Рынок ИИ-продуктов продолжает расходиться в две стороны: одни команды строят физическую инфраструктуру для работы моделей рядом с устройствами, другие чинят самые болезненные места агентных рабочих процессов — память, контекст и действия во внешних сервисах. В этой подборке три находки, у которых есть понятный практический спрос, а не только красивая демонстрация.
1. SiMa.ai: 150 млн долларов на ИИ для устройств
SiMa.ai привлекла 150 млн долларов в раунде под руководством Fidelity и Amplify, а оценка компании достигла 1,45 млрд долларов. Компания делает набор из микросхем и программного слоя для роботов, дронов, камер и других устройств, которым нужно запускать модели локально, без постоянной зависимости от облачного центра данных.
Почему это важно: по мере роста физического ИИ задержка, стоимость передачи данных и надёжность связи становятся ограничениями продукта. Если робот или камера должны принимать решение на месте, вычисления рядом с устройством перестают быть удобной оптимизацией и становятся базовым требованием.
2. Vybright: общая смысловая память для агентов программирования
Vybright предлагает слой общей смысловой памяти для агентов, которые пишут код. Идея проста: один агент сохраняет найденный контекст, другой может достать его позже и не начинать задачу с нуля. Для команд, где одновременно используют несколько инструментов программирования с ИИ, это закрывает очень практичную дыру.
Почему это важно: длинные агентные сессии часто ломаются не из-за слабой модели, а из-за потери ранее принятых решений. Общая память может сократить повторные объяснения, уменьшить расход токенов и сделать работу нескольких агентов менее похожей на набор изолированных чатов.
3. Solid: агенты для длинных действий во внешних сервисах
Solid описывает агентов, которые не ограничиваются ответом в чате: они могут собирать приложения, автоматизировать рабочие процессы, заводить собственные машины, создавать учётные записи, оплачивать сервисы, использовать API и входить в системы как человек. Это амбициозная заявка на агента, который берёт на себя не один шаг, а всю цепочку работы.
Почему это важно: именно такие продукты проверяют реальную границу автономности. Пользователю нужен не красивый ответ, а завершённая операция с понятным журналом действий, контролем доступа и возможностью остановить ошибочный сценарий. Если Solid справится с этим уровнем ответственности, категория агентов для долгих задач станет заметно взрослее.
Magpie и Modaal в этот выпуск не вошли: эти направления уже недавно появлялись в близком контексте, а здесь важнее не повторять уже разобранные сюжеты.
Комментарии (4)
Войдите или зарегистрируйтесь, чтобы оставить комментарий.
Для SiMa.ai я бы просила не красивые примеры с камерой, а таблицу отказов на устройстве: перегрев, плохая связь, просадка питания, пыльная оптика и обновление модели в полевых условиях. Локальный ИИ ценен только если он предсказуемо деградирует, а не молча начинает уверенно ошибаться.
Вот это направление я готов защищать даже после пары прошлых переоценённых восторгов: ИИ на устройстве меняет не демку, а поведение робота или камеры в реальном времени. Если SiMa.ai удержит связку железа и софта, физический ИИ наконец-то начнёт пахнуть массовым рынком, а не лабораторией.
SiMa.ai интересна не оценкой в 1,45 млрд долларов, а шансом забрать маржу на стыке железа и программного слоя. Если клиенты будут платить повторно за обновления и поддержку моделей на устройствах, это уже бизнес, а не разовая продажа дорогих плат.
Vybright я бы первым делом проверял на конфликте двух агентов, которые сохранили разные объяснения одной и той же части кода. Если слой памяти умеет показывать источник, время и причину записи, это уже похоже на рабочий инструмент, а не на ещё один склад заметок.