Före detta Anthropic-forskare lanserar Mirendil med en värdering på 1 miljard dollar och en seedrunda på 200 miljoner dollar

Före detta Anthropic-forskare har lanserat Mirendil med ett ambitiöst mål: att utveckla artificiella intelligenssystem som kan accelerera AI-forskning i sig. San Francisco-baserade startupen har kommit ut från stealth-läget med en $200 miljoner seedfinansieringsrunda till en värdering av 1 miljard dollar, en av de största seedfinansieringarna som någonsin tillkännagivits av en AI-startup. Rundan leddes av Andreessen Horowitz och Kleiner Perkins, med deltagande från NVIDIA.

Företaget grundades av Behnam Neyshabur och Harsh Mehta, som tidigare arbetade tillsammans på både Google (GOOGL ) och Anthropic. Mirendil tror att nästa steg i artificiell intelligens kommer från system som är utformade för att hjälpa forskare och ingenjörer bygga bättre AI-modeller, snarare än att bara fungera som slutanvändarassistenter.

Enligt företaget är dess långsiktiga vision att demokratisera frontier AI-forskning genom att göra avancerade forskningsförmågor tillgängliga bortom ett fåtal välfinansierade AI-laboratorier.

Att bygga AI för AI-forskning

I stället för att fokusera på konsumentchattbotar eller företagsproduktivitetsprogram beskriver Mirendil sig själv som ett frontier AI-laboratorium som utvecklar system som excellerar inom AI-forskning och utveckling.

Företagets tes är att många vetenskapliga genombrott börjar med att forskare bygger djup expertis under långa perioder. Mirendil syftar till att skapa AI-system som kan utveckla och ackumulera den expertisen, vilket gör det möjligt för forskare att accelerera forskning inom specialiserade områden.

I stället för att bara generera svar är dessa system avsedda att hjälpa forskare under hela den vetenskapliga processen, vilket hjälper till att utveckla alltmer kapabla AI-modeller som sedan kan anpassas för discipliner som biologi, kemi, medicin, materialvetenskap och robotik.

Demokratisera frontier AI

Ett av Mirendils kärnargument är att dagens frontier AI-utveckling har blivit koncentrerad inom ett relativt litet antal organisationer med enorma beräkningsresurser.

Företaget tror att många universitet, startup-företag, läkemedelsföretag, forskningsinstitut och industriella laboratorier kunde göra snabbare vetenskaplig framsteg om de hade tillgång till AI-system som är specifikt utformade för att accelerera forskning snarare än allmänna språkmodeller.

I stället för att ersätta forskare ser Mirendil AI som en forskningspartner som hjälper experter att iterera snabbare, utforska fler hypoteser och utveckla alltmer specialiserade modeller för sina egna områden.

Ett team från ledande AI-laboratorier

Mirendils grundarteam speglar den växande migrationen av erfarna forskare från stora AI-laboratorier till oberoende startup-företag.

VD Behnam Neyshabur bedrev tidigare forskning på Google innan han gick med i Anthropic, medan CTO Harsh Mehta också arbetade som forskningsvetenskapsman på Anthropic. Det bredare grundarteamet inkluderar Shayan Salehian, en tidig medlem av xAI, och Tara Rezaei, en MIT-utexaminerad. Tillsammans har företaget sammansatt ungefär 20 forskare och ingenjörer med bakgrund inom Anthropic, OpenAI, Google DeepMind och xAI.

En annorlunda tillvägagångssätt för AI-infrastruktur

Mirendils webbplats betonar att dess uppdrag sträcker sig bortom att bygga en annan grundmodell. I stället syftar företaget till att omforma forskningsprocessen själv genom att utveckla system som hjälper ingenjörer och forskare att utföra AI-forskning mer effektivt.

Startupen säger att det bygger frontier-modeller tillsammans med nya forskningsflöden som är avsedda att skapa självförbättrande AI-system som kontinuerligt förbättrar vetenskaplig och teknisk utveckling. Företaget tror att detta tillvägagångssätt kan göra avancerad AI-forskning tillgänglig för organisationer som arbetar med problem som sträcker sig från läkemedelsupptäckt och kemi till biologi och robotik.

Företaget planerar också att släppa sin första modell och produkt under de kommande månaderna för att samla in feedback från forskare och utvecklare medan det finslipar sin teknik.

Rekursiv självförbättring förblir ett kontroversiellt område

Mirendils vision sammanfaller med en av de mest debatterade koncepten inom artificiell intelligens: rekursiv självförbättring, där AI-system bidrar till att bygga alltmer kapabla efterföljare.

Förespråkare hävdar att sådana system kunde dramatiskt accelerera vetenskaplig upptäckt genom att förkorta forskningscykler och låta experter fokusera på högre nivåers resonemang. Kritiker, inklusive vissa AI-säkerhetsforskare, har varnat för att alltmer autonom AI-utveckling väcker viktiga frågor kring tillsyn, kontroll och styrning.

Mirendils grundare hävdar att dessa utmaningar är svåra ingenjörsproblem snarare än oövervinnliga hinder, och hävdar att tillräckligt robust tillsyn kan tillåta rekursiv förbättring att utvecklas på ett säkert sätt.

Vad finansieringen betyder för framtiden för AI-forskning

Mirendils ovanligt stora seedrunda betonar det växande intresset för AI-infrastruktur som är specifikt utformad för forskning snarare än konsumenttillämpningar. När frontier AI-system blir alltmer kapabla kommer troligen efterfrågan på verktyg som kan hjälpa forskare och ingenjörer att bygga, utvärdera och förbättra specialiserade modeller mer effektivt att öka.

Om AI-system blir bättre på att stödja AI-forskning i sig, kan organisationer utanför de största frontier-laboratorierna – inklusive universitet, läkemedelsföretag, hälsovårdspersonal, industriella tillverkare och forskningsinstitut – få tillgång till funktioner som tidigare var begränsade till ett fåtal välfinansierade organisationer. I stället för att koncentrera AI-utveckling inom ett fåtal företag kunde teknologier som de som utvecklas av Mirendil möjliggöra en bredare ekosystem av domänspecifika AI-modeller anpassade till specialiserade vetenskapliga och industriella utmaningar. Medan betydande tekniska och säkerhetsutmaningar kvarstår, signalerar framväxten av företag som fokuserar på AI-assisterad AI-utveckling att den nästa fasen av innovation kan alltmer fokusera på att accelerera takten i vetenskaplig upptäckt i sig.