Louis Amira, grundare av Circuit & Chisel – intervjuserie

Louis Amira är grundare av Circuit & Chisel och har erfarenhet av att utveckla produkter och partnerskap inom AI, kryptovalutor och betalningar. Under sin karriär har han varit med och grundat ett företag inom Googles företagsinkubator Area 120, arbetat på Chainlink och lett partnerskap inom krypto och AI på Stripe. Han startade Circuit & Chisel tillsammans med David Noël-Romas för att åtgärda bristerna i den infrastruktur som hindrar AI-agenter från att utföra tillförlitligt och användbart arbete åt företag.

Circuit & Chisel utvecklar infrastruktur för AI-agenter och står bakom ATXP, Unbiased och Pareto. ATXP ger agenter identitets- och betalningsfunktioner, medan Pareto kombinerar ledande modeller och modeller med öppna vikter för att hantera kvaliteten och kostnaden för AI-inferens. Unbiased ger tillgång till Pareto via sin plattform. I den här intervjun pratar Amira om modellorkestrering, utvärdering, inferensekonomi, datalagring och sambandet mellan tillförlitligt resonemang hos agenter och autonoma betalningar.

Din karriär har tagit dig från Googles företagsinkubator Area 120 till att leda partnerskap inom krypto och AI på Stripe, innan du var med och grundade Circuit & Chisel. Vad lärde de erfarenheterna dig om den infrastruktur som AI-agenter skulle behöva, och vad fick dig till slut att starta företaget?

På Google var jag med och grundade ett företag inom Area 120. Lärdomen jag tog med mig var att det du bygger först avgör vad du kan bygga senare. På Chainlink och Stripe såg jag samma mönster från andra sidan. Ny teknik fungerade i demomiljöer när solen sken och förhållandena var perfekta, men körde sedan fast eftersom den infrastruktur som krävdes i verkligheten ännu inte fanns på plats.

David och jag startade Circuit & Chisel för att bygga agenter som utför verkligt arbete åt verkliga företag. De misslyckades gång på gång av rätt banala skäl. En agent kunde inte styrka sin identitet och kunde inte betala för någonting. Därför byggde vi ATXP, så att agenter skulle få en identitet och möjlighet att betala.

Sedan stötte vi på nästa hinder. En agent som kan agera måste också ha rätt, till ett pris som är rimligt för uppgiften. Det är Pareto. Båda gångerna var grundtanken densamma: hitta den saknade pusselbiten och bygg den.

Circuit & Chisel fokuserade till en början på ATXP, ett protokoll som utformats för att möjliggöra autonoma betalningar mellan AI-agenter, och breddade sedan verksamheten till infrastruktur för AI-modeller med Unbiased och Pareto. Vad låg bakom den utvecklingen, och hur passar teknikerna in i din bredare vision för agentekonomin?

Våra kunder (och deras agenter) visade oss att ATXP fungerade. Agenter kunde ha en identitet och spendera pengar. Men när vi satte oss ner med företag var betalningar inte deras främsta problem. Det handlade om att kunna lita på resultatet. Ingen ger en agent en budget om den väljer fel modell för uppgiften eller ger fel svar.

Därför intensifierade vi vårt arbete med kvalitet och kostnad tidigare i år. Det blev Pareto.

De två kompletterar fortfarande varandra. Pareto avgör hur en agent ska resonera sig fram till en lösning på en uppgift. ATXP låter den agera och betala. Man behöver båda, och i den ordningen, eftersom ingen ger en agent en digital plånbok innan man litar på dess omdöme. Vi byggde dem bara i fel ordning.

Pareto skiljer sig från traditionella stora språkmodeller genom att kombinera resultat från flera ledande modeller och modeller med öppna vikter, i stället för att förlita sig på en enda modell eller ett konventionellt routningssystem. Kan du beskriva hur den här arkitekturen fungerar, särskilt hur den sammanväger motstridiga svar till ett mer korrekt eller användbart resultat?

Pareto är ett system, inte en enskild modell. Det skickar uppgifter till modeller från flera laboratorier, både ledande modeller och modeller med öppna vikter, och ger var och en en uppgift. Flera modeller kan klara arbetet, men ibland är uppgifterna komplexa och då behöver en modell granska och ge råd. Vilka modeller som ska anropas avgörs utifrån hur väl var och en presterar när det gäller kapacitet, kostnad, hastighet och tillförlitlighet för den här typen av uppgift. Även hur mycket kontroll uppgiften kräver vägs in.

