Tvorac YugoGPT-a preselio se u Ameriku, ima novi startap i podigao je $23 miliona!

Prošle godine predstavili smo vam YugoGPT, najveći LLM jezički model za južnoslovenske jezike. Njegov tvorac, Aleksa Gordić – nekadašnji zaposleni u kompaniji Google DeepMind – izneo nam je tada svoju viziju ekonosmkog napretka zemalja koje bi – uz vlastiti veliki jezički model – mogle da ponude bolja i jeftinija softverska rešenja na svom jeziku.

Međutim, nakon tog inicijalnog intervjua, dugo nismo čuli nikakve novosti vezane za ovaj projekat. Sve dok, pre nekoliko dana nismo videli vest da Aleksa ima novi venture u San Francisku, gde odnedavno i živi.

YugoGPT i regionalni jezički modeli stavljeni su na stand by, a njegov novi startap P-1 AI ima misiju da razvije inženjersku veštačku opštu inteligenciju (AGI) namenjenu fizičkom, odnosno “izgrađenom” svetu. To jest, razvija AGI sistem koji može da doprinese razvoju složenih inženjerskih sistema kao što su avioni, automobili i HVAC sistemi.

Aleksini suosnivači dolaze iz avio industrije, odnosno iz kompanije Airbus gde su bili na rukovodećim pozcijama. U pitanju su Pol Eremenko (bivši CTO kompanija Airbus i UTC) i Adam Nejdžel (bivši direktor inženjeringa u Airbusu).

Ali, to nije sve! Njihov startap nedavno je zatvorio seed rundu finansiranja od 23 miliona dolara, koju je predvodio fond Radical Ventures, poznat po ulaganju u neke od vodećih AI kompanija, uključujući i startap Fei-Fei Li.

Među anđelima investitorima nalaze se i Džef Din (Google DeepMind), Piter Velinder (potpredsednik za proizvode u OpenAI), kao i niz drugih poznatih imena iz sveta tehnologije. P-1 AI trenutno širi svoj tim i infrastrukturu – novi ofis otvoren je u San Francisku, u neposrednoj blizini nekadašnje kancelarije OpenAI-ja.

A, kako je do svega toga došlo – od napuštanja ideje o YugoGPT-u, preko preseljenja u Ameriku, do osnivanja novog startapa – ispričaće vam Aleksa Gordić u razgovoru koji sledi. Takođe, upoznaćete Arčija – AI sistem koji uči da postane junior u timu!

Aleksa, long time no see. Za početak, otkud ti u Americi?

Aleksa: Moj san da postanem tehnološki preduzetnik seže već deceniju unazad, a još od 2023. godine planiram da se aktivno preselim u San Francisko. San Francisko je mesto gde nastaju najuspešnije svetske tehnološke i AI kompanije.

Kada sam 2022. godine prvi put posetio Guglovo sedište u Mauntin Vjuu, dok sam još radio za Google DeepMind, potpuno sam se zaljubio u grad – pre svega u njegovu energiju i ljude koji u njemu žive. Za mene je San Francisko jedan od najlepših gradova na svetu (a do sada sam posetio skoro 40 zemalja).

Oduvek sam razmišljao globalno – fokus na regionalne kompanije bio je izuzetak, a ne pravilo. Dok sam radio u DeepMindu, živeo sam u Londonu godinu i po dana. Prakse sam pre toga obavljao u Nemačkoj i Brazilu.

Pre nego što pređemo na novi venture, šta se desilo sa YugoGPT-om?

Aleksa: YugoGPT, kao i Runa AI, kompanija koju sam kasnije osnovao, predstavljali su zanimljiv eksperiment – primetio sam da postoji nedovoljna posvećenost jezičkim modelima van engleskog i kineskog jezika. Na osnovu tog uvida odlučio sam da testiram hipotezu: koliko su ovakve tehnologije zapravo važne za kompanije i države?

YugoGPT je bio prvi, ali samo jedan u nizu regionalnih jezičkih modela koje sam planirao da treniram. Cilj mi je bio da oko njih razvijem API i aplikacionu platformu koju bih prodavao državama i regionalnim kompanijama. YugoGPT i SlovenianGPT bili su uspešni sa tehnološkog aspekta, ali s poslovne strane – pokušaj da se prodaje visoka tehnologija (AI) balkanskim kompanijama ili državama pokazao se kao isuviše spor da bi opravdao rizični kapital (venture funding).

Takođe, bio je to kraj 2023. i početak 2024. godine, kada su gotovo sve ozbiljne države počele da ulažu u lokalne GPU superračunare i da investiraju u nacionalne AI šampione, čija je misija da treniraju savremene jezičke modele prilagođene svom jeziku, kulturi i tržištu. Tako je, na primer, indijski startap Krutrim u januaru 2024. godine prikupio 50 miliona dolara investicija kako bi razvio jezičke modele za indijske jezike.

