یادداشت مدیرعامل مرکز نوآوری
همیار دانش بنیان در روزنامه جام جم
بررسی نقش فناوریهای نرم و صنایع خلاق در تقویت برند ملی در سومین نشست هفته پژوهشی برند ملی ایران
زیورک؛ راهکار هوشمند سلامت سازمان شما
ریسکهایی که نمیبینید، بیشترین آسیب را به شما میزنند…
استارت آپ هوشمند دادا
دستیار هوشمند خبرساز دادا، محصولی از مرکز نوآوری همیار دانش بنیان وارد بازار شد
خدمات مـا
خدمات تخصصی همیار
همیار دانش بنیان در مسیر دریافت مجوزهای قانونی، اخذ مجوز دانش بنیانی دریافت وام و تسهیلات قانونی و… همراه شماست
فضای کار اشتراکی
رزرو فضای کار اشتراکی و دفتر اختصاصی به صورت روزانه و ماهانه، فضای رویداد و … با قابلیت مقایسه، در همیار دانش بنیان
مشاوره و منتورینگ
رزرو وقت مشاوره آنلاین و حضوری با بهترین مشاوران، منتورها و توسعه دهندگان کسب و کار در حوزه های تخصصی و مدیریتی
آکادمی و بوت کمپ
دوره های آموزشی مرتبط با کسب و کار، استارتاپ، دارایی های فکری، اخذ مجوزهای قانونی و … در همیار دانش بنیان
خدمات تخصصی همیار
همیار دانش بنیان در مسیر دریافت مجوزهای قانونی، اخذ مجوز دانش بنیانی دریافت وام و تسهیلات قانونی و… همراه شماست
فضای کار اشتراکی
رزرو فضای کار اشتراکی و دفتر اختصاصی به صورت روزانه و ماهانه، فضای رویداد و … با قابلیت مقایسه، در همیار دانش بنیان
مشاوره و منتورینگ
رزرو وقت مشاوره آنلاین و حضوری با بهترین مشاوران، منتورها و توسعه دهندگان کسب و کار در حوزه های تخصصی و مدیریتی
آکادمی و بوت کمپ
دوره های آموزشی مرتبط با کسب و کار، استارتاپ، دارایی های فکری، اخذ مجوزهای قانونی و … در همیار دانش بنیان
همیار دانش بنیان
در همیار دانشبنیان، ما با ارائه مشاوره های تخصصی، خدمات تسهیلگری، حمایت از تجاری سازی ایده ها، توسعه بازار و بازاریابی هوشمند، در کنار شما هستیم تا مسیر پرچالش کارآفرینی را هموارتر کنیم. ما باور داریم که موفقیت در دنیای امروز نیازمند هم افزایی در زنجیره تولید و ایجاد پیوندهای ارزشمند میان ایده ها، افراد و بازارهاست.
استارت آپ ها
تجارت الکترونیک
چندرغاز
|
مرحله یک
پلتفرم هوشمند سفر خارجی و اقامتگاه ارزان
تجارت الکترونیک
دپویدک
|
مرحله دو
اپلیکیشن هوشمند فروش و انبارداری
تجارت الکترونیک
این خوبه
|
مرحله یک
پلتفرم جامع معرفی و عرضه محصولات سبز
هوش مصنوعی
دادا
|
مرحله یک
اتوماسیون جامع تولید محتوای هوشمند
تجارت الکترونیک
الومیو
|
مرحله یک
پلتفرم جامع خدمات حیوانات خانگی
استارت آپ ها
تجارت الکترونیک
چندرغاز
|
مرحله یک
پلتفرم هوشمند سفر خارجی و اقامتگاه ارزان
تجارت الکترونیک
دپویدک
|
مرحله دو
اپلیکیشن هوشمند فروش و انبارداری
تجارت الکترونیک
این خوبه
|
مرحله یک
پلتفرم جامع معرفی و عرضه محصولات سبز
هوش مصنوعی
دادا
|
مرحله یک
اتوماسیون جامع تولید محتوای هوشمند
تجارت الکترونیک
الومیو
|
مرحله یک
پلتفرم جامع خدمات حیوانات خانگی
همیار مگ
توسعه علوم و فناوری های حوزه بذر و خوراک دام و طیور
بنیاد ملی علم ایران با همکاری ستاد توسعه اقتصاد دانشبنیان غذا و کشاورزیِ معاونت علمی و سازمان تحقیقات، آموزش و ترویج کشاورزی، فراخوان حمایت از طرحهای پژوهشی و فناورانه در حوزه بذر و خوراک دام و طیور را منتشر کرد.
امنیت غذایی بهعنوان یکی از ارکان توسعه پایدار و ثبات ملی، نقشی کلیدی در تضمین دسترسی پایدار به مواد غذایی سالم، ایمن و مغذی ایفا میکند.
اعضای هیئتعلمیِ دانشگاهها و مؤسسات علمی و پژوهشیِ دارای مجوز معتبر میتوانند از ۵ بهمن تا ۵ اسفند ۱۴۰۴ پیشنهادههای خود را ارسال کنند.
اطلاعات تکمیلی و شیوهنامه شرکت در فراخوان از طریق وبگاه بنیاد ملی علم ایران و سامانه مدیریت پژوهش (کایپر) در دسترس است.
آخرین فراخوان ها
رویداد “از ایده تا کسب و کار در ورزش” تمدید شد!
با حمایت معاونت علمی، همکاری کمیته ملی المپیک، وزارت ورزش و جوانان و معاونت فناوری و نوآوری وزارت علوم، تحقیقات و فناوری، رویداد ملی « از ایده تا کسبوکار در ورزش» برگزار میشود.
این رویداد بستری است برای شناسایی و توانمندسازی صاحبان ایدهها و محصولات نوآورانه، شرکتهای دانشبنیان، پژوهشگران، دانشجویان، و فعالان حوزه ورزش که در پی تبدیل ایدههای خود به محصولات، خدمات یا کسبوکارهای پایدار هستند و تلاش میکند با ایجاد پیوند میان دانش و بازار، زمینههای تجاریسازی فناوریهای ورزشی در سطح ملی را فراهم کند.
سکوهای دیجیتال ورزشی (شامل اپلیکیشنها، پلتفرمهای هوشمند و تحلیل دادههای ورزشی)، تجهیزات و محصولات تندرستی و تمرینی (از جمله ابزارهای تمرینی، پوشیدنیهای هوشمند و سنسورها) و فناوریهای مبتنی بر هوش مصنوعی در ورزش و صنایع خلاق در ورزش از محورهای این فراخوان است.
آخرین مهلت مرحله غربالگری و پرورش ایدهها تا ۲۳ بهمنماه ۱۴۰۴ و زمان برگزاری نهایی رویداد ۲۸ بهمنماه ۱۴۰۴ خواهد بود.
علاقهمندان میتوانند با مراجعه به وبگاه رسمی رویداد نسبت به ثبتنام و بارگذاری ایدهها و محصولات نوآورانه و خلاقانه خود اقدام کنند.
آخرین رویدادها
درخواستهایی برای استارتاپها
RFS سنت ما در به اشتراک گذاشتن ایدههایی است که دوست داریم بنیانگذاران به آنها بپردازند. اینها تنها بخش کوچکی از بودجه ما را تشکیل میدهند – اگر یکی از آنها شما را هیجانزده کرد، آن را به عنوان اعتبار بیشتری برای شروع در نظر بگیرید، اما برای درخواست در YC نیازی به کار روی این ایدهها ندارید.
۱. استفاده از یادگیری ماشین برای شبیهسازی دنیای فیزیکی
بسیاری از ابزارهای نرمافزاری حیاتی، با شبیهسازی جهان بر اساس اصول شناختهشده فیزیک و شیمی کار میکنند. پیشبینی وضعیت آبوهوا، دینامیک محاسباتی سیالات برای طراحی راکتها و هواپیماها و ابزارهای کشف دارو که تعامل مولکولها را پیشبینی میکنند، همگی امروزه بر پایه اجرای شبیهسازیهای کامل فیزیکی از جهان بنا شدهاند. این فرآیندها به دلیل حل معادلات ریاضی پیچیده و چندمتغیره، از نظر محاسباتی بسیار سنگین هستند.
مشخص شده است که مدلهای هوش مصنوعی، تقریبگرهای تابعیِ کلی هستند که میتوانند بدون نیاز به دانش صریح از قوانین فیزیک، چنین مسائلی را حل و پیشبینی کنند. نتیجه این کار، پیشبینیهایی است که به شدت هزینه محاسباتی کمتری دارند و به جای اینکه روزها و هفتهها در ابرکامپیوترها زمان ببرند، میتوانند در عرض چند ثانیه یا دقیقه روی کامپیوترهای بسیار کوچکتر انجام شوند.
ما علاقهمند به همکاری با شرکتهایی هستیم که شبیهسازیهای موجود را با مدلهای مبتنی بر یادگیری ماشین (ML) جایگزین میکنند، و همچنین شرکتهایی که از این شبیهسازیهای مدرن برای گشایش بازارهای جدیدی استفاده میکنند که در حال حاضر غیرقابل دسترسی هستند.
۲. مدلهای زبانی بزرگ (LLM) برای فرآیندهای دستی بخش اداری در سازمانهای سنتی
سازمانهای قدیمی و بزرگ دارای فرآیندهای دستی بسیاری در بخشهای پشتیبانی و اداری (Back Office) هستند که پتانسیل بالایی برای خودکارسازی با استفاده از مدلهای زبانی بزرگ دارند. این فرآیندها اغلب تکراری و قاعدهمند بوده و با دادههای بدون ساختار سر و کار دارند؛ نمونههایی از آن شامل پردازش فاکتورها، بررسی قراردادها و رسیدگی به درخواستهای خدمات مشتریان است.
