速递｜斯坦福教授创业，Inception获5000万美元种子轮融资，用扩散模型解锁实时AI应用

图片来源：Inception

随着大量资金涌入AI 初创企业，现在正是 AI 研究人员验证想法的黄金时期。如果想法足够新颖，作为独立公司获取所需资源可能比在大实验室内部更容易。

这就是Inception 的故事，这家初创公司正在开发基于扩散的 AI 模型，并刚刚获得了 5000 万美元的种子轮融资 。

本轮融资由 Menlo Ventures 领投，Mayfield、Innovation Endeavors、微软的 M12 基金、Snowflake Ventures、Databricks Investment 以及英伟达的风投部门 NVentures 参与。吴恩达和 Andrej Karpathy 也提供了天使投资。

项目领导者是斯坦福大学教授Stefano Ermon，他的研究专注于扩散模型——这类模型通过迭代优化而非逐字生成的方式产生输出。这些模型为 Stable Diffusion、Midjourney 和 Sora 等基于图像的 AI 系统提供动力。

早在 AI 热潮使这些系统备受瞩目之前，Ermon 就已开始研究它们。现在他正通过 Inception 将这些模型应用到更广泛的任务范围中。

在获得融资的同时，该公司发布了专为软件开发设计的新版Mercury 模型。Mercury 已集成到包括 ProxyAI、Buildglare 和 Kilo Code 在内的多款开发工具中。最重要的是，Ermon 表示扩散方法将有助于 Inception 的模型优化两个最关键指标：延迟（响应时间）和计算成本。

"这些基于扩散的 LLMs 比目前其他公司构建的模型要快得多、高效得多，"Ermon 说，"这完全是一种不同的方法，仍有很多创新空间可以挖掘。"

理解技术差异需要一些背景知识。扩散模型在结构上不同于主导文本AI 服务的自回归模型。诸如 GPT-5 和 Gemini 这类自回归模型采用序列化工作方式，基于先前处理的材料预测下一个词或词片段。而原本为图像生成训练的扩散模型则采用更全面的方法，逐步调整响应的整体结构直至符合预期结果。

传统观点认为文本应用应使用自回归模型，这种方法在近几代AI 模型中取得了巨大成功。但越来越多的研究表明，当模型需要处理海量文本或应对数据限制时，扩散模型可能表现更优。正如埃尔蒙所言，这些特性在操作大型代码库时将成为显著优势。

扩散模型在硬件利用方面具备更强灵活性，随着AI 对基础设施的需求日益凸显，这一优势尤为重要。自回归模型必须顺序执行操作，而扩散模型可以并行处理多项操作，从而在复杂任务中实现显著降低的延迟。

"我们的基准测试显示每秒可处理超过 1000 个 token，这远超现有自回归技术所能达到的水平，"埃尔蒙表示，"因为我们的模型天生支持并行处理，设计目标就是追求极致的速度。"

参考资料