Fonlama
Pathway, Transformer Sonrası Yapay Zekâyı Ölçeklendirmek İçin 500 Milyon Dolar Değerlemeyle Yeni Finansman Aldı

Öne çıkan noktalarPathway'ın yeni finansmanı, çıkarım maliyetlerini düşürmeyi hedefleyen Transformer…
Daha fazla göster
- Pathway'ın yeni finansmanı, çıkarım maliyetlerini düşürmeyi hedefleyen Transformer sonrası bir mimariyi destekliyor.
- BDH-CQ modeli, uzun metin tabanlı düşünce zincirleri üretmek yerine dahili olarak akıl yürütme yapar.
- Pathway'ın yaklaşımı, endüstrinin sınır yapay zeka modelleri için kaba kuvvet ölçeklendirmesine olan bağımlılığına meydan okuyor.
Yapay zekâ araştırma şirketi Pathway, Transformer sonrası mimarisine dayanan yeni nesil modelleri ölçeklendirmeye hazırlanırken 500 milyon dolar değerlemeyle ek finansman sağladı ve toplam tohum yatırımını 30 milyon dolara çıkardı.
Finansmana Id4 Ventures, TQ Ventures, Red Bridge Ventures, Kadmos Capital, Wilson Sonsini’nin yatırım kolu WS Investment Co. ve Databricks Baş Yapay Zekâ Bilimcisi Jonathan Frankle katıldı. Pathway, yeni sermayenin büyük bölümünü NVIDIA GB300 sistemleri de dahil olmak üzere bilgi işlem kapasitesini genişletmek için kullanacağını söyledi.
Yatırım, Pathway’in BDH-CQ akıl yürütme modeli için yeni sonuçlarla birlikte geldi. Bu da finansmana yalnızca daha büyük temel modeller kurma yönündeki giderek yaygınlaşan vaatten daha somut bir teknik dayanak sağlıyor. Pathway’e göre 150 milyon parametreli model, halka açık ARC-AGI-1 değerlendirme kümesinde görev başına yalnızca 0,0007 dolarlık hesaplanmış çıkarım maliyetiyle %29,5 puan aldı.
Finansman, Pathway Kaba Kuvvetle Ölçeklendirmeye Karşı Bahis Oynarken Geldi
Günümüzde ileri düzey model yarışının büyük bölümü ölçeğe odaklanıyor: daha büyük kümeler, daha fazla eğitim verisi, daha çok parametre ve test sırasında giderek artan bilgi işlem. Pathway farklı bir yaklaşım benimseyerek sektörün maliyet ve bellek sınırlamalarının bir bölümünün mimari sorunlar olduğunu ve bunların sürekli daha fazla bilgi işlem eklenerek sonsuza dek çözülemeyeceğini savunuyor.
Bu sav, BDH ya da Dragon Hatchling mimarisinin merkezinde yer alıyor. Pathway, BDH’yi akıl yürütme, bellek ve uyum sağlamayı, giderek genişleyen bir bağlam penceresine veya dış bellek sistemlerine dayanmak yerine modelin içinde birleştirmeyi amaçlayan Transformer sonrası bir tasarım olarak tanımlıyor.
Mimari kalıcı durum, seyrek etkinlik, yerel etkileşimler ve sürekli ayarlama gibi fikirlerden yararlanıyor. Pathway tasarımı, beynin işleyişini doğrudan yeniden üretme girişimi olarak değil, biyolojiden esinlenen bir yaklaşım olarak nitelendiriyor.
Yeni finansman, BDH modelleri önemli ölçüde büyüdüğünde bu özelliklerin korunup korunmadığını sınamak için şirkete ek kaynak sağlıyor.
Pathway ayrıca Adam Kurzrok’u Ürün Direktörü olarak ekibine katıyor. Daha önce Google DeepMind’da Gemini Grup Ürün Yöneticisi olan Kurzrok, BDH tabanlı modellerin paketlenmesi, değerlendirilmesi ve devreye alınmasına ilişkin ürün yönünü belirleyecek.
Şirket, Transformer’ın ortak mucitlerinden Łukasz Kaiser, Frankle, NYU profesörü Martín Farach-Colton ve ekonomist Jacques Attali’nin yer aldığı bir danışma grubunu da resmileştiriyor.