مدلهای زبانی بزرگ به طور ویژهای برای این وظایف مناسب هستند، زیرا میتوانند زبان طبیعی را (که فرمت اصلی اکثر دادهها در این فرآیندهاست) درک کرده و تولید کنند. همچنین، این مدلها را میتوان بر روی دادههای تخصصی هر حوزه یا شرکت آموزش داد تا عملکردشان بهبود یابد.
ما به دنبال استارتاپهایی هستیم که مدلهای زبانی را برای خودکارسازی این فرآیندها در سازمانهای سنتی به کار میگیرند. معتقدیم فرصت عظیمی برای بهبود کارایی و کاهش هزینهها در این سازمانها وجود دارد.
۳. استفاده از هوش مصنوعی برای ساخت نرمافزارهای سازمانی
نرمافزارهای سازمانی در میان برنامهنویسان باهوش، به “خستهکننده بودن” شهرت دارند. شما مجبورید درگیر فرآیند فروش شوید و چون هر مشتری احتمالی چیز متفاوتی میخواهد، در نهایت نرمافزاری حجیم و پفکرده میسازید تا سعی کنید رضایت همه را جلب کنید.
اما چه میشود اگر هوش مصنوعی بتواند نحوه ساخت و فروش نرمافزارهای سازمانی را تغییر دهد؟ هسته اصلی خواسته تمام مشتریان یکسان است؛ آنها فقط میخواهند نرمافزار در جزئیات مطابق نیازشان شخصیسازی شود.
هوش مصنوعی در کدنویسی مهارت بالایی دارد، بهویژه زمانی که کدبیس موجود را برای یادگیری در اختیارش قرار دهید. پس چه میشود اگر به جای چرخههای طولانی فروش سازمانی، فقط یک محصول اولیه ساده به مشتریان بدهید و آنها به هوش مصنوعی بگویند که چگونه میخواهند آن را شخصیسازی کنند؟ در آینده، هر سازمان میتواند سیستمهای ERP، CRM یا HRIS اختصاصی خود را داشته باشد که با تغییر خودِ شرکت، به طور مداوم بهروزرسانی میشوند.
محصولی که بر این اساس ساخته شود، برای بازیگران بزرگ و قدیمی بازار بسیار مخرب خواهد بود؛ چرا که آنها دیگر نمیتوانند صرفاً با کپیبرداری از شما و اضافهکردن یک ویژگی جدید به نرمافزار سنگینشان برنده شوند. حالا آنها مجبور خواهند بود کل رویکرد مفهومی خود را در ساخت نرمافزار تغییر دهند.
شاید هوش مصنوعی چنان در این کار خبره شود که بتواند انواع جدیدی از نرمافزارهای سازمانی را ابداع کند که هنوز وجود ندارند. ساخت چنین هوش مصنوعیای یک چالش فنی جذاب خواهد بود و اگر به ساخت هوش مصنوعی کدنویس علاقه دارید، نرمافزار سازمانی سودآورترین حوزه برای این کار است.
۴. مدلهای پایه برای سیستمهای بیولوژیکی (زیستی)
اکثریت قریب به اتفاق نوآوریهای علمی با شکست مواجه میشوند؛ یا در مراحل اولیه آزمایشگاهی و یا در طول کارآزماییهای بالینی.
مدلهای پایهای (Foundation Models) که بر اساس حجم عظیم دادههای امروزی ساخته میشوند، نهتنها دانشمندان را قادر میسازند تا مسیر درست را بسیار سریعتر از قبل پیدا کنند، بلکه پتانسیل باز کردن مسیرهای علمی جدید برای مقابله با بیماریها را دارند. همانطور که مدلهای پایه در متن و تصویر در حال توانمندسازی نسل بعدی محصولات مصرفی هستند، ما معتقدیم مدلهای پایه در سیستمهای بیولوژیکی نیز همین کار را برای مراقبتهای بهداشتی انجام خواهند داد.
ما علاقهمند به حمایت از بنیانگذاران بسیار فنی هستیم که مدلهای پایه را از ابتدا در هر بخشی از بیولوژی یا پزشکی میسازند.
۵. مدلهای کوچکِ تنظیمشده به عنوان جایگزینی برای مدلهای غولآسای عمومی
مدلهای عمومی غولپیکر با پارامترهای بسیار زیاد، بسیار تاثیرگذار هستند. اما آنها در عین حال پرهزینه بوده و اغلب با چالشهای تاخیر در پاسخگویی (Latency) و حفظ حریم خصوصی همراه هستند. خوشبختانه، مدلهای متنباز کوچکتری مانند Llama2 و Mistral قبلاً نشان دادهاند که وقتی با دادههای مناسب به دقت تنظیم (Fine-tune) شوند، میتوانند نتایج مشابهی را با کسری از هزینه ارائه دهند.
علاوه بر این، با ادغام سختافزارهای جدید در گوشیها و لپتاپهای ما، امکان اجرای این مدلها در لبه شبکه (On-device) روز به روز بیشتر میشود و کاربردهای جدید فراوانی را ممکن میسازد.
ما مشتاق حمایت از شرکتهایی هستیم که در زمینه توسعه یا تنظیم دقیق این مدلهای تخصصی، یا ایجاد ابزارهایی برای تسهیل ساخت آنها فعالیت میکنند.
۶. هوش مصنوعی توضیحپذیر (Explainable AI)
آیا به یک هوش مصنوعی اعتماد میکنید که بیماری شما را تشخیص دهد؟ آیا میتوانید قسم بخورید که یک مدل بدون سوگیری عمل میکند؟ یا به زبان سادهتر، چگونه مطمئن شویم که یک مدل پاسخی را از خودش در نمیآورد (توهم نمیزند)؟
درک رفتار مدل بسیار دشوار است، اما ما معتقدیم در زمینههایی که اعتماد در آنها حیاتی است، تفسیرپذیر بودن مدل هوش مصنوعی ضروری است. پاسخهای آن باید قابل توضیح باشند.
برای اینکه جامعه از تمام مزایای هوش مصنوعی بهرهمند شود، باید کارهای بیشتری در زمینه “هوش مصنوعی توضیحپذیر” انجام شود. ما علاقهمند به تامین سرمایه برای افرادی هستیم که مدلهای تفسیرپذیر جدید یا ابزارهایی برای توضیح خروجی مدلهای موجود میسازند.
۷. بهکارگیری یادگیری ماشین در رباتیک
رباتیک هنوز لحظه تحولی مشابه “ظهور GPT” را تجربه نکرده است، اما فکر میکنیم به آن لحظه نزدیک هستیم.
شتابدهنده YC به مدت دو دهه رباتیک را از نزدیک دنبال کرده است. در واقع، یکی از بنیانگذاران YC، تروور بلکول، یک رباتساز پیشرو است که اولین ربات دوپای دارای تعادل پویا را ساخت.
برای دههها، همه میدانستند که رباتها آینده هستند، همانطور که هر رمان علمی-تخیلی نشان میدهد. اما آن آینده دور از دسترس بود زیرا نسلهای قبلی رباتها گرانقیمت و شکننده بودند و به شرایط کنترلشده نیاز داشتند. با پیشرفت سریع مدلهای پایه، در نهایت امکان ساخت رباتهایی فراهم شده است که درک و قضاوت در سطح انسانی دارند. این همان حلقه گمشده بود.
اگرچه کاربردهای مصرفی در داستانهای علمی-تخیلی پررنگ هستند، اما برخی از نادیدهگرفتهشدهترین و در دسترسترین کاربردها برای رباتها، در حوزه B2B (تجارت با تجارت) است. به طور خاص، فکر میکنیم حوزههای نویدبخش شامل موارد صنعتی (مانند شرکت Gecko Robotics که رباتهای بازرسی میسازد) و کاربردهای کشاورزی (مانند Bear Flag Robotics که تراکتورهای خودران میسازد و توسط جان دیر خریداری شد) هستند.
ما علاقهمند به حمایت از افرادی هستیم که ابزارهای نرمافزاری برای کمک به دیگران جهت ساخت ربات میسازند، و همچنین افرادی که خودِ رباتها را تولید میکنند.
۸. مدلهای زبانی بزرگ (LLM) برای طراحی تراشه
هر پیشرفت در هوش مصنوعی، تقاضا برای تراشههای قدرتمندتر جهت آموزش مدلهای بزرگتر را افزایش میدهد. هیچ کشوری نمیخواهد در این مسابقه تسلیحاتی عقب بماند. طراحی و تولید تراشه داخلی دیگر فقط یک موضوع اقتصادی نیست، بلکه موضوع بقا در جهانِ پس از هوش مصنوعی است. مدل OpenAI O1 به ما نشان داد که LLMهای دارای قدرت استدلال میتوانند باعث پیشرفتهای بزرگی در علم و مهندسی شوند و ما مشتاق گفتگو با هر کسی هستیم که از LLMها برای بهبود طراحی تراشه استفاده میکند.
ما به ویژه به کسانی علاقه داریم که روی طراحی ASICها و FPGAها تمرکز کردهاند. طراحی سیستمهای دیجیتال سفارشی، چه از طریق FPGA (آرایههای درگاهی برنامهپذیر درجا) و چه ASIC (مدارهای مجتمع با کاربرد خاص)، به دلیل حجم بالای طراحی، توسعه و تست سفارشی مورد نیاز، معمولاً پرهزینه بوده است. با ظهور مدلهای زبانی بزرگ، این هزینهها به میزان قابل توجهی در حال کاهش است، به طوری که انواع تخصصیتری از محاسبات امکانپذیر میشود.
محیط محاسباتی معمول ما معماری “فون نویمان” را فرض میکند که از CPUهای آشنا استفاده میکند: یک حافظه مشترک برای برنامهها و دادهها، واحد محاسباتی و واحد کنترل برنامه که به صورت سریال عمل میکنند. اکثر کامپیوترها از این سیستم استفاده میکنند چون برنامهنویسی مجدد آنها بسیار آسان است.