Slična situacija je i sa Mistralom, koji razvija modele za zapadnoevropske jezike. Relativno brzo sam uvideo da ovo nije prava poslovna ideja, jer neću moći da se takmičim sa regionalnim AI šampionima na najvećim svetskim tržištima. Na podršku države Srbije nisam mogao, niti sam želeo da se oslanjam (kao što je to, na primer, Mistral učinio), jer, nažalost, nemamo ni resurse, ni ljude, ni viziju kakvu ima, recimo, Francuska.

Kako je nastala ideja za novi startap, kao i partnerstvo sa renomiranim imenima iz avio-industrije?

Aleksa: Potpuno neočekivano, moj dobar prijatelj – uspešan tehnološki preduzetnik iz Amerike i bivši VC (venture capitalist) – povezao me je sa Paulom Eremenkom, bivšim CTO-om kompanija Airbus i UTC. Rekao mi je: “Treba da razgovaraš s njim”, i pošto mu verujem, bez razmišljanja sam prihvatio.

Sve je veoma brzo kliknulo nakon našeg prvog razgovora. U tom trenutku već sam planirao put u San Francisko, jer sam tada radio sa legendarnim Andrejom Karpatijem na open-source projektu llm.c, tako da smo se odmah dogovorili da pomerim let nedelju dana ranije i provedem nekoliko dana u Silicijumskoj dolini s Polom i Adamom Nejdželom, koji je bivši direktor inženjeringa u Airbusu.

Njihova stručnost i iskustvo savršeno su se dopunili s mojim znanjem i interesovanjima. Ideja kompanije, razvoj opšte inženjerske inteligencije koja bi jednog dana mogla da nam pomogne u projektovanju kompleksnih fizičkih objekata poput aviona, mlaznih motora ili Dajsonovih sfera, odmah je snažno odjeknula u meni.

U tom trenutku već sam bio pomalo zasićen brojnim SaaS startapima koji su imali očigledne primene jezičkih modela, ali bez ambicije da sagledaju širu sliku. Po prvi put u istoriji civilizacije uspeli smo da repliciramo ljudsku inteligenciju i implementiramo je u silicijumu, umesto na biološkom supstratu. Ambicija mora biti srazmerna tom dostignuću.

Brzo ste podigli 23 miliona dolara! Kako?

Aleksa: To je bio rezultat više faktora: kombinacija tima sa izuzetno uspešnim karijerama, team–market fit – odnosno činjenica da smo upravo mi jedan od najkompetentnijih timova na svetu da se upustimo u ovako ambiciozan poduhvat.

Zatim, proof of concept demo koji smo razvili, naše jake veze sa VC zajednicom u Silicijumskoj dolini, ali i, možda najvažnije, snažan komercijalni interes velikih industrijskih kompanija koje su potpisale memorandume o razumevanju (MOU) sa nama.

Ko je Arči (AI agent) i kako izgleda njegova obuka?

Aleksa: Jedan čitav deo kompanije fokusiran je na razvoj okvira (framework-a) za generisanje sintetičkih podataka, kao i na različite metode validacije njihove tačnosti – na primer, kroz simulacije složenih sistema. Takođe, sarađujemo sa brojnim stručnjacima iz različitih inženjerskih oblasti, koji nam pomažu kako u generisanju podataka, tako i u razvoju evaluacionih benchmarka za naš AI sistem, odnosno agenta kojeg zovemo Arči (Archie).

Taj evaluacioni skup podataka je izuzetno važan jer sadrži kompleksne primere – takozvane agenske radne tokove (agentic workflows) – koji predstavljaju ozbiljan izazov čak i za ljudske eksperte. Ako naš sistem postigne dobre rezultate na takvim zadacima, to je snažan signal za naše industrijske partnere da Arči poseduje sposobnosti koje se mogu meriti sa njihovim timovima dizajn inženjera.

Jedan dobar analogni primer iz sveta kodirajućih agenata je SWE-Bench, skup zadataka koji bolje približava realne izazove sa kojima se softverski inženjeri susreću u svakodnevnom radu. To je u snažnom kontrastu sa, recimo, “HumanEval”-om, koji samo testira sposobnost generisanja pojedinačnih funkcija u programskim jezicima. Mi smo razvili ekvivalent SWE-Bench-a, ali za naš inženjerski domen.

Naposletku, mnogi ljudski inženjeri ne inoviraju – naravno, sve zavisi od toga kako definišemo inovaciju. Naša vizija za Arčija u narednih nekoliko godina jeste da dostigne nivo juniora ili praktikanta. To podrazumeva znatno viši stepen autonomije od pukog softverskog alata.