Vi tar inte genomsnittet av svaren. Ett genomsnitt suddar ut felen. Vi vill att modellerna ska vara oense, eftersom det är då misstagen kommer fram. När blandningen av tillgängliga modeller ändras testar vi på nytt och släpper en ny versionsnumrerad version av Pareto.

Ett av Paretos främsta löften är att leverera intelligens på nivå med de ledande modellerna till betydligt lägre kostnad. Hur kan ni uppnå den effektiviteten när flera modeller kan bidra till ett svar, och vilka avvägningar finns mellan inferenskostnad, svarstid och resultatkvalitet?

Paretos uppgift är att ge svar på nivå med de ledande modellerna. Den lägre kostnaden beror på hur det går till.

Det mesta som människor ber AI om är rutinuppgifter. En billigare modell löser sådana uppgifter lika ofta rätt som den dyraste. Pareto skickar dem till de billigare modellerna och sparar de ledande modellerna, eller flera modeller som arbetar tillsammans, till förfrågningar som kräver dem. I våra publicerade tester hamnade den här kombinationen bara några poäng efter GPT-6 Astra och Claude Opus 5.5 på de flesta större riktmärkena, till en 30–70 % lägre kostnad per uppgift.

Det finns inga betydande avvägningar. Pareto kommer inte att dirigera varje förfrågan helt rätt, men vi mäter hur ofta dirigeringen blir fel och förbättrar resultaten (och publicerar dem!).

Ert team har publicerat benchmarkresultat som visar att Pareto står sig väl i jämförelse med ledande proprietära modeller och modeller med öppna vikter, däribland jämförelser med GPT-6 Astra och Claude Opus 5.5. Hur säkerställer ni att utvärderingarna speglar prestanda i verkliga situationer snarare än optimering för specifika benchmarktester, och på vilka områden har de mest avancerade modellerna fortfarande ett betydande övertag gentemot Pareto?

Vi publicerar utvärderingskoden, så att vem som helst kan upprepa våra mätningar. Alla modeller, även Pareto, testas med samma testramverk. Och vi redovisar Paretos förluster lika öppet som vinsterna. En resultattavla där arrangören alltid vinner är bara reklam.

Vi lanserade i flera AI-gateways och har gett företag av alla slag och storlekar förhandsåtkomst till nya modeller. Vi tar till oss deras återkoppling nästan i realtid för att hela tiden förbättra modellens prestanda.

Enligt uppgifter behandlade Pareto mer än två biljoner token under sina första 48 timmar. Vad visade den inledande efterfrågan om marknaden för kostnadseffektiv AI-inferens, och vilka var de största tekniska utmaningarna med att upprätthålla prestanda, tillförlitlighet och skalbarhet vid den volymen?

Efterfrågan var flera gånger större än vad både vi och våra partner hade räknat med, och tyvärr hade vi inte tillräckligt med beräkningskapacitet för att hantera den ordentligt. Den första dagen översteg efterfrågan 5–10 miljarder token per minut. Vi hanterade omkring 1,6 miljarder. Att tillgodose hela den efterfrågan på ett bra sätt och utan kostnad skulle ha kostat många miljoner dollar per dag.

Det vi lärde oss var att priset håller tillbaka en stor del av AI-användningen. Det finns utvecklare vars produkt fungerar till ett visst pris men inte om priset är fem gånger högre. Sänk priset, så dyker de upp.

Den största utmaningen var enkel: vi fick slut på kapacitet. Den första dagen blev modellen så långsam att vissa gav upp. Vi tog mer kapacitet i drift under natten och införde betald åtkomst två dagar efter lanseringen, vilket är ett ärligt sätt att ransonera kapaciteten.

Vi lärde oss också något om öppenhet. Vissa användare kände sig vilseledda när de fick veta att Union Alpha bestod av flera modeller som arbetade tillsammans, inte en enda modell. Det var en del av tanken bakom att lansera den tillsammans med partnerna som ”bara ännu en modell” – i praktiken bör användarna inte märka någon skillnad på resultatet från en router.

Ingen datalagring är en annan viktig del av Paretos positionering, särskilt eftersom företag blir alltmer oroade över att känslig information passerar genom externa AI-leverantörer. Hur upprätthåller och verifierar ni det här skyddet när flera underliggande modeller är inblandade, och vilka garantier kan företagskunder få för hur deras data hanteras?

Med våra abonnemang utan datalagring sparar vi inte dina frågor eller svar, och det gör inte heller någon av leverantörerna som vi skickar dem till.