اما میدانیم که یک بدهبستان مهندسی واضح وجود دارد: میتوان الگوریتمها یا محاسبات بسیار خاص (مانند استخراج رمزارز، فشردهسازی دادهها یا رمزنگاریهای خاص) را طوری بهینه کرد که همان محاسبه ۵ تا ۱۰۰ برابر سریعتر و با ۱۰ تا ۱۰۰ برابر انرژی کمتر انجام شود.
با توجه به بهبودهای قابل توجهی که با FPGAها و ASICهای تخصصی ممکن است، استفاده از LLMها برای بهینهسازی این فرآیند احتمالاً نتایج بسیار مفیدی به همراه خواهد داشت و فرصتهای بزرگی برای استارتاپها ایجاد میکند.
۹. فینتک ۲.۰
دو سال گذشته دوران سختی برای استارتاپهای فینتک بود. سقوط بانک سیلیکون ولی باعث شد نهادهای ناظر بر استارتاپهای جدید سختگیری کنند و سرمایهگذاران از این حوزه فرار کنند. ما خوشبین هستیم که این وضعیت در حال تغییر است و اکنون زمان عالی برای راهاندازی یک استارتاپ فینتک است.
در گذشته، سختترین بخش راهاندازی یک استارتاپ مالی، دشواری توافق با یک بانک یا شریک دارای مجوزهای قانونی بود. اکنون در عصر جدیدی هستیم که با ظهور ارائهدهندگانی مانند Stripe و فناوریهای زیرساختی جدید مانند استیبلکوینها، این کار مدام آسانتر میشود.
ابزارهای هوش مصنوعی ناگزیر باعث تغییر سریع صنعت مالی خواهند شد و ما معتقدیم یک استارتاپ کوچک بدون سیستمها یا فرآیندهای قدیمی، مزیت ساختاری برای ساخت سریع محصولات مالی جهانیِ آینده را دارد.
ما معتقدیم این زمان ایدهآل برای شروع نسل جدیدی از شرکتهای فناوری مالی است که بر روی زیرساختهای موجود ساخته میشوند. ما تمایل داریم ایدههایی در زمینه بیمه، بانکداری سرمایهگذاری، مدیریت ثروت، پرداختهای بینالمللی و موارد دیگر را ببینیم.
۱۰. ابزارهای مهندسی به کمک هوش مصنوعی
ابزارهای مهندسی برای دنیای فیزیکی در طول دههها به سختی تکامل یافتهاند. نرمافزارهای CAD/CAM که مهندسان مکانیک استفاده میکنند، ابزارهای EDA برای طراحی مدار و تراشه که مهندسان برق به کار میبرند، و ابزارهای CFD برای تحلیل سیالات و حرارت که مهندسان هوافضا استفاده میکنند — همگی هنوز به حلکنندههای عددی پیچیده و شبیهسازیهای فیزیکی متکی هستند. اینها از نظر محاسباتی گران هستند و برای استفاده موثر، به آموزشهای عمیق و گاهی حتی مدرک دکترا نیاز دارند.
ما معتقدیم نسل بعدی ابزارهای قدرتگرفته از هوش مصنوعی این وضعیت را تغییر خواهد داد.
با قابلیتهای استدلالی که در مدلهای جدید هوش مصنوعی برای حل مسائل ریاضی و فیزیک تعبیه شده، میتوانیم مهندسان را آزاد کنیم تا سیستمهای فیزیکی مانند هواپیما، ساختمان، مدار، تراشه و ماهواره را سریعتر و بهتر از همیشه طراحی کنند و بسازند.
ما مشتاق دیدن بنیانگذارانی هستیم که ابزارهای مهندسی به کمک هوش مصنوعی (AI-aided Engineering) را به عنوان نسل جدید “مهندسی به کمک کامپیوتر” (CAE) برای هدایت این تحول میسازند.
۱۱- فروشگاه اپلیکیشن امن برای هوش مصنوعی (Secure AI App Store)
ما به دنبال نوع جدیدی از فروشگاه اپلیکیشن و لایه سیستمعامل (OS) هستیم که روی کامپیوتر یا گوشی شما قرار بگیرد. این سیستم باید ویژگیهای زیر را داشته باشد:
۱. حفاظت از دادههای کاربر: کاربران کنترل میکنند که هر اپلیکیشن چه اطلاعاتی را ببیند (مانند تقویم، فایلها یا تاریخچه مرورگر)، اما این دسترسی تنها در صورتی برقرار میشود که کاربر اجازه دهد.
۲. ارائه یک حافظه مشترک: تمام جزئیات شخصی شما (اولویتها، اقدامات گذشته، زمینهها و بافتارها) در این لایه باقی میماند و به جای اینکه در دهها اپلیکیشن پراکنده باشد، یکجا متمرکز میشود.
۳. کمک به کاربران برای یافتن بهترین اپلیکیشنهای هوش مصنوعی: این فروشگاه، هر ابزار هوش مصنوعی را بررسی و تأیید (Vet) میکند تا کاربران بتوانند آنها را با اطمینان کشف و نصب کنند.
۴. کمک به توسعهدهندگان در ساخت برنامه: توسعهدهندگان زیرساختهایی دریافت میکنند که به آنها کمک میکند از اختراع دوباره چرخ خودداری کنند. این زیرساختها در قالب APIهای ساده (مانند استفاده از کامپیوتر، نسخهبندی محلی مدلهای LLaMA و کنترل دسترسی در سطح اپلیکیشن) ارائه میشوند.
۵. مدیریت پرداختها: فرآیند پرداخت برای اپلیکیشنها یا خدمات پولی را آسان میکند.
یک هوش مصنوعیِ سفر را تصور کنید که در پیدا کردن پروازها عالی عمل میکند و میداند شما معمولاً با فرزند نهسالهتان سفر میکنید که عاشق خیره شدن به بیرون از پنجره است؛ یا یک دستیار هوش مصنوعی که وقتی در حال خواندن مقاله یا کتاب هستید، متن اصلی که آن ایده برای اولین بار در آن ظاهر شده را به شما پیشنهاد میدهد. اپلیکیشنهایی که در این فروشگاه ساخته میشوند، تنها به بخش بسیار کوچکی از دادههایی که شما اجازه میدهید دسترسی خواهند داشت.
ما به چنین سیستمی نیاز داریم تا هوش مصنوعی بتواند در عین قدرتمند بودن، حریم خصوصی را هم حفظ کند. برخی ممکن است بگویند شرکتهای بزرگ فناوری این را خواهند ساخت، اما اکنون زمانی است که به جای آنها، ممکن است «شما» سازنده آن باشید.
اگر این کار درست انجام شود، فرصتهای بیشتری برای استارتاپها و بنیانگذاران ایجاد خواهد شد: اپلیکیشنهای آنها با حافظه مشترک هوشمندتر میشوند و این سیستم به بازار جدیدی تبدیل میشود که هم مشکل توزیع و هم درآمدزایی را حل میکند. اگر در حال ساخت چنین چیزی هستید، لطفاً درخواست خود را ارسال کنید؛ ما مشتاقیم به شما کمک کنیم تا آن را به بهترین شکل پیش ببرید.
۱۲- انطباق و حسابرسی (Compliance and Audit)
تقریباً ۴ میلیون نفر در آمریکا و اروپا (حدود ۱ درصد از کل نیروی کار) در بخشهای انطباق (Compliance) و حسابرسی کار میکنند و هزینههای این بخش مدام در حال افزایش است. از قوانین GDPR گرفته تا Dodd-Frank، و از قوانین ضد پولشویی (AML/KYC) مالی گرفته تا گزارشهای ESG (محیطزیست، اجتماع و حاکمیت)، محیط نظارتی مدام در حال گسترش است.
وظایف سنتی در حوزه انطباق نیازمند خواندن مقررات سنگین، بررسی متقاطع اسناد سیاستها و رویههای داخلی، نمونهبرداری دستی از کارهای انجام شده و تولید گزارشهای تکراری است. حسابرسان اغلب میان حجم عظیمی از دادههای بدون ساختار (Unstructured Data) جستوجو میکنند تا مشکلات را شناسایی کنند. این گردشهای کاری دستی و زمانبر، به شدت نیازمند اتوماسیون هستند.
مدلهای زبانی بزرگ (LLMها) در این کار فوقالعاده هستند. آنها میتوانند اسناد نظارتی، سیاستهای شرکتی یا صورتهای مالی را تجزیه و تحلیل کرده و مشکلات را برجسته کنند و بدین ترتیب در زمان بررسیهای انسانی صرفهجویی کنند. این ابزارها بخش بزرگی از آزمایشهایی را که حسابرسان در حال حاضر به صورت دستی انجام میدهند، خودکار خواهند کرد: شناسایی ناهنجاریها در دادهها، تشخیص سوابق ناقص یا مشخص کردن سیاستهای متناقض.
به جای نمونهبرداری از چند سند محدود، یک مدل که به خوبی آموزش دیده باشد میتواند همه چیز را به طور همزمان بررسی کند و بدین ترتیب «حسابرسی مستمر» را برای هر شرکتی در جهان ممکن سازد.
۱۳- اتوماسیون مرورگر و کامپیوتر (Browser & Computer Automation)
عاملهای هوش مصنوعی (AI Agents) اکنون میتوانند در وب جستوجو کرده و از اپلیکیشنهای دسکتاپ استفاده کنند. ابزارهایی مانند Operator از OpenAI و Computer Use از Anthropic نشان دادند که این کار ممکن است و گزینههای متنباز عالی زیادی نیز وجود دارد.
اجازه دادن به عاملهای هوش مصنوعی برای استفاده از وب، مانند این است که یک «مغز در ظرف» را بردارید و به آن «دست» بدهید. حالا این مغز میتواند کارهایی انجام دهد.
این یعنی هر وبسایت و هر اپلیکیشنی اکنون به طور موثر دارای یک API است. یعنی هر گردش کاری که انسانها میتوانند روی کامپیوتر انجام دهند، قابل خودکارسازی است.
این موضوع احتمالاً موارد استفاده بالقوه برای عاملهای هوش مصنوعی را ۱۰ برابر میکند. ما بیصبرانه منتظریم ببینیم مردم با این تکنولوژی چه چیزی میسازند.