BDH-CQ’yu Farklı Kılan Nedir?
BDH-CQ, daha geniş BDH mimarisinin bağlam içi öğrenme ve yinelemeli gizil akıl yürütme etrafında tasarlanmış bir uzantısıdır.
BDH-CQ, modelin ara akıl yürütmesinin büyük bölümünü üretilen metin olarak ifade etmesini gerektirmek yerine sürekli bir gizil çalışma alanında yinelemeli hesaplama yapıyor. Çıkarım sırasında verilen örnekler yinelemeli bir bellek durumunu güncelliyor; sistem daha sonra cevabını çözmeden önce yeni problemi içsel olarak işliyor. Modelin parametreleri bu süreç boyunca sabit kalıyor.
Bu önemli, çünkü akıl yürütme izleri uzadıkça belirteç tabanlı akıl yürütme pahalı hâle gelebiliyor. Geleneksel düşünce zinciri yaklaşımlarında ara adımlar sırayla üretiliyor ve ardından akıl yürütme sürecinin sonraki aşamalarına yeniden besleniyor.
BDH-CQ, ara akıl yürütmeyi sürekli dile çevirme yerine bu hesaplamanın daha büyük bölümünü iç durumunda tutacak biçimde tasarlandı.
Bu ayrım, dile dayalı akıl yürütmenin doğası gereği geçersiz olduğu anlamına gelmiyor. Pathway daha ziyade bazı akıl yürütme iş yüklerinin, her ara hesaplama adımının metin olarak sıralanmasına gerek kalmadan daha verimli biçimde ele alınıp alınamayacağını sınamak istiyor.
ARC-AGI Sonuçları Maliyet Verimliliğini Merkeze Koyuyor
Finansmanla birlikte açıklanan en dikkat çekici sonuç, yapay zekâ sistemlerinin az sayıdaki örnekten dönüşümleri çıkarıp bu kuralları daha önce görülmemiş girdilere uygulayıp uygulayamadığını ölçmek için tasarlanan ARC-AGI-1 kıyaslamasından geliyor.
Pathway’in 150 milyon parametreli BDH-CQ modeli, halka açık 400 görevden oluşan ARC-AGI-1 değerlendirme kümesinde pass@2 ölçütüyle %29,5 başarı elde etti.
Teknik değerlendirme her görevin yaklaşık 0,85 saniyelik NVIDIA H200 GPU süresi gerektirdiğini tahmin ediyor. H200’ün saatlik GPU maliyeti 3 dolar varsayıldığında bu, görev başına yaklaşık 0,00070 dolar hesaplanmış maliyete karşılık geliyor.
Pathway bunun, BDH-CQ’yu ARC-AGI-1 için daha önce bildirilen maliyet-doğruluk Pareto sınırının ötesine taşıdığını savunuyor.
Sonucun önemi, 150 milyon parametreli sistemin artık en yüksek mutlak ARC puanına sahip olması değil. Bazı daha büyük akıl yürütme sistemleri daha yüksek puan alıyor. Pathway bunun yerine modelin harcanan her çıkarım doları başına ne kadar akıl yürütme performansı sağlayabildiğine odaklanıyor.
Kuruluşlar yapay zekâyı ara sıra kullanılan sohbet robotlarından sürekli olarak çok sayıda akıl yürütme işlemi yapan ajanlara ve diğer sistemlere taşıdıkça bu ölçüt giderek daha önemli hâle gelebilir.
Teknik Sonuçlar BDH-CQ’nun Zorlandığı Alanları da Gösteriyor
Daha geniş değerlendirme, manşetteki kıyaslamadan daha incelikli bir tablo sunuyor.
Akıl yürütme sorunlarını farklı kavramsal kategorilere ayıran ConceptARC üzerinde BDH-CQ’nun performansı önemli ölçüde değişti. Sınır genişletme ve dolu bölgeleri boş bölgelerden ayırt etme içeren bazı görevlerde özellikle iyi performans gösterirken, kopyalama ve sıralama içeren alanlarda daha çok zorlandı.
Kontrollü deneyler de benzer bir örüntü ortaya koydu.
