沙盒AQ量化模型优化企业AI

在过去的一年里，大型语言模型 (LLM) 和生成式人工智能主导了企业人工智能的讨论，但企业可以从人工智能中获益的方式还有很多。

一种替代方案是大型定量模型 (LQM)。这些模型经过训练，可以针对与行业或应用相关的特定目标和参数进行优化，例如材料特性或财务风险指标。这与 LLM 更通用的语言理解和生成任务形成对比。SandboxAQ 是 LQM 的领先倡导者和商业供应商之一，该公司今天宣布已在最新一轮融资中筹集了 3 亿美元。该公司最初是 Alphabet 的一部分，于 2022 年分拆为独立的业务。

这笔资金证明了该公司的成功，更重要的是，证明了其未来增长前景，因为它正在寻求解决企业人工智能用例。SandboxAQ 已与埃森哲、德勤和安永等主要咨询公司建立了合作伙伴关系，以分发其企业解决方案。LQM 的主要优势在于它们能够解决行业中复杂的、特定领域的难题，而这些行业的基础物理和定量关系至关重要。

“这完全是关于使用我们人工智能的公司进行核心产品创建，”SandboxAQ 首席执行官杰克·希达里告诉 VentureBeat。“因此，如果你想创造一种药物、一种诊断方法、一种新材料，或者你想在一家大银行进行风险管理，那么定量模型就会大放异彩。”

LQM 与 LLM 具有不同的目标，并且以不同的方式工作。与处理互联网来源文本数据的 LLM 不同，LQM 从数学方程式和物理原理生成自己的数据。目标是解决企业可能面临的定量挑战。

“我们生成数据并从定量来源获取数据，”希达里解释说。

这种方法使传统方法停滞不前的领域取得了突破。例如，在电池开发领域，锂离子技术已经主导了 45 年，LQM 可以模拟数百万种可能的化学组合，而无需进行物理原型设计。

同样，在药物开发领域，传统方法在临床试验中面临着很高的失败率，LQM 可以分析电子水平的分子结构和相互作用。与此同时，在金融服务领域，LQM 解决了传统建模方法的局限性。

“蒙特卡罗模拟不再足以处理结构化工具的复杂性，”希达里说。

蒙特卡罗模拟是一种经典的计算算法形式，它使用随机抽样来获得结果。使用 SandboxAQ LQM 方法，金融服务公司可以以蒙特卡罗模拟无法实现的方式进行扩展。希达里指出，一些金融投资组合可能极其复杂，包含各种结构化工具和期权。

“如果我有一个投资组合，我想知道在该投资组合发生变化的情况下尾部风险是什么，”希达里说。“我想做的是，我想创建 3 亿到 5 亿个版本的投资组合，并对其进行细微调整，然后我想看看尾部风险。”

Sandbox AQ 的 LQM 技术专注于使企业能够创建新产品、材料和解决方案，而不仅仅是优化现有流程。

该公司一直在进行创新的企业垂直领域包括网络安全。2023 年，该公司首次发布了其 Sandwich 密码管理技术。此后，该技术已通过该公司的 AQtive Guard 企业解决方案得到进一步扩展。

该软件可以分析企业的文件、应用程序和网络流量，以识别正在使用的加密算法。这包括检测使用过时或已损坏的加密算法，例如 MD5 和 SHA-1。SandboxAQ 将此信息输入管理模型，该模型可以向首席信息安全官 (CISO) 和合规团队发出有关潜在漏洞的警报。

虽然 LLM 可以用于相同目的，但 LQM 提供了不同的方法。LLM 在广泛的、非结构化的互联网数据上进行训练，其中可能包括有关加密算法和漏洞的信息。相比之下，Sandbox AQ 的 LQM 是使用针对性的、定量数据构建的，这些数据涉及加密算法、它们的属性和已知的漏洞。LQM 使用这些结构化数据来构建专门用于加密分析的模型和知识图，而不是依赖于通用的语言理解。

展望未来，Sandbox AQ 还在开发一个未来的修复模块，该模块可以自动建议和实施对正在使用的加密的更新。

SandboxAQ 背后的最初想法是将人工智能技术与量子计算相结合。

希达里和他的团队很早就意识到，真正的量子计算机将很难获得，或者在短期内不够强大。SandboxAQ 正在使用通过增强型 GPU 基础设施实现的量子原理。通过合作伙伴关系，SandboxAQ 已将英伟达的 CUDA 功能扩展到处理量子技术。

SandboxAQ 也没有使用 Transformer，Transformer 是几乎所有 LLM 的基础。

“我们训练的模型是神经网络模型和知识图，但它们不是 Transformer，”希达里说。“你可以从方程式中生成，但你也可以从传感器或其他类型的来源和网络获得定量数据。”

虽然 LQM 与 LLM 不同，但希达里并不认为这对企业来说是一个非此即彼的情况。

“将 LLM 用于它们擅长的领域，然后将 LQM 用于它们擅长的领域，”他说。