON-strukturen tillåter dig att modifiera endast de parametrar du vill, medan alla andra låses. Du kan justera belysningsintensitet utan att påverka komposition, eller skifta kameravinkel utan att ändra färgpaletten. Systemet gör exakt vad du specificerar, varje gång.

Vi kör hackathoner med Fal och NVIDIA (NVDA ) för att visa utvecklare hur deterministisk generering faktiskt fungerar i praktiken. JSON-strukturen i sig öppnar den svarta lådan – du kan se exakt vilka parametrar som skapade en bild, reproducera den och modifiera den med precision. Det är en helt annan paradigm än promptteknik.

Traditionella text-till-bild-system förlitar sig på alltmer elaborerade promptrar för att uppnå specifika resultat. Hur löser FIBO:s tillvägagångssätt problemet med prompt-komplexitet?

Två problem måste lösas. Först finns det problem med slumpmässiga promptrar som existerar eftersom nuvarande modeller försöker extrahera användaravsikt och lägga till vad modellen “tror” är estetiskt eller önskvärt via promptförbättring. Andra, brist på kontroll över professionella egenskaper

FIBO inverterar detta. Modellen tränades på mer än 1 000 ord visuella beskrivningar per bild som explicit kodar över 100 oberoende attribut i JSON-format. Detta var inte efterbearbetat eller extraherat – det var det ursprungliga träningsformatet. Eftersom varje attribut representeras strukturellt från början lärde sig modellen visuell komposition som en uppsättning diskreta, kontrollerbara parametrar snarare än som en suddig tolkning av text.

Vad detta innebär i praktiken: du definierar estetisk avsikt genom struktur, inte genom “prompt och be”. Nivån på text-till-bild-justering är grundläggande högre eftersom det inte finns något översättningslager. Du talar modellens naturliga språk. Och eftersom egenskaper är oberoende kan du iterera på belysning utan att oavsiktligt ändra komposition, eller justera färgpalett utan att påverka stil. Kontrollen är kirurgisk.

FIBO introducerar en “refinera”-arbetsflöde som skiljer sig från typisk iterativ generering. Hur förändrar detta hur proffs närmar sig visuell produktion?

De flesta genererande arbetsflöden är iterativa på ett frustrerande sätt – du genererar, utvärderar, justerar din prompt, genererar igen, hoppas att det är närmare. detta “prompt och be”. Du är aldrig riktigt säker på vad som förändrades eller varför.

Refine förvandlar experiment till design. Du styr bilden, exakt som du skulle justera ljus eller färg i Photoshop. . Du behöver inte arbeta på JSON-nivå direkt – en vision-språkmodell modifierar JSON för dig baserat på naturliga språkinstruktioner. Men JSON själv låter dig förstå exakt vad som hände. Du genererar en initial bild, undersöker dess JSON-representation, identifierar vilka egenskaper som behöver justeras – kanske är belysningsintensiteten för hög, eller kameravinkeln behöver skifta 15 grader – och du modifierar endast dessa värden genom enkla instruktioner. Allt annat förblir låst.

Denna struktur är perfekt för agenter-arbetsflöden. En AI-agent kan analysera JSON, förstå den fullständiga tillståndet för bilden, göra riktade modifieringar och förklara sin resonemang – allt eftersom parametrarna är explicita och tolkningsbara. Agenten gissar inte vad en promptändring kan göra; den gör precisa justeringar av kända egenskaper.

Detta tar bort den oförutsägbarhet som har hållit proffs skeptiska till genererande AI. När du kan se den fullständiga parametern som skapade en bild, förstå vad varje egenskap kontrollerar och modifiera individuella attribut med förtroende att ingenting annat kommer att driva, är du inte längre experimenterande – du designar. JSON-synligheten öppnar den svarta lådan fullständigt. För professionella produktionsarbetsflöden där konsekvens och kontroll är viktigare än nyhet, är detta skillnaden mellan en kreativ leksak och ett produktionsverktyg.

Dataetik och varumärkessäkerhet har blivit centrala för företags AI. Hur säkerställer Brias användning av fullständigt licensierad, rättighetsrensad data både regelefterlevnad och respekt för skaparnas IP?

Från dag ett beslutade vi att om branschen skulle växa ansvarsfullt, måste det börja med dataintegritet. Varje bild som tränade FIBO kommer från licensierade, rättighetsrensade källor genom partnerskap med innehållsledare som Getty Images (GETY ) och Envato. Detta säkerställer att våra modeller är regelefterlevande och rättvist. Vi ser respekt för skapare som en del av värdekedjan, inte som en begränsning. Företag drar nytta av den integriteten eftersom den ger dem den rättsliga och etiska säkerheten de behöver för att skala med tillförsikt.

FIBO tränades för att lära sig varje företags unika varumärkesstil och identitet. Hur förändrar denna förmåga hur globala varumärken närmar sig innehållsskapande och visuell konsekvens?

Varumärken har sin egen visuella DNA – ett unikt sätt att uttrycka känslor, förtroende och syfte genom design. FIBO kan lära sig det språket. När den är tränad genererar den visuellt innehåll som återger samma komposition, ton och atmosfär som definierar ett varumärkes identitet. Det förvandlar AI från en kreativ assistent till en varumärkes-tillgång. Det hjälper globala team att skapa med samstämmighet, inte approximation. Resultatet är konsekvens i skala utan att förlora individualitet.

Med tidiga användare som redan använder FIBO för att automatisera förpackningsdesign, produktbilder och kreativa kampanjer, vilka resultat eller feedback har stått ut för dig mest hittills?

Skiftet i mentalitet. Team börjar behandla AI som en del av sin operativa verktygslåda, inte som en nyhet. Ett globalt varumärke genererar regionala förpackningsvarianter mycket snabbare medan de upprätthåller varumärkeskonsekvens. En ledande kreativ byrå har accelererat kampanjutveckling tiofaldigt genom kontrollerad iteration. Men den verkliga signalen kommer från kreativa chefer som berättar för oss att de känner sig mer i kontroll; att modellen förstår deras visuella avsikt. Det är en vändpunkt för branschen.

Bria positionerar sig som en ledare inom etisk och kontrollerbar AI. Hur ser du att denna filosofi formar framtida regleringar eller branschstandarder för visuell AI?

Vi har nått en punkt där innovation och styrning måste röra sig tillsammans. Reglering är inte ett hinder, utan snarare infrastrukturen för hållbar tillväxt. Vår tillvägagångssätt – transparent data, deterministiska utdata, tydlig provans – överensstämmer nära med vad nya policys kräver. Jag tror att vi kommer att se nya standarder som prioriterar spårbarhet, förklarbarhet och rättighetskydd. Brias filosofi är att hjälpa till att definiera dessa standarder genom praktik, inte policyuttalanden.

Om du ser framåt, vad är nästa steg för Bria efter FIBO? Föreställer du dig att expandera till multimodal AI som förenar bild-, video- och 3D-generering under ett kontrollerbart ramverk?

Ja. Samma principer som driver FIBO – struktur, kontroll, transparens – gäller över hela visuella domäner. Vi undersöker redan utvidgningar till video och 3D, där determinism kan bringa samma tillförlitlighet som företag har med bilder. Vårt mål är enkelt: göra AI-kreativitet lika kontrollerbar och säker som att skriva kod – och utöka det över alla visuella medier, från bild till video till 3D.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Bria.