Cilj je da se Arči uklopi u budžet namenjen za zaposlene, a ne u IT budžet kojim kompanije obično raspolažu. Ako ste upoznati sa sistemima poput Devina i Cursora, ono što mi gradimo mnogo je bliže Devinu – kao kolegi – nego Cursoru, koji više funkcioniše kao kopilot.

Pošto su ti partneri iz Airbus-a, da li Arči već ulazi u projekte u avio-industriji?

Aleksa: Naša prva vertikala na koju smo fokusirani jesu komercijalni HVAC sistemi za GPU data centre – to su sistemi poput čilera i rashladnih tornjeva. Trenutno se globalno ulaže ogromna količina novca u razvoj novih data centara, a sa dolaskom novih NVIDIA GPU arhitektura, poput Blackwell i Ruben, hlađenje GPU kartica postalo je izuzetno izazovno i predstavlja ozbiljnu bolnu tačku za celu industriju.

Paralelno s tim, naš go-to-market (GTM) tim istražuje i druge vertikale. Zahvaljujući Polu i Adamu, svakako imamo snažne veze i u avioindustriji, što otvara dodatne mogućnosti u tom pravcu.

Da li će Arči s vremenom u potpunosti zameniti inženjere?

Aleksa: Naš cilj je da Arči vremenom dostigne nivo junior inženjera, odnosno nekoga ko je tek završio fakultet. To znači da mora biti sposoban da razume kompleksne inženjerske zadatke, razmišlja u okviru fizičkih zakona, ali i da sarađuje kao deo većeg tima.

Međutim, važno je napomenuti da se balans između autonomije i ljudske kontrole ne postiže tako što Arči dobija neograničenu slobodu, već upravo suprotno – njegovi output-i prolaze kroz sve iste korake verifikacije i validacije kao i dizajni koje prave ljudski inženjeri.

Ništa se tu suštinski ne menja: i dalje su tu formalna verifikacija, simulacije, testiranja i industrijski standardi koje mora da ispuni svaki sistem, bez obzira da li ga je dizajnirao čovek ili AI. Baš kao što ne biste integrisali neprovereni rad junior inženjera direktno u komercijalni avion, isto važi i za Arčija.

Njegova uloga nije da zameni inženjere, već da poveća efikasnost i ubrza procese, dok se bezbednost i testiranje i dalje tretiraju kao odvojene, ključne dimenzije. Da bismo merili koliko je Arči zaista sposoban, razvili smo interni evaluacioni dataset u saradnji sa stručnjacima iz industrije.

On sadrži zadatke koji se kreću od jednostavnih pitanja zasnovanih na znanju – poput “Koje tipove motora nalazimo u komercijalnim avionima?” – do složenijih problema kao što je “Povećaj domet aviona Airbus A320 za 1000 milja”. Ti zadaci predstavljaju realne izazove sa kojima bi se suočio mladi inženjer u stvarnom radnom okruženju, i omogućavaju nam da pratimo koliko dobro Arči razume kontekst i rešava praktične probleme.

Naš cilj nije da Arči bude još jedan “glorifikovani autokomplit“, kao što su mnogi standardni LLM-ovi. Zato smo u njegovoj arhitekturi primenili hibridni pristup. Jedan od ključnih elemenata je korišćenje reinforcement learning-a u kombinaciji sa simulacijama tokom procesa treniranja. Imamo i punu kontrolu nad tzv. post-training fazom naših jezičkih modela, što nam omogućava da ih dodatno prilagodimo specifičnostima inženjerskih problema.

Pored toga, istražujemo i druge tipove modela, kao što su grafovske neuronske mreže, koje treniramo kao tzv. surrogate modele – efikasnije zamene za kompleksne simulatore. Ti modeli nam omogućavaju da Arči ne uči samo iz teksta, već i kroz matematičku i fizičku strukturu samih sistema koje pokušava da projektuje.

Ukratko, ne gradimo alat koji samo predviđa sledeću reč – gradimo agenta koji razume, rezonuje i dizajnira, uz svu potrebnu kontrolu, odgovornost i saradnju s ljudskim stručnjacima.

Tech giganti već rade na razvoju AI alata za inženjering. Gde vidiš glavnu prednost P-1 AI u odnosu na njih?

Aleksa: Postoji više razloga zašto kompanije poput Autodeska, Siemensa i IBM-a nisu najbolje pozicionirane da iskoriste trenutni talas AI tehnologije. S jedne strane, njihovi poslovni modeli često im ne dozvoljavaju da ostanu konkurentni, jer bi morali da se fokusiraju na “novu stvar”, što bi značilo kanibalizaciju sopstvenih proizvoda i odricanje od postojećih sistema u koje su već uložili mnogo vremena, truda i novca – klasičan primer tzv. zablude potonulog troška (sunk-cost fallacy).

