Plurai 應用自動駕駛模擬技術，讓 AI 代理更可靠

前言

AI 代理能處理複雜任務，因此受到關注，但基準測試結果與真實世界測試顯示，它們仍需要密切監督。它們可能難以遵守企業特定規則、處理分散於不同系統的資訊，以及應對冗長或難以預測的互動。Plurai 是一家由前自動駕駛技術從業者創立的新創公司，希望透過改造一種應用於自動駕駛汽車的方法來解決這些限制：模擬環境、產生合成資料，並在部署前讓系統為棘手的邊緣案例做好準備。該公司為客戶的電子系統建立數位孿生，並用來評估及改進代理。公司也計畫運用產生的資料，為各家企業量身訓練更小型的開放權重模型。本文將探討 Plurai 的做法、資金與合作夥伴、它試圖解決的挑戰，以及以模擬提升 AI 代理可靠性並降低成本的整體價值。

簡介

Plurai 的核心理念，是先讓 AI 代理在企業數位環境的模擬版本中接受測試，再投入實際工作。平台會繪製可能的任務流程、找出失敗情境，並透過評估與合成資料提升效能。創辦人借鑑了自動駕駛領域的經驗，當中模擬有助於讓系統為難以預測的情況做好準備。Plurai 也計畫為個別客戶後訓練更小型的開放權重模型。預期效益是在降低營運成本的同時提高可靠性，尤其適用於其政策與資料在通用前沿模型中未獲充分呈現的企業。

正文

AI 代理常被視為完成多步驟工作的工具，但實際能力可能不如示範所帶來的期待。複雜任務不只是產生看似合理的答案：代理可能還得遵循企業政策、使用多種工具、從不同來源擷取資訊，並在情況與熟悉的範例不同時作出適當回應。來源中引用的評估結果說明了這種落差。LiveBench 2.0 顯示，Claude Fable 5.2 和 ChatGPT-6 Astra 分別成功完成 100 項任務中的 82.9 項和 75.6 項。另外，AI 基礎設施公司 EON 在模擬企業環境中進行的一項評估發現，受測模型中表現最佳的 Claude Opus 4.8，任務準確率為 76.8%。這些結果顯示，即使是強大的系統，在監督有限的情況下執行任務，仍可能犯下造成重大影響的錯誤。

Plurai 希望借鑑自動駕駛車輛的開發方式，提升代理的效能。創辦人認為，自動駕駛系統與 AI 代理有一項重要共通點：兩者都是在無法完全預測的環境中運作的機率系統。車輛可能遇到罕見的路況；職場代理則可能面對不熟悉的客戶需求、內部規則與軟體工具組合。在這兩種情境中，系統即使在精心設計的示範中表現良好，仍可能在較少見的情況下失敗。模擬能讓模型在實際應用前接觸更廣泛的情境。

該公司的共同創辦人 Ilan Kadar 和 Elad Levi 曾在開發自動駕駛技術的 Nexar 任職。Kadar 也曾與 Waymo 合作，模擬並評估其端對端深度學習駕駛軟體。他表示，這段經歷形塑了創辦人對 AI 代理市場的看法：打造令人信服的示範相對容易，但要做到可靠且具成本效益，難度就高得多。創辦人觀察到代理領域出現類似情況後，決定為商業軟體打造一層模擬平台。週三，Plurai 宣布已募集 13 million 美元種子輪資金，用於推動這項工作。本輪由 Team8 領投，U&I、Velocity 和 Mercer 也參與投資。

Plurai 的平台首先會為企業的電子系統建立數位孿生。這個系統模型包含知識庫，以及代理在正式環境中可使用的工具。平台不會只用個別提示測試代理，而是會繪製代理在環境中可能採取的各種路徑。這些路徑可呈現代理如何搜尋資訊、使用工具、在不同資料來源之間切換，或回應使用者。接著，Plurai 會利用產生的圖譜設計評估方式，並為邊緣案例尋找可能的修正方法。原則上，這讓團隊能以更有系統的方式測試代理在相互關聯的工作流程中的行為，而不只是確認它能否正確回答單一問題。