۱۴- کادر اداری شخصی هوش مصنوعی برای همه (AI Personal Staff for Everyone)
نرمافزار راهی اثباتشده برای ارائه خدماتی به عموم مردم است که پیش از این فقط ثروتمندان از عهده آن برمیآمدند. تا همین اواخر در سال ۲۰۰۹، تنها ثروتمندترین افراد جهان میتوانستند راننده شخصی داشته باشند، اما امروز Uber و اکنون Waymo، این امکان را برای همه فراهم کردهاند. مثال دیگر: وقتی من برای اولین بار روی پروژهای کار میکردم که بعدها به Google Photos تبدیل شد، تعجب کردم وقتی فهمیدم ثروتمندان افرادی را استخدام میکنند تا تمام عکسهایشان را بررسی، ویرایش، برچسبگذاری و سازماندهی کنند. ما هوش مصنوعی را ساختیم تا آن کار را برای میلیاردها نفر خودکار کند.
با وجود انفجار نرمافزاری در دهه گذشته، افراد ثروتمند هنوز کارکنان انسانی زیادی را برای ارائه خدمات شخصی استخدام میکنند. این خدمات شامل مواردی مثل حسابداران مالیاتی، وکلای شخصی و مدیران ثروت، و همچنین مربیان ورزشی، معلمان خصوصی و حتی پزشکان شخصی است. این لیست ادامه دارد. چرا فقط ثروتمندان میتوانند از پس این هزینهها برآیند؟ چون نرمافزار تا به حال نتوانسته بود جایگزین این نوع وظایفِ دانشیِ شخصیسازیشده شود… تا الان.
انتظار داریم طی چند سال آینده، هوش مصنوعی به قدری خوب شود که بتواند اکثر این مشاغل را انجام دهد. بنابراین اگر برای آوردن بخشی از این «کادر اداری شخصی هوش مصنوعی» به زندگی تمام انسانهای روی زمین تلاش میکنید، مشتاقیم از شما بشنویم.
۱۵- ابزارهای توسعه برای عاملهای هوش مصنوعی (Devtools for AI Agents)
در دو سال گذشته، ما بودجه بسیاری از استارتاپهایی را تأمین کردهایم که از هوش مصنوعی برای به چالش کشیدن بازیگران قدیمی استفاده میکنند.
اکنون شاهد ظهور موج بعدی هستیم: عاملهای هوش مصنوعی که فراتر از دستیار بودن برای انسان عمل کرده و میتوانند به طور مستقل تصمیمگیری کنند. با انتشار مدل o1 و به زودی o3، این عاملها در استدلال کردن به طرز قابل توجهی بهتر شدهاند و به آنها اجازه میدهند وظایفی را که توسط انسانها انجام میشد، کاملاً شبیهسازی کرده و حتی بهبود ببخشند.
عاملهای هوش مصنوعی در صنایع و زندگی روزمره ما فراگیر خواهند شد. جهانی را تصور کنید که در آن هر فرد توسط تیمی از عاملهای هوش مصنوعیِ متخصص توانمند شده است؛ تیمهایی که به صورت یکپارچه در پسزمینه کار میکنند تا بهرهوری و خلاقیت فرد را افزایش دهند.
برای سرعت بخشیدن به این آینده، ما به دنبال سرمایهگذاری روی استارتاپهایی هستیم که «ابزارهای توسعه» (Devtools) برای عاملهای هوش مصنوعی میسازند. اینها میتواند شامل موارد زیر باشد:
-
سازندگان عامل (Agent Builders): شرکتهایی که به مشتریان خود اجازه میدهند به راحتی عاملهای سفارشی بسازند و مستقر کنند، مانند Wordware یا Stack AI.
-
بلوکهای سازنده عامل: ابزارها، APIها یا پلتفرمهایی که قابلیتهای عاملها را تقویت کرده و آنها را قادر میسازند تا اقدامات پیچیدهتری انجام دهند و تأثیرگذاری بیشتری داشته باشند.
اگر در این حوزه فعالیت میکنید، مشتاقیم از شما بشنویم و به شما در شکلدادن به آینده نرمافزار کمک کنیم.
۱۶- آینده مهندسی نرمافزار (The Future of Software Engineering)
مدلهای زبانی همین حالا هم میتوانند بهتر از اکثر انسانها کدنویسی کنند. این اتفاق هزینه تولید نرمافزار را به سمت صفر میل میدهد.
آیا این یعنی عاملها شغل توسعهدهنده نرمافزار را از بین میبرند؟ خیر! در آینده به مهندسان نرمافزار انسانی بیشتری نیاز خواهیم داشت، زیرا نرمافزار قرار است تقریباً همه چیز را اداره کند.
این انسانها دیگر به طور مستقیم کد زیادی نخواهند نوشت؛ در عوض، آنها تیمهایی از عاملها را مدیریت خواهند کرد که برایشان نرمافزار میسازند. علاوه بر نوشتن کد، عاملها اکثر وظایف تخصصی دیگر مورد نیاز برای ساخت نرمافزار را انجام میدهند: تضمین کیفیت (QA)، استقرار (Deployment)، حسابرسیهای امنیتی و انطباق، ترجمه، عملیات و غیره.
ما میخواهیم روی استارتاپهایی سرمایهگذاری کنیم که گروههای کوچکی از توسعهدهندگان نرمافزار عمومی (Generalist) را قادر میسازند تا تیمهای بزرگی از عاملها را مدیریت کنند که با هم برای ساخت و عرضه انبوهی از نرمافزارها همکاری میکنند.
اگر علاقهمند به ساخت ابزارهایی برای آینده مهندسی نرمافزار هستید، مشتاقیم با شما در ارتباط باشیم.
۱۷- نرمافزار متنباز تجاری هوش مصنوعی (AICOSS)
در دنیای متنباز (Open Source) و استارتاپهای این حوزه، یک الگوی تکرارشونده وجود دارد. ابتدا سیستمعامل اختصاصی Unix را داشتیم، بعد Linux آمد و سپس RedHat شکل گرفت. ابتدا BitKeeper را داشتیم، بعد Git آمد و سپس Github و Gitlab ایجاد شدند.
فرصت عظیمی برای ساخت استارتاپهایی وجود دارد که پشتیبانی و خدماتی را ارائه میدهند تا به مردم در استفاده از هوش مصنوعی متنباز کمک کنند.
غیرمعمول نیست که سازمانی که کد متنباز را منتشر میکند، نخواهد روی ارائه پشتیبانی تجاری تمرکز کند. به عنوان مثال، گوگل و متا ابزارهای زیادی را متنباز کردهاند اما همیشه در کسبوکارِ ارائه پشتیبانی تجاری به شرکتها برای استفاده از آن ابزارها نیستند؛ و این موضوع فرصتی برای استارتاپها ایجاد کرده است.
برندگان زیادی در فضای هوش مصنوعی متنباز وجود خواهند داشت، اما عرضه DeepSeek باید فضای جدید و وسیعی را برای بنیانگذارانی فراهم کند که میخواهند به کسبوکارها در استفاده از این سیستمها کمک کنند.
اگر علاقهمند به فعالیت در حوزه هوش مصنوعی متنباز برای سازمانها و شرکتها هستید، ما میخواهیم از شما بشنویم.
۱۸- عاملهای کدنویسی هوش مصنوعی برای کدهای بهینهشده سختافزاری
سختافزار هوش مصنوعی هنوز تحت محدودیتهای نرمافزاری است. انویدیا عمدتاً به این دلیل تسلط دارد که کدهای دستی بهینهشده CUDA در مدلهای هوش مصنوعی استفاده میشوند. سختافزارهای رقیب (مثل AMD یا تراشههای سفارشی) اغلب نه فقط به دلیل تراشههای ضعیفتر، بلکه به این دلیل عملکرد پایینی دارند که نوشتن کدهای سطح سیستم (کرنلها، درایورها) بسیار دشوار است و مهندسان نرمافزار کافی روی آن کار نمیکنند.
با این حال، اکنون با وجود مدلهای استدلالی مانند DeepSeek R1 یا OpenAI o1 و o3، این مدلها میتوانند کدهای بهینهشده برای سختافزار تولید کنند که با کدهای CUDA که توسط انسان نوشته شده، رقابت کرده یا حتی از آن پیشی بگیرد.
ما بسیار مشتاقیم بنیانگذاران بیشتری را ببینیم که روی کرنلهای تولید شده توسط هوش مصنوعی کار میکنند تا جایگزینهای سختافزاری بیشتری برای هوش مصنوعی قابل استفاده شوند.
این موضوع فقط درباره عملکرد (Performance) نیست؛ بلکه درباره شکستن وابستگیهاست. بنیانگذارانی که روی این موضوع کار میکنند، میتوانند اکوسیستم سختافزار را بازتعریف کنند.
۱۹- B2A: نرمافزاری که مشتریان آن همگی عاملها خواهند بود
درصد قابل توجهی از ترافیک اینترنت شامل موجودات غیرانسانی است که در حال استخراج داده (Scraping) و جستوجوی اطلاعات هستند. این برنامهها اغلب برای پر کردن فرمها یا بررسی تغییرات، هویت انسان را جعل میکنند؛ چرا که اکثر مردم وبسایتها را برای کاربران انسانی میسازند نه برای استخراجکنندهها.
با ظهور هوش مصنوعی و عاملها، به نظر میرسد ایده خوبی است که نرمافزارها و خدماتی ساخته شوند که در آن، عاملها به عنوان «مشتری» به طور فعال پشتیبانی شده و مستندات لازم برای آنها فراهم شود، به جای اینکه یک مورد استثنائی و حاشیهای (Edge Case) در نظر گرفته شوند.
