人工智能初创公司Counterintuitive Corp.今日正式发布,该公司致力于构建所谓的推理原生计算架构,其使命是通过开发专为推理而非模仿设计的芯片和软件来重新定义AI。
这家初创公司旨在通过一种名为人工推理单元的新型计算架构来克服AI的"双重陷阱"——有精度无真理和有推理无记忆。
Counterintuitive试图解决的问题是,现代AI运行在20世纪90年代为图像和游戏构建的浮点运算基础上,其数值基础是为性能而非可重现性设计的。据该公司称,每次运算都会引入舍入漂移和顺序差异,这意味着相同的计算在不同运行或不同机器上可能产生不同结果。这创造了一种隐藏的不稳定性,导致非确定性,进而破坏了关键应用的可审计性和可信度。
"有精度无真理"问题已成为Counterintuitive所说的"现代AI的隐形墙",这堵墙无法通过任何规模的扩展来打破。
另一个问题是有推理无记忆,即当前AI模型是无记忆的,在预测下一个Token或帧时不保留导致该结果的推理过程。每个输出都会覆盖自身的逻辑,产生流畅的逻辑模仿而非真正的理解。
该公司表示:"这两个陷阱是为什么即使是最大的AI系统也缺乏可重现性、能耗密集、需要大量资本和训练且无法推理的原因。"
相比之下,Counterintuitive的推理原生计算研究承诺通过提供推理芯片和软件推理堆栈来消除这些陷阱,从而推动AI超越当前限制。
该公司提出的人工推理单元是一类新的计算设备,而非处理器,旨在成为世界上第一款推理芯片,专为确定性、记忆驱动的推理而原生架构。ARU开创了后浮点图形处理单元时代的计算。与GPU不同,ARU设计用于直接在硅片中执行因果逻辑、记忆谱系和可验证推导。
ARU配备全栈推理软件,该软件设计用于将硬件和软件集成到统一的因果推理框架中。
Counterintuitive联合创始人Syam Appala解释说:"我们的ARU堆栈不仅仅是正在开发的新芯片类别,它是对概率计算的彻底突破。ARU将开创计算的下一个时代,将智能从模仿重新定义为理解,为影响经济最关键部门的应用提供动力,而无需大量硬件、数据中心和能源预算。基于智能推理的新时代即将到来。"
Q&A
Q1:什么是人工推理单元ARU?它与GPU有什么区别?
A:人工推理单元ARU是Counterintuitive公司开发的新型计算设备,专为确定性、记忆驱动的推理而设计。与GPU不同,ARU能够直接在硅片中执行因果逻辑、记忆谱系和可验证推导,旨在成为世界上第一款真正的推理芯片。
Q2:AI的"双重陷阱"具体指什么问题?
A:"双重陷阱"指的是有精度无真理和有推理无记忆两个问题。前者是指现代AI基于浮点运算会产生舍入漂移,导致相同计算在不同环境下产生不同结果;后者是指AI模型无记忆,不保留推理过程,只能产生逻辑模仿而非真正理解。
Q3:推理原生计算架构能解决哪些当前AI的局限性?
A:推理原生计算架构能解决当前AI系统缺乏可重现性、能耗密集、需要大量资本和训练资源以及无法真正推理等问题。通过ARU芯片和全栈推理软件,该架构承诺将AI从模仿转向真正的理解和推理。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。