常見的企業情境清楚說明了這類測試的必要性。當客戶提出與企業規定相衝突的要求時，負責預訂差旅的代理可能忽略支出政策。代理查詢單一資料庫時或許能準確作答，但若必須整合多個資料集的資訊，就可能難以應對。冗長而詳盡的客服對話也可能讓代理承受過多上下文，增加回覆錯誤或偏離需求的機率。這些例子涉及不同的技術挑戰，但都突顯出同一個問題：成功與否取決於代理在特定營運限制下如何處理一連串決策。

Plurai 的平台旨在與現有的代理工具搭配使用，包括 Claude Code、Codex、Copilot 和 Cursor。它的作用不只是取代這些工具，而是提供一種建模方式，呈現代理將運作的環境，並在其中評估代理的行為。Plurai 希望藉由呈現企業系統並繪製可能的工作流程，在問題影響員工或客戶之前找出弱點。這種做法也能讓企業評估代理、代理指令或支援工具的變更，是否能在各種情境下提升效能。

Kadar 表示，公司認為模擬過程中蒐集的資料還帶來了另一項機會。Plurai 計畫利用這些資料，針對個別客戶的特定需求後訓練更小型的開放權重模型。其基本想法是，通用模型整體規模可能更大、能力也更強，但未必最適合受限的商業任務。以相關範例訓練的小型模型，或許能以較低成本完成任務，同時達到相近的品質門檻。這項策略也試圖彌補通用模型能力與特定企業工作流程、政策及資料知識之間的落差。

Plurai 表示，與 Nvidia 和 Nebius 合作進行的測試顯示，其模型的表現勝過中階前沿模型，成本也較低。Kadar 描述的流程是，公司先選定一個大型語言模型與目標任務，再運用模擬將任務拆解成更小的部分，並訓練開放權重模型。接著透過模擬確認該模型的品質是否高於或相當於前沿模型。他表示，這種方法可將成本降低一個或兩個數量級。這些是公司公布的結果；其實際意義仍取決於不同客戶、任務和正式環境下的效能與成本表現。

Google DeepMind 研究員兼 Plurai 天使投資人 Reah Miyara 認為，該公司著重於正式環境中的失敗模式，是其一項差異化優勢。她認為，產生能反映這些失敗情況的合成資料，有助於依照客戶需求調整模型。她也指出，這種方法與企業面臨的財務考量息息相關：具備前沿能力的模型可能不適用於特定公司的資料，而其營運成本長期而言可能難以維持。對於試圖提高 AI 支出效益的組織，模擬驅動的流程或許能協助判斷，哪些情況只需較小型的專用系統，哪些情況仍需要能力更強的通用模型。

與機器人的比較，則為 Plurai 的主張提供了另一個視角。強大的通用 AI 模型讓機器人得以執行愈來愈令人驚豔的任務，但可靠性問題仍限制了大規模部署。與此同時，針對較狹窄、特定任務設計的機器人，已經開始為客戶投入運作並蒐集真實世界資料。Plurai 認為，軟體代理也有類似差異：通用模型能力可能很強，但代理仍須了解自己所服務的特定企業。相較於缺乏相關上下文的強大模型，經過代表性數位環境測試的客製化系統，對特定工作流程可能更有用。

這種差異並不代表通用模型會停止進步。Kadar 承認，OpenAI 和 Anthropic 的模型很可能會變得更聰明。他的重點在於，單靠更高的通用智慧，並不能確保模型了解每個組織的政策、系統或優先事項。企業仍須提供上下文，並確認代理遵循相關要求。模擬、數位孿生、評估及任務專用訓練，是 Plurai 提議用來彌補這項落差的方法。這套做法能否實現其承諾，取決於模擬環境的品質、生成資料的相關性，以及模型在實際應用中的效能是否穩定。不過，其核心主張很明確：可靠的企業代理必須針對實際運作時的特定條件做好準備。

重點摘要表