به عنوان مثال، APIهایی برای کمک به عاملها جهت پرداخت هزینههای میزبانی وب، رزرو سفر یا انعقاد قرارداد با طرفهای دیگر. در بازار سهام، به خوبی پذیرفته شده است که انسانها و برنامهها با هم در حال معامله هستند و در آینده، این روند فقط افزایش خواهد یافت.
اگر میخواهید خدماتی بسازید که هدف آن ارائه بهترین سرویس به «عاملها» باشد، ما میخواهیم از شما بشنویم.
۲۰- عاملهای هوش مصنوعی عمودی (Vertical AI Agents)
از سال ۲۰۰۵ تا ۲۰۲۰، اختراع وباپلیکیشنهای تعاملی موج عظیمی از شرکتهای B2B SaaS (نرمافزار به عنوان سرویس) را ایجاد کرد. بیش از ۱۰۰ شرکت یونیکورن در این حوزه شروع به کار کردند و تقریباً نیمی از کل سرمایهگذاریهای خطرپذیر به این دسته اختصاص یافت.
بسیار محتمل به نظر میرسد که در دهه آینده، شاهد موج موازی از شرکتهایی باشیم که «عاملهای هوش مصنوعی عمودی» میسازند.
عامل هوش مصنوعی عمودی چیست؟ این نرمافزاری است که بر پایه LLMها ساخته شده و به دقت تنظیم شده است تا بتواند نوعی کار واقعی و مهم را خودکار کند. در دورههای اخیر YC، شرکتهایی داشتیم که حسابدار مالیاتی هوش مصنوعی، صورتحسابنویس پزشکی هوش مصنوعی، عامل پشتیبانی تلفنی هوش مصنوعی، عامل انطباق هوش مصنوعی و تستکننده تضمین کیفیت هوش مصنوعی ساختهاند.
برخی قبلاً چنین ایدههایی را به تمسخر «پوستهای برای ChatGPT» (ChatGPT wrapper) مینامیدند، اما هیچکس که سعی کرده باشد چنین سیستمی را در محیط واقعی مستقر کند، چنین فکری نمیکند. ساخت سیستمهایی از این دست که در شرایط واقعیِ جهان کار کنند، نیازمند معماریهای عاملمحور واقعی، ادغام با سیستمهای قدیمی و درک عمیق از حوزه تخصصی (Domain) است.
به درستی کار کردنِ چنین سیستمهایی دشوار است، اما وقتی موفق شوید، رشد میتواند فوقالعاده باشد. ارزش پیشنهادیِ B2B SaaS این بود که بهرهوری کارگران انسانی را به تدریج افزایش دهد؛ اما ارزش پیشنهادیِ عاملهای هوش مصنوعی عمودی، «خودکارسازی کاملِ کار» است. عاملهای هوش مصنوعی عمودی که به عملکرد در سطح انسانی میرسند، به سرعت رشد میکنند.
کاملاً محتمل است که این فرصت به قدری بزرگ باشد که ۱۰۰ یونیکورن دیگر تولید کند. برای هر دستهبندی که یک شرکت موفق B2B SaaS در آن وجود دارد، میتوانید یک شرکت هوش مصنوعی عمودی حتی بزرگتر را تصور کنید.
در حالی که بسیاری از بنیانگذاران در حال حاضر روی این ایدهها در بدیهیترین دستهبندیها کار میکنند، ما فکر میکنیم در مقایسه با بزرگیِ این فرصت، این حوزه هنوز نسبتاً کشفنشده باقی مانده و دستهبندیهای بزرگ زیادی وجود دارند که هنوز لمس نشدهاند.
۲۱- زیرساختهای استنتاج هوش مصنوعی در دنیای «محاسبات زمانِ اجرا» (Test-Time Compute)
تا همین اواخر، بخش عمدهی بودجهی پردازشی صرف پیشآموزش (Pre-training) مدلهای پایه میشد. اما حالا با ظهور مدلهایی مثل Deepseek R1 و o1 و o3 از OpenAI، روند جدیدی در مقیاسپذیری شکل گرفته که نشان میدهد هنگام استفادهی واقعی اپلیکیشنها از این مدلها، به توان پردازشی بسیار بیشتری در مرحلهی «استنتاج» (Inference) نیاز خواهیم داشت.
با ۱۰ برابر یا حتی ۱۰۰ برابر شدن تعداد فراخوانیهای API توسط اپلیکیشنها به سمت مدلهای استدلالی پیچیده، هزینههای زیرساختی به یک مشکل جدی تبدیل خواهد شد.
اینجاست که استارتاپهای جدید وارد میدان میشوند. فضا برای بازسازی کل این پشته (Stack) مهیاست: از ابزارهای بهتر در لایهی استنتاج گرفته تا روشهای ارزانتر برای مدیریت بارهای کاری GPU و بهینهسازیهایی که به اپلیکیشنهای هوش مصنوعی اجازه میدهد بدون از دست دادن منابع مالی کلان، مقیاس خود را بزرگ کنند. این از آن دسته مشکلات «غیرجذاب اما حیاتی» است که معمولاً فرصتهای بزرگی خلق میکند.
۲۲- شرکتهای هوش مصنوعیِ تمامعیار (Full-stack)
من در YC مایلم روی بنیانگذارانی سرمایهگذاری کنم که در حال ساخت شرکتهای هوش مصنوعی «فولاستک» هستند. شاید بپرسید شرکت هوش مصنوعی فولاستک چیست؟ بگذارید مثالی بزنم.
فرض کنید باور دارید که مدلهای زبانی بزرگ (LLM) اکنون قادرند بسیاری از کارهای حقوقی را خودکارسازی کنند. شما دو راه دارید: میتوانید یک «عامل هوش مصنوعی» بسازید و آن را به شرکتهای حقوقی بفروشید (کاری که اکثر مردم انجام میدهند)؛ یا اینکه میتوانید شرکت حقوقی خودتان را راهاندازی کنید، کادر آن را با عاملهای هوش مصنوعی پر کنید و با شرکتهای حقوقی موجود رقابت کنید.
دوستان من، این یعنی «فولاستک» شدن. شما میتوانید این کار را در هر صنعتی انجام دهید، بهویژه صنایعی که در تسلط شرکتهای قدیمی و کند هستند. به جای فروختن ابزار به این دایناسورها، میتوانید باعث انقراض آنها شوید.
۲۳- هوش مصنوعی صوتی
انسانها به روشهای مختلفی با کسبوکارها تعامل دارند، اما یک روش در ۱۰۰ سال گذشته تغییر چندانی نکرده است: تماس تلفنی. احتمالاً شما هم انتظار طولانی پشت خط، منوهای صوتی تکراری و فشار دادن کلیدهای ستاره یا مربع را تجربه کردهاید. در نهایت هم همیشه میخواهیم با یک اپراتور انسانی صحبت کنیم چون جایگزینها اصلاً خوب نیستند.
اما مدلهای صوتی جدید و LLMهای محاورهای اکنون به طرز باورنکردنیای پیشرفت کردهاند. استارتاپهایی که از این مدلها بهره میبرند، در حال ساخت باتهای صوتی هستند که از انسان قابل تشخیص نیستند. این شگفتانگیز است و کلید اصلی این تحول، کیفیت بالای این مدلهاست.
امروزه سالانه بیش از یک تریلیون تماس بین کسبوکارها و مشتریان برقرار میشود. ما در YC دوست داریم به آینده سرک بکشیم، و صحبت با یک بات صوتی هوش مصنوعی دقیقاً مثل تجربه کردن آینده است؛ حسی شبیه به اولین باری که سوار یک ماشین خودران میشوید: فقط کارش را به درستی انجام میدهد.
۲۴- هوش مصنوعی برای پیشرفتهای علمی
بسیاری از ابزارهای نرمافزاری که در کاربردهای علمی مثل شیمی، زیستشناسی، علم مواد یا تحقیقات عملیاتی استفاده میشوند، دهههاست که تغییر نکردهاند. این ابزارها برای حل مسائل پیچیده در کشف دارو، بهینهسازی فرآیندهای شیمیایی، استخراج معادن یا بهینهسازی شبکههای برق، هنوز به روشهای استاندارد و حضور دکتراهای تخصصی متکی هستند.
بهویژه، «محاسبات زمانِ اجرا» (Test-time compute) در حال باز کردن مسیر برای نوع جدیدی از استارتاپهاست که میتوانند این مسائل علمی را حل کنند. ما مشتاقیم استارتاپهای بیشتری را ببینیم که با استفاده از هوش مصنوعی، نحوه ساخت چیزهای فیزیکی را سریعتر و کارآمدتر متحول میکنند.
۲۵- دستیار شخصی هوش مصنوعی
با وجود دههها تولید اپلیکیشنهای بهرهوری، ایمیلها هنوز انبار میشوند، تقویمها پر هستند و کارها ناتمام باقی میمانند. حتی بهترین ابزارهای سازماندهی فقط به ما کمک میکنند پیگیری کنیم چه کاری «باید» انجام شود، اما واقعاً آن را انجام نمیدهند. با پیشرفتهای اخیر در مدلهای زبانی، اکنون پتانسیل این را داریم که از «لیست کارهای در دست انجام» به «لیست کارهای انجام شده» برسیم.
من دوست دارم با استارتاپهایی کار کنم که نسل بعدی دستیار شخصی هوش مصنوعی را میسازند؛ سیستمی مبتنی بر LLM که کار، روتینها، سابقهی ارتباطات و ترجیحات شخصی شما را عمیقاً درک میکند. دستیاری را تصور کنید که حافظه کاملی از مکاتبات، پروژهها و اولویتهای زمانبندی شما دارد و میتواند از طرف شما اقدام کند.
به دستیاری فکر کنید که میداند شما معمولاً به چه نوع ایمیلهایی چگونه پاسخ میدهید و میتواند آن پاسخها را پیشنویس کند یا حتی با تایید شما ارسال کند. دستیاری که میداند کدام جلسات را معمولاً میپذیرید و کدام را رد میکنید، و میتواند هفتهی شما را طوری تنظیم کند که بهرهوری حداکثری و جابهجایی حداقلی داشته باشید. این سیستم کارهای تکراری را بدون نیاز به ورودی مداوم شما مدیریت میکند. این چیزی فراتر از فیلتر کردن پیامهاست؛ من به دنبال سیستمی هستم که واقعاً کارهایی را انجام دهد که یک دستیار انسانی یا مدیر دفتر انجام میدهد.