Sınır yayılımı ve kopyalama, işlemler test edilen aralıklarda uzatıldığında doğruluğunu korudu. Sıralama dizileri uzadıkça performans daha belirgin biçimde kötüleşti. İç içe ilişkisel problemler de gereken iç içe geçme derinliği arttığında zorlaştı.
Araştırmacılar ayrıca hedef problemin karmaşıklığına daha yakın gösterimler vermenin bazı durumlarda performansı önemli ölçüde iyileştirebildiğini buldu. Bu, sınırlamanın bir bölümünün sistemin aldığı örneklerden ne kadar uzağa genelleme yapabildiğiyle ilgili olduğunu gösteriyor.
Bu zayıflıklar önemli, çünkü ARC-AGI özel bir görsel akıl yürütme kıyaslamasıdır. ARC’de yüksek maliyet verimliliği, aynı mimarinin üretim iş yüklerinde genel amaçlı dil modellerini geride bırakabileceğini kanıtlamaz.
Sonuçlar bunun yerine daha dar fakat önemli sonuçlar doğurabilecek bir fikre kanıt sağlıyor: Gelişmiş akıl yürütme yetenekleri her zaman devasa parametre sayıları veya uzun üretilmiş akıl yürütme belirteci dizileri gerektirmeyebilir.
Pathway Gerçek Zamanlı Yapay Zekâ İçin Altyapı da Kuruyor
Pathway’in çalışmaları Transformer sonrası modellere yönelmesinden önce başladı. Şirket, BDH’nin yanında akış verisi, gerçek zamanlı analiz, büyük dil modeli uygulamaları ve erişimle desteklenen üretim için bir veri işleme çerçevesi geliştiriyor.
Platform, yapay zekâ sistemlerinin yalnızca statik veri kümelerine veya dönemsel olarak yeniden oluşturulan dizinlere dayanmak yerine sürekli değişen bilgilerle çalışmasına yardımcı olmak üzere tasarlandı.
Bu altyapı geçmişi Pathway’in daha geniş araştırma yönüyle yakından örtüşüyor. Mevcut teknoloji, yapay zekâ uygulamalarını değişen dış verilerle eşzamanlı tutmaya odaklanırken BDH, kalıcı bellek ve uyumun giderek daha fazla model mimarisinin kendi özelliği olup olamayacağını araştırıyor.
Bu, uzun süreler boyunca durumunu koruması ve yeni bilgilere tepki vermesi gereken yapay zekâ ajanları ile diğer uzun soluklu sistemler için önemli olabilir.
Pathway İçin Sırada Ne Var?
Pathway, yeni sermayeyi model kapasitesini artırmak ve daha geniş yeteneklere sahip BDH tabanlı sistemleri eğitmek için kullanmayı planlıyor.
Yol haritasında matematiksel akıl yürütme, ARC-AGI-2 ve ARC-AGI-3 ile gizil akıl yürütme içeren büyük bir dil modeli geliştirmek bulunuyor.
Şirket, 1 milyar ile 600 milyar parametre arasındaki ölçeklerde yapılan erken ön eğitim deneylerinin, BDH’nin gizil akıl yürütme yaklaşımıyla ilişkilendirilen özellikleri korurken Transformer benzeri ölçeklenme davranışı gösterdiğini söylüyor.
Bu, mimarinin avantajlarının büyük, genel amaçlı modellerde de süreceğine dair bir kanıt değil, erken bir işarettir.
Pathway nihai olarak finansal hizmetler, sağlık ve teknoloji gibi alanları hedefliyor. Yapay zekâ sistemleri daha uzun süreli iş akışlarına ilerledikçe kalıcı bellek, değişen bilgiler ve çıkarım maliyetleri bu alanlarda özellikle önemli olabilir.
Şimdilik 500 milyon dolarlık değerleme, sektörün baskın ölçeklendirme stratejisine bir alternatif üzerine yapılan önemli bir bahsi temsil ediyor. Daha önemli sınav, Pathway BDH’yi görece sınırlı akıl yürütme kıyaslamalarının ötesine taşıdığında ve mimari avantajlarının dil, matematik, ajanlar ve gerçek dünya uygulamalarında korunup korunmadığını gösterdiğinde gelecek.












