Fraction AI 如何使大众的 AI 所有权民主化
快速阅读: 据《黑客 Noon》最新报道，沙尚克·亚达夫在采访中讨论了Fraction AI如何让用户训练和拥有自己的AI模型，通过AI代理间的竞争生成高质量数据，推动模型持续进化。他认为AI行业最大瓶颈是数据而非算力，建议初创公司需及时验证市场需求、融资并平衡产品开发与市场推广。
在《HackerNoon》的“创业背后”系列独家采访中，我们与Fraction AI的创始人兼首席执行官沙尚克·亚达夫坐下来交谈。Fraction AI是一个平台，它赋予用户训练和拥有自己AI模型的能力。沙尚克在AI领域有深厚背景，并曾在高盛和微软的核心机器学习团队工作，他分享了他的创业历程、对AI规模化挑战的见解，以及Fraction AI如何解决行业最大的瓶颈——可靠且高质量的数据。深入了解Fraction AI如何重塑AI格局并实现AI所有权的民主化。
**伊山·潘迪**：你好，沙尚克，很高兴欢迎你加入我们的“创业背后”系列。请告诉我们关于你自己以及是什么激发了你创立Fraction AI的想法？
**沙尚克·亚达夫**：嗨，伊山，很高兴在这里。我是沙尚克，Fraction AI的创始人。我在AI领域有深厚背景。我在德里理工学院学习计算机科学，专注于AI研究。之后，我在高盛的核心ML团队工作，然后加入了一家早期初创公司作为AI研究员，后来又进入一家对冲基金应用AI进行量化交易。
我不断遇到的问题是AI正在集中化。少数公司控制着最强大的模型，而其他所有人都在使用不适合自己需求的现成版本。但最优秀的AI是高度专业化的，而训练自己的模型要么太昂贵，要么太复杂。这就是我创立Fraction AI的原因。这是一个平台，任何人都可以拥有和训练自己的AI模型。用户创建的AI代理会在会话中竞争。每个代理支付小额入场费，为任务生成最佳可能输出，并由LLM评分。获胜者获得奖励，其模型根据最佳输出进行改进。随着时间的推移，用户构建出高度专业化的AI，这些AI会变得越来越好。与其依赖少数大型模型，我们正在打造这样一个生态系统，让成千上万的小型、专业的模型竞争、学习和成长。AI不应该只是你使用的东西，而应该是你可以拥有和改进的东西。这就是我们在建设的内容。
**伊山·潘迪**：你在微软和高盛的核心ML团队工作过。这些经历如何塑造了你建立Fraction AI的方法？
**沙尚克·亚达夫**：是的，在大学期间，我在微软的Bing团队实习，从事搜索排名的机器学习工作。那是我第一次真正接触到大规模AI系统。搜索不仅仅是找到信息，而是理解用户真正想要什么并有效排名结果。这教会了我AI不仅仅是智能模型，而是在现实世界中使其发挥作用。
在高盛，我在核心ML团队工作，为金融预测构建模型。在金融领域，即使是小的改进也很重要，模型在真实世界的条件下不断接受测试，错误代价高昂。这段经验教会了我如何构建可靠的、可适应的AI，并随着时间的推移不断改进，而不是仅仅在受控环境中表现良好。
后来，在一家对冲基金，我从事量化交易的AI工作。在那里我看到了竞争的强大之处。持续适应和从竞争策略中学习的模型往往比保持静态的模型表现更好。所有这些都塑造了Fraction AI。我们没有建造一个完美的AI，而是构建一个系统，AI代理在其中竞争、学习和基于真实反馈进化。最优秀的AI并非孤立设计而成——它通过不断与其他模型对抗而进化。这就是Fraction AI背后的构想。
**伊山·潘迪**：你说过AI行业的最大瓶颈是可靠数据，而不是计算能力或编程。你能详细说明为什么数据是真正的限制吗？
**沙尚克·亚达夫**：是的，我坚定地支持这个说法。当前的AI模型已经看到了大部分互联网。如果没有什么新的东西可以学习，更多的计算能力不会有所帮助。真正的挑战是获取新鲜、高质量的数据。DeepSeek意识到了这一点，用纯强化学习训练模型而不是传统的数据集。他们意识到不能仅仅在旧数据上不断微调，你需要一个能够生成新、有用信息的系统。
我们正在Fraction AI中进一步发展这个想法。与其依赖现有数据集，我们让AI代理在现实世界任务中竞争。最佳输出被评分、优化并用于改进下一代模型。这是一个去中心化且不断进化的系统。AI应该属于每个人，而不仅仅是一些公司。实现这一目标的最佳方式是创建一个系统，让人们通过生成新的、高质量的数据来训练和改进自己的模型。与其将AI锁起来，不如通过实际应用让它不断发展。
**伊山·潘迪**：公司在扩展AI方面有哪些最大的误解，Fraction AI是如何解决这些问题的？
**沙尚克·亚达夫**：最大的误解是扩展AI就是给更大的模型投入更多计算能力。过去这有效，但我们遇到了瓶颈，更多的参数并不自动意味着更好的结果。现在真正的瓶颈是数据，而不是计算能力。
另一个错误是认为AI是静态的。许多公司一次微调一个模型就认为它“完成了”。但AI不像软件，它需要从新数据中不断学习以保持相关性。如果你的AI不持续改进，它就会落后。
**伊山·潘迪**：Fraction AI专注于构建一个自我支持的AI生态系统。你能分解一下你的平台如何实现可扩展、高质量的数据收集吗？
**沙尚克·亚达夫**：Fraction AI的理念是AI应通过竞争和实际应用实现自我提升。与其依赖现有数据集，我们构建一个系统，AI代理以规模生成、优化和改进数据。以下是它的运作方式：用户创建AI代理，每个代理都有自己的系统提示和调整。这些代理会在会话中竞争，为给定任务生成输出。他们的回应由LLM评委评分，表现最佳的代理获得奖励。这个过程不断重复，形成一个反馈循环，AI模型随着时间推移不断改进。
但我们不只是收集数据——我们还微调模型。这些竞赛的最佳输出被反馈到训练过程中，帮助代理进化和专业化。经过多次会话，用户可以升级他们的模型，使它们更聪明，更适合特定任务。这创建了一个可扩展的高质量数据收集和模型改进系统。与其依赖现有数据集，AI代理生成的新鲜、相关数据在实时中得到验证。结果是一个生态系统，AI不是静态的——它始终处于学习和进步之中。
**伊山·潘迪**：你会给试图在创新、销售和融资之间取得平衡的AI初创公司什么建议？
**沙尚克·亚达夫**：关键是时机。在早期阶段，同时关注创新和销售——你需要足够的产品来证明人们想要它，但你也必须尽早开始销售。不要等待完美。如果你无法让某人付费购买，那么它可能并没有解决一个真正的问题。一旦你有了哪怕是很小的需求证明，尽快筹集资金。你需要足够长的时间来构建伟大的东西。
许多初创公司失败是因为过于关注产品而没有获得足够的跑道。此时不要过多关注稀释，初创公司本质上是一个零或一的游戏。向有经验者学习带来了巨大改变。简而言之：先验证需求，再快速融资，同时推进产品迭代和市场拓展。
(以上内容均由Ai生成)