۲۶- معلم خصوصی هوش مصنوعی برای همه
ایده استفاده از کامپیوتر برای کمک به یادگیری، رویایی است که به دهه ۱۹۴۰ و ایدهی Memexِ «وانوار بوش» برمیگردد. رویای اصلی، ایجاد یک تجربهی یادگیری شخصیسازی شده برای هر فرد بوده، اما در عمل ساخت آن دشوار بود. اکثر محصولات آموزشی آنلاین، محتوای یکسانی را به همه ارائه میدهند.
اما امروز با هوش مصنوعی، فکر میکنیم بالاخره ساخت یک معلم خصوصی واقعی برای هر نفر ممکن شده است. قابلیتهای استدلالی جدید به این مدلها اجازه میدهد موضوعات پیچیده را گامبهگام و به زبان ساده توضیح دهند.
با چندرسانهای شدن (Multimodal) مدلهای پایه، آنها میتوانند مفاهیم را با تولید انیمیشن، دستکاری اشیاء سهبعدی و توضیحات صوتی ارائه دهند. ما پیش از این تاثیر معلمهای بزرگی مثل گرنت سندرسون (کانال 3blue1brown) را در سادهسازی مفاهیم پیچیده با بصریسازی دیدهایم. حالا تصور کنید همان کیفیت آموزشی برای هر موضوعی، متناسب با نیاز هر یادگیرنده و به صورت تعاملی در دسترس باشد. این میتواند جهان را تغییر دهد.
۲۷- ابزار ساخت عاملهای داخلی (Internal Agent Builder)
بهزودی تمام شرکتها یک وجه اشتراک خواهند داشت: هر کارمند برای خود «عاملهایی» (Agents) خواهد ساخت تا بخشهای تکراری شغلش را خودکار کند. ما میخواهیم روی بنیانگذارانی سرمایهگذاری کنیم که زیرساخت این کار را میسازند.
یک «عاملساز داخلی» ابزاری است که من میتوانم از آن برای ساخت عاملی جهت انجام کارهای خستهکننده استفاده کنم. این زیرساخت باید به تمام نرمافزارهای دیگری که روزانه استفاده میکنم دسترسی داشته باشد، مجوزها را مدیریت کند و دادههای حساس را بهصورت امن به مدلهای هوش مصنوعی ارسال کند.
ما نسخهای از این را در YC ساختهایم و هماکنون برای کاهش زمان صرف شده در کارهایی مثل بررسی قراردادها تا گردش کارهای حسابداری از آن استفاده میکنیم. این کار ما را از امور روزمره آزاد میکند تا وقت خود را صرف کارهایی کنیم که انسانها در آن منحصربهفرد هستند؛ در مورد من، این یعنی وقت گذراندن با بنیانگذاران!
۲۸- آزمایشگاههای تحقیقاتی هوش مصنوعی
ما در YC میخواهیم روی آزمایشگاههای تحقیقاتی هوش مصنوعی بیشتری سرمایهگذاری کنیم. شاید خیلیها ندانند، اما YC اولین سرمایهگذار OpenAI بود. در واقع OpenAI کار خود را به عنوان “YC Research” آغاز کرد. آنها مفهوم آزمایشگاههای تحقیقاتی مستقل را پیش بردند و ما از نزدیک شاهد تمام این مسیر بودیم.
با وجود کارهای فوقالعاده OpenAI، هنوز مسائل حلنشدهی زیادی در هوش مصنوعی وجود دارد و فرصت برای آزمایشگاههای جدید فراوان است. گاهی مردم فکر میکنند برای حضور در YC باید محصولی داشته باشید که طی ۳ ماه عرضه شود؛ اما در واقع ما مشتاق حمایت از تحقیقات عمیق و پایانبازی هستیم که ممکن است سالها طول بکشد تا تجاری شود، درست مثل OpenAI.
۲۹- دستیارهای صوتی هوش مصنوعی برای ایمیل
من میخواهم با تیمهایی ملاقات کنم که میتوانند به من کمک کنند صندوق ورودی ایمیلهایم را فقط با استفاده از «صدا» مدیریت کنم.
هر روز ۲۰ دقیقه تا محل کار رانندگی میکنم و همیشه آرزو میکنم ای کاش میتوانستم از این زمان برای دستهبندی ایمیلها، پیشنویس پاسخها و واگذاری جلسات استفاده کنم. چه میشود اگر همهی ما وقتی به محل کار میرسیم، ایمیلهایمان تمام و کمال پاسخ داده شده باشد؟
اگر از ابزارهایی مثل ChatGPT Advanced Voice استفاده کرده باشید، میدانید که این عاملهای صوتی چقدر خوب شدهاند. کاربرد آنها بسیار فراتر از زمان رانندگی است. من خودم تجربه کردم که وقتی دستهایم آسیب دید، متوجه شدم چقدر هنوز برای ابتداییترین کارها به کیبورد وابستهایم. ایمیل بهترین نقطه شروع برای ساخت یک دستیار همهکاره است چون با دسترسی به اینباکس، هوش مصنوعی دوستان، برنامهها و سبک نگارش شما را میشناسد.
۳۰- هوش مصنوعی برای امور مالی شخصی
اکثر انسانها در مورد مسائل مالی خود کاملاً منطقی عمل نمیکنند. اما زندگی هزینههایی دارد و تصمیماتی را میطلبد: چقدر پسانداز کنم؟ کجا سرمایهگذاری کنم؟ با مالیات و بدهی چه کنم؟ پاسخ به این سوالات، آزادی عمل شما در آینده را تعیین میکند.
تا امروز، راهحلها یا پرسیدن از دوستان بوده، یا گوگل کردن و یا استخدام مشاور مالی گرانقیمت. این گزینهها یا سوگیری دارند یا تصویر کاملی از وضعیت شما ندارند.
با مدلهای زبانی بزرگ، فرصتی بینظیر برای ساخت نرمافزاری فراهم شده که به هر فرد اجازه میدهد با هزینهای نزدیک به صفر، به مشاوره مالی، سرمایهگذاری و مالیاتی شخصیسازی شده دسترسی داشته باشد. این سیستم با دسترسی به دادههای مالی شما، مشاورهای کاملاً شخصی و بدون سوگیری ارائه میدهد. اگر به دنبال ساخت چنین چیزی هستید، حتماً برای دورهی تابستانی YC درخواست دهید.
۳۱- بازآموزی کارگران برای اقتصادِ هوش مصنوعی
ما معمولاً درباره انقلاب هوش مصنوعی از منظر مدلها، تراشهها و نرمافزارها صحبت میکنیم. اما برای اینکه این انقلاب به واقعیت تبدیل شود، نیاز به ساختوساز گستردهای در زیرساختهای فیزیکی مانند مراکز داده (Data Centers) و کارخانههای تولید نیمههادی داریم.
و اینجاست که با یک مشکل مواجه هستیم. در حالی که تمام تمرکز ما روی رقابت برای جذب استعدادهای هوش مصنوعی است، با کمبود شدید نیروهای فنی ماهر (مانند برقکارها، تکنسینهای تهویه مطبوع و جوشکارها) روبرو هستیم؛ افرادی که برای ساخت این زیرساختهای فیزیکی حیاتی هستند.
برنامه اقدام جدید دولت در حوزه هوش مصنوعی، یک نیروی محرک برای حل این مسئله ایجاد کرده است. تأکید زیادی بر دستور کار «اولویت با کارگر» وجود دارد و به وزارتخانههای کار و بازرگانی دستور داده شده تا برنامههای بازآموزی سریع را برای این نوع مشاغل یدی تأمین مالی کنند.
این موضوع فرصتهایی را برای استارتاپها ایجاد میکند. ما میخواهیم روی استارتاپهایی سرمایهگذاری کنیم که نوع جدیدی از مدارس فنیوحرفهای را برای اقتصاد هوش مصنوعی میسازند تا مردم را برای این مشاغل آموزش دهند. فکر میکنیم میتوان از هوش مصنوعی برای ایجاد برنامههای آموزشی شخصیسازیشده استفاده کرد تا افراد به جای چند سال، ظرف چند ماه آماده ورود به بازار کار شوند.
چالش اصلی این است: چگونه میتوان جوشکاری یا لولهکشی را از طریق هوش مصنوعی آموزش داد؟ برخلاف برنامهنویسی، شما نمیتوانید این مهارتها را با تایپ کردن روی کیبورد یاد بگیرید؛ بلکه باید با تمرین در دنیای واقعی آنها را بیاموزید.
اینجاست که هوش مصنوعی چندوجهی (Multimodal AI) فرصتساز میشود. برای مثال، شاید یک هوش مصنوعی صوتی بتواند فرد را در حین انجام این وظایف راهنمایی کند. یا شاید ترکیبی از واقعیت افزوده و مجازی (AR/VR) به افراد اجازه دهد تا در یک محیط شبیهسازی شده تمرین کنند، در حالی که یک معلم هوش مصنوعی با استفاده از مدلهای بینایی، آنها را تماشا کرده و بازخورد میدهد.
روش درآمدزایی این کسبوکار هم روشن است: کارفرمایان برای استخدام نیروهای آموزشدیدهی شما هزینه پرداخت خواهند کرد. در گذشته، این نوع کسبوکارهای آموزشی (مثل بوتکمپهای برنامهنویسی) برای گسترش یافتن با مشکل مواجه بودند، چون مقیاسپذیر کردنِ کیفیتِ معلمان انسانی سخت بود؛ اما هوش مصنوعی میتواند این مشکل را هم حل کند. اگر بتوانید یک معلم هوش مصنوعیِ کارآمد بسازید، آن معلم به صورت نامحدود تکثیرپذیر خواهد بود.
