随着大量资金涌入AI初创公司，对于拥有想法并准备进行验证的AI研究人员来说，这是一个好时机。如果这个想法足够新颖，作为独立公司可能比在大实验室内部更容易获得所需的资源。
这就是Inception的故事。这家开发基于扩散模型的AI初创公司刚刚完成了5000万美元的种子轮融资，由Menlo Ventures领投，Mayfield、Innovation Endeavors、微软M12基金、Snowflake Ventures、Databricks Investment以及英伟达风险部门NVentures参与投资，Andrew Ng和Andrej Karpathy提供了额外的天使投资。
该项目负责人是斯坦福大学教授Stefano Ermon，他的研究重点在于扩散模型——这种模型通过迭代优化而非逐词生成输出来工作。这些模型支撑了Stable Diffusion、Midjourney和Sora等基于图像的AI系统。Ermon在这些系统因AI热潮而备受瞩目之前就已参与其中，现在他正利用Inception将这些模型应用于更广泛的任务。
伴随融资发布的是其Mercury模型的新版本，专为软件开发设计。Mercury已经集成到包括ProxyAI、Buildglare和Kilo Code在内的多个开发工具中。最重要的是，Ermon表示，扩散方法将帮助Inception的模型在两个最重要的指标上节省资源：延迟（响应时间）和计算成本。
“这些基于扩散的大语言模型比目前大家构建的模型要快得多，也高效得多，”Ermon说，“这是一种完全不同的方法，仍有大量创新可以带来。”
理解技术差异需要一些背景知识。扩散模型在结构上与主导文本类AI服务的自回归模型不同。GPT-5和Gemini等自回归模型按顺序工作，根据先前处理的内容预测下一个单词或单词片段；而原本用于图像生成的扩散模型则采取更全面的方法，逐步修改响应的整体结构，直到匹配期望的结果。
传统观点认为，自回归模型适用于文本应用，这种方法在最近几代AI模型中取得了巨大成功。但越来越多的研究表明，当模型在处理大量文本或管理数据约束时，扩散模型的表现可能更好。正如Ermon所述，在执行大型代码库上的操作时，这些特性成为真正的优势。
扩散模型在硬件利用方式上也具有更大的灵活性，随着AI对基础设施需求的日益明确，这一点尤为重要。自回归模型必须依次执行操作，而扩散模型可以同时处理许多操作，从而在复杂任务中显著降低延迟。
“我们的基准测试显示，每秒可处理超过1,000个token，这远远高于现有自回归技术所能达到的水平，”Ermon表示，“因为我们的模型是并行构建的，速度非常快。”