Zbog toga često nove tehnologije posmatraju sa podsmehom ili ih odbacuju kao neozbiljne. To smo već videli u prethodnim tehnološkim revolucijama – od pojave personalnih računara (gde je IBM bio jedan od gubitnika), preko interneta, pa sve do mobilne tehnologije i društvenih mreža (gde su tradicionalni mediji zaostajali).

Ovaj fenomen je toliko čest da ima i svoje ime – dilema inovatora (Innovator’s dilemma). Dalje, konkurencija za najbolji AI talenat je izuzetno oštra. Te velike kompanije teško mogu da privuku vrhunske inženjere. Mi svoje najbolje AI inženjere plaćamo milionskim iznosima, isto kao i OpenAI, xAI i drugi vodeći AI startapi.

Naša prednost je u tome što možemo brzo da razvijamo nove tehnologije, imamo duboku ekspertizu, nismo opterećeni starim sistemima (legacy constraints) i možemo da okupimo najbolji svetski talenat. Ukratko, sve one opšte poznate prednosti koje startapi imaju u odnosu na velike, već formirane korporacije.

Uporedio si treniranje Arčija sa treniranjem AlphaGo-a na partijama ljudskih igrača. Kako to izgleda kod vas?

Aleksa: AlphaGo i njegove kasnije iteracije, poput AlphaZero i MuZero, predstavljaju obrazac koji sada ponovo viđamo i u razvoju velikih jezičkih modela (LLM-ova). Proces učenja i kod nas funkcioniše na sličan način, u nekoliko faza.

Prvo, sisteme treniramo pomoću učenja imitacijom (imitation learning) – dakle, model uči tako što imitira ponašanje ljudi. U slučaju AlphaGo-a to je bilo na osnovu miliona partija koje su odigrali ljudski igrači, uključujući i šampione. Kod LLM-ova, model uči da predvidi koju bi sledeću reč rekao čovek.

Međutim, takav pristup je suboptimalan, jer ljudi ne koriste optimalne algoritme za donošenje odluka – bilo da je u pitanju šah, Go ili šire posmatrano: razmišljanje, planiranje i rešavanje problema. Sledeća faza je ta u kojoj AI sistemi, kroz procese kao što su self-play i reinforcement learning (RL), uče direktno iz fundamentalnih principa fizike i pravila “igre”, te dolaze do znatno optimalnijih ponašanja i rešenja od onih koje bi predložili ljudi.

Tako je, na primer, AlphaGo još 2016. godine uspeo da prevaziđe svetskog šampiona u igri Go, Lija Sedola. Sličan proces se danas odvija i sa velikim jezičkim modelima, ali i sa specijalizovanim AI agentima kao što je Arči. U našem slučaju, Arči koristi simulatore kao izvor istine, i kroz RL uči kako da se ponaša u određenim inženjerskim kontekstima – slično kao što je to radio AlphaGo u domenu igara.

Kroz ove simulacije, Arči ne samo da uči pravila, već razvija sposobnost optimizacije i strateškog razmišljanja u domenu fizičkih sistema, što je ključno za njegovu primenu u realnom svetu.

I za kraj – kako vidiš Arčija za 10 godina?

Aleksa: Nemoguće je pouzdano planirati više od 6 do 12 meseci unapred u svetu veštačke inteligencije, s obzirom na to koliko se novih stvari neprekidno dešava. Tehnološki napredak se odvija kroz desetine S-krivih koje se međusobno preklapaju i u svojoj superpoziciji stvaraju nešto što podseća na eksponencijalnu funkciju.

Ako pretpostavimo da će se trendovi iz prethodnih pet godina nastaviti, verujem da postoji velika verovatnoća da ćemo do kraja ove decenije imati superinteligenciju. Neke još optimističnije procene govore da bismo mogli da razvijemo veštačku superinteligenciju (ASI) već do 2027. godine. AI je već položio čuveni Tjuringov test, a svet je, gotovo neprimetno, nastavio dalje bez velike pompe.

Koliko god da je brzina tehnološkog napretka neverovatna, meni je lično još fascinantnije to koliko se brzo ljudi prilagođavaju, i kako “magija” nove tehnologije vrlo brzo postaje samo još jedan alat u svakodnevici.

U budućnosti ćemo imati digitalnu radnu snagu – Arčije – koje ćemo moći da automatski skaliramo jednako lako kao što danas skaliramo virtuelne mašine (VMs) na cloud servisima poput Microsoft Azure-a. Postojaće Arči kao individualni saradnik (IC), ali i Arči kao menadžer, i ovi AI sistemi će nam pomoći da projektujemo fizičke objekte koji su do sada postojali samo u naučnoj fantastici.