När flera modeller ingår i kedjan är ett löfte om ingen datalagring bara så starkt som den svagaste länken. Därför skickas förfrågningar som omfattas av ZDR endast till modeller som körs enligt villkor om ingen datalagring. Om en leverantör inte kan uppfylla de villkoren får den ingen ZDR-trafik.

Företagskunder får det skriftligt: ett personuppgiftsbiträdesavtal och ett ZDR-tillägg. Vi anger också tydligt vilka abonnemang som inte omfattas av ZDR, så att ingen hamnar i fel kategori. För företag som vill att deras data aldrig ska lämna den egna byggnaden arbetar vi på en version som kan köras på deras egen maskinvara. Mer om det snart.

När AI-agenter går från att besvara frågor till att utföra komplexa arbetsflöden i flera steg kan små resonemangsfel leda till stora misslyckanden. Hur hanterar Pareto problem som hallucinationer, motstridiga modellsvar och bristande tillförlitlighet i långa agentbaserade uppgifter, och kan det i sig skapa nya felkällor att kombinera flera modeller?

Det här var det första problemet vi stötte på. Utanför en demo fallerar agenter. Ett litet misstag i steg två blir ett stort misstag i steg tio.

Flera modeller hjälper till med de svåra stegen. De kan arbeta med samma problem var för sig, kontrollera varandras arbete eller bekräfta ett resultat innan agenten går vidare. En ensam modell har ingen att rådfråga. Pareto har det.

Vi mäter användarnöjdhet och prestanda i verkliga uppgifter, publicerar resultaten – även de dåliga – och åtgärdar det vi upptäcker. Kunder som behöver samma beteende varje gång kan låsa Pareto till en viss version, så att den inte ändras under tiden.

Med ATXP och Unbiased tar Circuit & Chisel sig an två viktiga utmaningar för autonoma agenter: att få tillgång till intelligens på ett effektivt sätt och att betala för de tjänster de använder. Hur ser ni att dessa förmågor kan förenas, och kan vi så småningom få se agenter själva välja, köpa och samordna AI-modeller och externa verktyg utifrån prestanda, kostnad och uppgiftens krav?

Ja. Det är dit utvecklingen går.

I dag är det en person som bestämmer vilken modell som ska användas, vilka verktyg som ska anropas och hur de ska betalas. Allt oftare kommer en agent att fatta de besluten. Den väljer rätt modell för varje steg, hittar verktygen den behöver, betalar varje leverantör och kontrollerar resultaten innan den går vidare.

Det kräver två saker. Ett sätt att få rätt intelligens för varje uppgift, vilket Pareto erbjuder. Och ett sätt att bevisa vem man är och betala, vilket ATXP ursprungligen byggdes för.

Många företag arbetar nu med sådant som begränsningar och ansvar innan någon vågar anförtro agenter pengar. Därför började vi med omdöme. Betalningsdelen blir mer användbar ju större förtroende man har för agenten som använder den.

Framöver, tror du att nästa stora genombrott inom AI främst kommer att komma från att träna allt kraftfullare enskilda modeller, eller från att utveckla system som på ett intelligent sätt kombinerar befintliga modeller och förmågor? Hur tror du att den skillnaden kommer att påverka konkurrensen mellan framväxande AI-företag och de stora leverantörerna av avancerade grundmodeller under de närmaste åren?

Både och. Laboratorierna kommer att fortsätta ta fram bättre modeller, och det är mycket viktigt. Vi ser till att människor inte känner att de behöver läsa på om och testa varenda modell. Vi ska leverera rätt modell för rätt uppgift och med rätt avkastning på investeringen. Slut på modelltröttheten.

Vi kommer aldrig att kunna lägga mer pengar än laboratorierna på träning. Vi bygger vidare på deras arbete och hjälper till att sprida deras modeller. Varje gång ett laboratorium lanserar en bättre modell blir Pareto också bättre.

Laboratorierna skulle kunna bygga det här själva, och några kommer att göra det. Men en router från ett laboratorium har ett hemmalag. Vi äger ingen modell, så det enda sättet för oss att vinna är att kunden får det bästa svaret för pengarna. Ju fler modeller det finns, desto viktigare blir det.

Tack för en givande intervju. Läsare som vill veta mer om Pareto, agentinfrastruktur och verktygen som kopplar samman AI-resonemang med identitet och betalningar kan besöka Circuit & Chisel.