۳۲- تولید ویدیو به عنوان یک «عنصر بنیادین» (Primitive)
مدلهای تولید ویدیو به طرز شگفتآوری در حال پیشرفت هستند. مدل Veo 3 گوگل همین حالا هم ویدیوهای ۸ ثانیهای، واقعگرایانه و با صدا را تنها با چند دلار تولید میکند که اغلب از واقعیت قابل تشخیص نیستند. بهزودی شما قادر خواهید بود ویدیوهای تقریباً بینقصی از هر چیزی را در لحظه و با هزینهای نزدیک به صفر تولید کنید و ویدیو به یک واحد سازندهی اصلی در نرمافزارها تبدیل خواهد شد.
وقتی این اتفاق بیفتد، ایدههای جدید زیادی ممکن میشوند. این روند قطعاً دنیای رسانه و سرگرمی را تغییر خواهد داد: تصور کنید بتوانید یک فصل کاملاً جدید از سریال محبوبتان که پخش آن متوقف شده را بسازید. یا یک کارتون اختصاصی برای کودکانتان که اعضای خانواده خودتان شخصیتهای آن باشند. یا نسخهای از تیکتاک که در آن هر ویدیو دقیقاً برای «یک بیننده» ساخته شده است.
تولید ویدیو همچنین نحوه خرید کردن ما را تغییر میدهد: تصور کنید هنگام خرید آنلاین، بتوانید خودتان را در حالی که آن لباسها را پوشیدهاید یا از آن محصولات استفاده میکنید، ببینید. یا هنگام جستجوی آپارتمان، وسایل زندگی شما به صورت خودکار در هر آگهی چیده شده باشد.
این عنصر جدید، تغییرات بزرگی در صنعت بازی و شبیهسازی نیز ایجاد میکند: ما بازیهای ویدئویی خواهیم داشت که بدون موتور بازیسازی (Game Engine) ساخته شدهاند. ما APIهایی خواهیم داشت که دادههای آموزشی نامحدودی برای رباتها تولید میکنند. و قطعاً میتوانیم با عزیزانمان، مدتها پس از رفتنشان، تماس تصویری داشته باشیم.
ما به دنبال بنیانگذارانی هستیم که با ویدیوهای تولیدی (Generative Video) نه به عنوان یک «خروجی»، بلکه به عنوان یک «عنصر محاسباتی اولیه» برخورد کنند و اپلیکیشنها و ابزارهای جدیدی برای دنیایی بسازند که در آن دسترسی به ویدیوی بدون تأخیر و نامحدود فراهم است.
۳۳- اولین شرکت ۱۰۰ میلیارد دلاری با ۱۰ کارمند
به لطف ابزارهای جدید هوش مصنوعی، معتقدیم اکنون برای تیمهای کوچک و بسیار توانمند (حتی بنیانگذاران انفرادی) ممکن شده است که شرکتهایی چند میلیارد دلاری را با بودجهای ناچیز (حتی در حد ۵۰۰ هزار دلار سرمایه YC) بسازند.
۱۵ سال پیش، رایانش ابری (Cloud Computing) آمد و نیاز به صرف هزینههای گزاف برای زیرساختهای فیزیکی سرور را از بین برد و ساخت شرکتهای بزرگ با سرمایه بسیار کمتر را آسانتر کرد. اکنون این اتفاق دوباره در حال رخ دادن است؛ این بار با ابزارهای جدید هوش مصنوعی که به بنیانگذاران بلندپرواز اجازه میدهد با تعداد نفرات بسیار کمتری مقیاس کار خود را بزرگ کنند.
به همین دلیل، بهترین استارتاپهای آینده همگی روی یک معیار تمرکز خواهند کرد: «درآمد به ازای هر کارمند».
این تیمهای کوچک مزایای فوقالعادهای نسبت به شرکتهای بزرگ و لخت (Bloated) دارند. آنها درگیر بازیهای سیاسی، جلسات بیش از حد و عدم تمرکزی که شرکتهای غولپیکر را متوقف میکند، نمیشوند. آنها فقط میتوانند روی برنده شدن با سرعت و اجرای بهتر تمرکز کنند. ما میخواهیم روی این بنیانگذاران سرمایهگذاری کنیم تا به آنها کمک کنیم اولین شرکت ۱۰۰ میلیارد دلاریِ ۱۰ نفره را بسازند.
۳۴- زیرساخت برای سیستمهای چندعاملی (Multi-Agent)
عاملهای هوش مصنوعی در حال تکامل از حلقههای تکرشتهای به گردش کارهای توزیعشدهای هستند که در یک اجرا، فراخوانیهای متعددی را به زیر-عاملهای مختلف میفرستند. این سیستمهای چندعاملی برای همهچیز مفید هستند؛ از گردش کارهای طولانی گرفته تا پردازشهای سنگین داده که در آن صدها هزار زیر-عامل، قضاوتی در سطح انسانی را برای فیلتر و جستجو در حجم عظیمی از دادهها به صورت موازی به کار میگیرند.
ساخت این سیستمها دشوار است. آنها نیازمند حل چالشهای سنتی سیستمهای توزیعشده (Distributed Systems) هستند تا از کارایی و قابلیت اطمینان بالا اطمینان حاصل شود و همزمان هزینهها کنترل گردند.
این سیستمها همچنین مشکلات جدیدی را معرفی میکنند که اگرچه آشنا به نظر میرسند، اما باید در سطح بالاتری از انتزاع حل شوند؛ مسائلی مثل:
-
چگونه دستورات (Prompts) موثری برای عاملها و زیر-عاملها بنویسیم؟
-
چگونه محتوای غیرقابل اعتماد (Untrusted context) را مدیریت کنیم؟
-
چگونه این عاملها را مانیتور و عیبیابی کنیم؟
ما به دنبال سازندگانی هستیم که این دردها را در مرحله تولید حس کردهاند و میخواهند ابزارهایی بسازند که مدیریت ناوگانی از عاملها را به اندازه استقرار یک سرویس وب یا اجرای یک تسک Spark، روتین و قابل اطمینان کند.
۳۵- نرمافزارهای سازمانیِ بومیِ هوش مصنوعی (AI Native)
شرکتهای Salesforce و ServiceNow دو تا از بزرگترین فروشندگان نرمافزار سازمانی در جهان هستند که هر کدام سالانه بیش از ۱۰ میلیارد دلار درآمد دارند. جالب اینجاست که هر دو حدود ۲۵ سال پیش تأسیس شدهاند. این تصادفی نیست! Salesforce اولین سیستم CRM مبتنی بر ابر و ServiceNow اولین سیستم مدیریت خدمات IT (ITSM) مبتنی بر ابر را ساختند. هر دو با موج رایانش ابری همراه شدند تا بر رقبای قدیمی خود پیروز شوند.
بنیانگذاران آن زمان متوجه شدند که مدل SaaS (نرمافزار به عنوان سرویس) راهی برای ساخت محصولی ۱۰ برابر بهتر ارائه میدهد. به همان اندازه مهم، آنها میدانستند که شرکتهای قدیمی برای سازگاری با دنیای جدید ابری به سختی خواهند افتاد و این به استارتاپها برتری لازم برای پیروزی را داد.
امروز هوش مصنوعی همان فرصت «یک بار در نسل» را برای بنیانگذاران فراهم کرده است. سیستمهای نرمافزاری سازمانی فردا فقط «سیستم ثبت سوابق» کارهای انسانی نخواهند بود؛ بلکه هوش مصنوعی در تمام بخشهای آنها به شکلی عمیق و هوشمندانه تعبیه خواهد شد تا به کارمندان کمک کند کارهایشان را سریعتر و دقیقتر انجام دهند. چیزی شبیه به ابزار Cursor اما برای حوزههای فروش، منابع انسانی و حسابداری.
۳۶- استفاده از LLMها به جای مشاوران دولتی
دولت ایالات متحده سالانه بیش از ۱۰۰ میلیارد دلار صرف مشاوره میکند. همانطور که میتوانید تصور کنید، این بخش کارآمدترین یا نوآورانهترین بخش اقتصاد ما نیست.
اما به چند دلیل بزرگ، معتقدیم این وضعیت تغییر خواهد کرد. مهمتر از همه، امروزه فشار سیاسی برای قطع هزینههای مشاورهای و مخارج بیهوده وجود دارد. امروزه تمام بخشهای دولت با نرمافزار کار میکنند، اما معمولاً نرمافزارهای سفارشی که توسط شرکتهای مشاوره ساخته شدهاند و هر کسی از آنها استفاده کرده، میداند که ما میتوانیم خیلی بهتر عمل کنیم. در نهایت، مدلهای زبانی بزرگ (LLM) امروزه به قدری خوب هستند که میتوانند وظایف بسیاری از شرکتهای مشاوره را انجام دهند.
ما به دنبال سرمایهگذاری روی استارتاپهایی هستیم که نرمافزارهای مبتنی بر LLM میسازند تا کارهایی را انجام دهند که امروزه شرکتهای مشاورهای مانند Deloitte و Accenture برای دولت انجام میدهند.
۳۷- ابزار Cursor برای مدیران محصول (Product Managers)
در چند سال اخیر، شاهد انفجار ابزارهای هوش مصنوعی برای کدنویسی بودهایم. ابزارهایی مثل Cursor و Claude Code در کمک به تیمها برای ساخت نرمافزار (زمانی که مشخص باشد چه چیزی باید ساخته شود) عالی هستند.
اما نوشتن کد تنها بخشی از ساخت محصولی است که مردم میخواهند. مهمترین بخش این است که بفهمیم اصلاً چه چیزی باید ساخته شود! خروجی این فرآیند در گذشته اسنادی مثل PRD، طرحهای فیگما و تیکتهای جیرا بوده است؛ آثاری که برای انتقال قصد و نیت به مهندسان انسانی طراحی شده بودند.
