Polacy rozwijają nową architekturę AI. Startup Pathway wyceniony na 500 mln dolarów

Kierowany przez Polkę Zuzannę Stamirowską, amerykański startup AI Pathway pozyskał kolejne finansowanie, osiągając wycenę 500 mln dolarów. Firma rozwija architekturę BDH, która ma być alternatywą dla dominujących dziś transformerów. Jej pierwszy publiczny model uzyskał na benchmarku ARC-AGI-1 wynik zbliżony do GPT-5.6 Luna, ale przy około 11-krotnie niższym koszcie obliczeń.

Pathway ma siedzibę w Palo Alto w Kalifornii, ale na jego czele stoją Polacy. Współzałożycielką i CEO jest Zuzanna Stamirowska, naukowczyni zajmująca się systemami złożonymi. Wraz z nią firmę tworzą Jan Chorowski (CTO), były badacz Google Brain oraz Adrian Kosowski (CSO), informatyk i fizyk kwantowy.

500 mln dolarów wyceny i 30 mln dolarów finansowania

Pathway pozyskał kolejną rundę finansowania na etapie seed, zwiększając łączną wartość pozyskanego kapitału do 30 mln dolarów. Wycena firmy sięgnęła 500 mln dolarów. Wśród inwestorów znalazły się m.in. Id4 Ventures, TQ Ventures, Red Bridge Ventures, Kadmos Capital i WS Investment Co., a jako anioł biznesu dołączył Jonathan Frankle, Chief AI Scientist w Databricks.

Pozyskany kapitał ma być przeznaczony przede wszystkim na zwiększenie mocy obliczeniowej, w tym zakup systemów z układami Nvidia GB300 oraz rozwój większych modeli opartych na architekturze BDH.

Do Pathway dołączył także Adam Kurzrok, wcześniej Group Product Manager odpowiedzialny za model Gemini w Google DeepMind. Firma rozwija również sieć doradców, do której należy m.in. Łukasz Kaiser – współtwórca architektury Transformer, pracujący później w Google Brain i OpenAI.

BDH ma być alternatywą dla transformera

Najważniejszym projektem Pathway jest BDH (Baby Dragon Hatchling) – architektura określana przez firmę jako post-transformer. Jej założeniem jest połączenie pamięci, adaptacji i rozumowania w jednym modelu, zamiast dokładania pamięci do klasycznego modelu językowego jako osobnego mechanizmu.

W klasycznych modelach transformerowych rozumowanie często odbywa się poprzez generowanie kolejnych tokenów. Im dłuższy jest taki proces, tym większe stają się koszty obliczeniowe i opóźnienia. BDH podchodzi do tego inaczej. Model wykonuje kolejne operacje w przestrzeni ukrytej (latent space), wykorzystując trwały stan wewnętrzny. Nie musi więc generować tekstowego „brudnopisu” pokazującego kolejne etapy rozumowania.

„AI jest dziś droga, ale ten koszt wynika z architektury, a nie żadnego ogólnego „prawa inteligencji”. W przypadku powszechnie dostępnych modeli każdy kolejny krok zajmuje część dostępnego okna kontekstowego, zwiększa opóźnienie i zużywa moc obliczeniową. My pokazujemy, że zmiana architektury może radykalnie poprawić relację między zdolnością do rozumowania a kosztem. W ten sposób otwieramy nową, bardziej wydajną ścieżkę rozwoju AI” – mówi Zuzanna Stamirowska.

150 mln parametrów kontra znacznie większe modele

Pierwszym publicznym sprawdzianem nowego podejścia został benchmark ARC-AGI-1, który bada zdolność modelu do odkrywania reguł na podstawie niewielkiej liczby przykładów i zastosowania ich do nowych problemów. Model BDH-CQ, mający zaledwie 150 mln parametrów, uzyskał wynik 29,5% przy wyliczonym koszcie około 0,0007 dolara za zadanie. Według danych przedstawionych przez Pathway jest to nowy rekord efektywności kosztowej na tym benchmarku.

Dla porównania, GPT-5.6 Luna w wariancie Low osiąga około 34,2%, ale koszt wykonania zadania jest około 11 razy wyższy. Pathway podkreśla jednak, że BDH-CQ nie jest modelem ogólnego przeznaczenia, więc wyników tych nie należy traktować jako bezpośredniego zwycięstwa nad GPT-5.6. Pokazują one natomiast, że mniejszy model oparty na innej architekturze może osiągnąć zbliżoną skuteczność przy znacznie niższym koszcie.

Co istotne, rezultat został niezależnie odtworzony przez Łukasza Kaisera, współautora pracy wprowadzającej architekturę Transformer oraz Richarda Zhonga z New York University.

Nie chodzi tylko o tańszą AI

Pathway chce wykorzystać BDH do stworzenia modeli, które nie tylko odpowiadają na pytania, ale również uczą się i utrzymują informacje podczas kolejnych interakcji. To może mieć znaczenie szczególnie w zastosowaniach wymagających długiego kontekstu, ciągłej adaptacji i pracy na zmieniających się danych.

Firma planuje teraz testować BDH w trudniejszych zadaniach, m.in. w matematyce oraz na benchmarkach ARC-AGI-2 i ARC-AGI-3. Równolegle rozwija duży model językowy wykorzystujący rozumowanie w przestrzeni ukrytej. Wstępne eksperymenty przeprowadzone przez Pathway obejmowały modele od 1 mld do 600 mld parametrów, co ma wskazywać, że BDH może być skalowana podobnie jak modele transformerowe.

„Przez ostatnie lata branża AI sprawdzała, jak daleko można dojść, zwiększając skalę modeli. Warto było to ustalić. Ale przed nami jeszcze trudniejsze pytanie. Co, gdy sama skala przestanie wystarczać?” – mówi Zuzanna Stamirowska.

Jeśli podejście Pathway sprawdzi się również poza benchmarkami, jego znaczenie może wykraczać poza samą redukcję kosztów. Firma celuje w systemy działające w czasie rzeczywistym, m.in. w cyberbezpieczeństwie i operacjach przemysłowych – czyli obszarach, w których koszt obliczeń, opóźnienia i zdolność do pracy z ciągle zmieniającym się kontekstem mają szczególne znaczenie.