امروزه تیمها از هوش مصنوعی در بخشهای جداگانه این فرآیند استفاده میکنند، اما سیستمی وجود ندارد که از کل چرخه «کشف محصول» (Product Discovery) پشتیبانی کند. ابزاری را تصور کنید که مصاحبههای مشتریان و دادههای استفاده از محصول را در آن آپلود میکنید و میپرسید: «بعد از این چه بسازیم؟» و او طرح ویژگی جدید را همراه با توضیحات مستدل بر اساس بازخورد مشتریان به شما تحویل میدهد. این ابزار تغییرات خاص در رابط کاربری، مدل داده و گردش کار را پیشنهاد داده و وظایف توسعه را برای عامل کدنویسی شما خرد میکند.
ما فکر میکنیم فرصتی برای ساخت یک «Cursor برای مدیریت محصول» وجود دارد؛ یک سیستم بومی هوش مصنوعی که روی کمک به تیمها برای «فهمیدن اینکه چه بسازند» تمرکز دارد، نه فقط «چگونه ساختن آن».
۳۸- صندوقهای پوشش ریسک بومی هوش مصنوعی (AI-Native Hedge Funds)
در دهه ۱۹۸۰، گروه کوچکی از صندوقها شروع به استفاده از کامپیوتر برای تحلیل بازار کردند. در آن زمان این کار احمقانه به نظر میرسید، اما امروز معاملهگری کمی (Quantitative Trading) امری بدیهی است. ما اکنون در نقطه عطف مشابهی هستیم و نسل بعدی شرکتهای بزرگ مالی مثل Renaissance و D.E. Shaw بر پایه هوش مصنوعی بنا خواهند شد.
بزرگترین صندوقهای جهان در تطبیق خود با این شرایط کند بودهاند. من به عنوان محقق کمی در یکی از این صندوقها کار میکردم و وقتی از بخش انطباق (Compliance) خواستم اجازه دهند از ChatGPT استفاده کنیم، حتی پاسخی دریافت نکردم.
این موضوع برای من روشن کرد که صندوقهای پوشش ریسک آینده، هوش مصنوعی را فقط به استراتژیهای فعلی خود نمیچسبانند؛ بلکه از آن برای ابداع استراتژیهای کاملاً جدید استفاده خواهند کرد. «آلفا» (سود مازاد) واقعی در همینجاست.
همین حالا هم انبوهی از عاملهای کلاود (Claude) در حال نوشتن کدهای ما هستند. تصور کنید دستههایی از عاملها همان کاری را انجام دهند که معاملهگران صندوقها اکنون انجام میدهند: بررسی دقیق گزارشهای مالی (۱۰-Ks)، کنفرانسهای سوددهی و پروندههای SEC، ترکیب ایدههای تحلیلگران و انجام معاملات. یک صندوق بومی هوش مصنوعی اولین شرکتی خواهد بود که این کار را به درستی انجام میدهد.
۳۹- آژانسهای بومی هوش مصنوعی (AI-Native Agencies)
مقیاسپذیر کردن آژانسها (تبلیغاتی، طراحی و غیره) همیشه بسیار سخت بوده است. حاشیه سود پایین، کار دستیِ کُند و تنها راه رشد، اضافه کردن نیروی انسانی بیشتر بوده است. اما هوش مصنوعی این وضعیت را تغییر میدهد.
اکنون به جای فروختن نرمافزار به مشتریان برای کمک به انجام کار، میتوانید با استفاده از خودِ نرمافزار، محصول نهایی را با قیمتی بسیار بالاتر بفروشید و سود بسیار بیشتری کسب کنید.
یک شرکت طراحی را تصور کنید که از هوش مصنوعی برای تولید کارهای سفارشی پیش از امضای قرارداد استفاده میکند تا پروژه را برنده شود. یا یک آژانس تبلیغاتی که ویدیوهای خیرهکننده را بدون هزینه و زمانِ فیلمبرداری فیزیکی میسازد. یا یک شرکت حقوقی که اسناد قانونی را به جای هفتهها، در چند دقیقه مینویسد.
به همین دلیل، آژانسهای آینده بیشتر شبیه شرکتهای نرمافزاری با همان حاشیه سودهای بالا خواهند بود و بسیار بزرگتر از آژانسهای پراکنده امروزی رشد خواهند کرد.
۴۰- هوش مصنوعی برای دولت (AI for Government)
موج اول شرکتهای هوش مصنوعی به مردم کمک کرد تا فرمها و درخواستهای آنلاین را با سرعت و دقت بیسابقهای پر کنند. در مقابل، بسیاری از این فرمها توسط دولتهای محلی و فدرال دریافت میشوند، جایی که در حال حاضر آنها را چاپ کرده و به صورت دستی پردازش میکنند.
دولتها به شدت به ابزارهای هوش مصنوعی نیاز دارند تا با افزایش حجم درخواستها مقابله کنند. مزیت این کار، تبدیل دولت به نهادی بسیار مقرونبهصرفه و پاسخگو است. ما نشانههایی از این دولت دیجیتال را در جاهایی مثل استونی دیدهایم، اما باید آن را به بقیه جهان گسترش دهیم.
این نوع استارتاپ برای افراد ضعیف نیست؛ فروش به دولت بسیار سخت است، اما وقتی اولین مشتری را جذب کنید، آنها بسیار وفادار میمانند و قراردادها میتوانند به مبالغ کلانی ختم شوند.
۴۱- راهنمایی هوش مصنوعی برای کارهای فیزیکی
آن صحنه در فیلم «ماتریکس» را یادتان هست که نئو کابلی را به پشت سرش وصل میکند و کمی بعد بیدار میشود و میگوید «من کونگفو بلدم»؟ کارهای فیزیکی در آستانه تجربه چیزی مشابه هستند؛ نه از طریق ایمپلنت مغزی، بلکه از طریق راهنماییِ لحظهای هوش مصنوعی.
بسیاری از گفتگوها درباره هوش مصنوعی بر این است که کدام شغلهای پشتمیزی جایگزین میشوند. اما در کارهای فیزیکی (مانند خدمات میدانی، تولید و مراقبتهای بهداشتی)، هوش مصنوعی هنوز نمیتواند در دنیای واقعی عمل کند، اما میتواند ببیند، استدلال کند و انسانی را که کار را انجام میدهد، راهنمایی کند.
تصور کنید دوربینی به تن دارید و هوش مصنوعی آنچه شما میبینید را میبیند و در حین کار با شما صحبت میکند: «آن شیر را ببند»، «از آچار ۳/۸ اینچی استفاده کن»، «آن قطعه فرسوده به نظر میرسد، تعویضش کن». به جای ماهها آموزش، کارگران میتوانند بلافاصله با مربیگری هوش مصنوعی موثر واقع شوند. سختافزارها (گوشی، ایرپاد، عینک هوشمند) آمادهاند و کمبود نیروی کار ماهر، این موضوع را از نظر اقتصادی فوری کرده است.
۴۲- مدلهای فضایی بزرگ (Large Spatial Models)
مدلهای زبانی بزرگ (LLM) محرک اکثر پیشرفتهای اخیر بودهاند، اما تاثیر آنها محدود به حوزههایی است که با زبان بیان میشوند. باز کردن موج بعدی توانمندیهای هوش مصنوعی نیازمند مدلهایی است که قادر به «استدلال فضایی» باشند.
سیستمهای امروزی در کارهای فضایی محدود (مثل تخمین عمق) عمل میکنند، اما نمیتوانند به طور جدی درباره دستکاری اشیاء، ویژگیهای ۲بعدی و ۳بعدی و روابط آنها استدلال کنند. این امر قدرت هوش مصنوعی را در تعامل با دنیای فیزیکی محدود میکند.
فرصتی برای ساخت مدلهای استدلال فضایی بزرگ وجود دارد که با هندسه و ساختار فیزیکی به عنوان عناصر اصلی برخورد کنند. شرکتی که در این زمینه موفق شود، میتواند تعریفکننده نسل بعدی مدلهای پایه، در ابعاد OpenAI یا Anthropic باشد.
۴۳- زیرساخت برای شکارچیان تقلب در دولت
ما میخواهیم استارتاپهایی را تامین مالی کنیم که تحقیقات تقلب دولتی را به عصر مدرن میآورند. دولت بزرگترین مشتری روی زمین است و سالانه تریلیونها دلار هزینه میکند که بخش زیادی از آن صرف تقلب میشود؛ برای مثال، Medicare سالانه دهها میلیارد دلار به دلیل پرداختهای نادرست از دست میدهد.
در حال حاضر، فرآیند پیگیری این تقلبها بسیار کند است: یک فرد مطلع به شرکت حقوقی اطلاع میدهد و سپس آن شرکت ماهها یا سالها صرف بررسی دستی اسناد میکند. این فرآیند باید با نرمافزارهای هوشمند تسریع شود تا فایلهای PDF نامنظم را تجزیه کرده و ساختارهای شرکتی پیچیده را ردیابی کند. اگر بتوانید بازیابی پولهای تقلب شده را ۱۰ برابر سریعتر کنید، میلیاردها دلار به مالیاتدهندگان بازمیگردد.
۴۴- آسانسازی آموزش مدلهای زبانی بزرگ (LLM)
آموزش مدلهای زبانی بزرگ هنوز به طرز عجیبی دشوار است. ابزارها با وجود تمام توجهی که به هوش مصنوعی شده، به ندرت بهبود یافتهاند. ما زمان زیادی را صرف سر و کله زدن با SDKهای خراب یا باگهای ابزارهای متنباز میکنیم.
من دوست دارم از محصولاتی استفاده کنم که آموزش LLM را آسان میکنند؛ مانند:
-
APIهایی که آموزش را انتزاعی و ساده میکنند.
-
دیتابیسهایی برای مدیریت آسان مجموعهدادههای بسیار بزرگ.
-
محیطهای توسعهای که با ذهنیتِ تحقیق در حوزه یادگیری ماشین ساخته شدهاند.
منبع: استارتاپ لب
