A startup de IA quantitativa SandboxAQ concluiu a rodada de financiamento Série E, com investidores incluindo o Bridgewater Associates, a NVIDIA e o Google.
A startup de IA quântica SandboxAQ concluiu uma rodada de financiamento Série E, levantando um total de 450 milhões de dólares. Os fundos vieram do fundador da Bridgewater, Ray Dalio, Horizon Kinetics, BNP Paribas, Google e NVIDIA. O novo investimento ajudará a SandboxAQ a continuar impulsionando a aplicação de grandes modelos quânticos (LQM) na interseção de IA e tecnologias quânticas, acelerando a inovação da SandboxAQ no campo da inteligência artificial e expandindo sua pesquisa em finanças, biotecnologia e segurança cibernética.
SandboxAQ, após se separar da Alphabet em 2022, já arrecadou mais de 950 milhões de dólares. Novos investidores que se juntaram às instituições que apoiam o desenvolvimento da SandboxAQ incluem Breyer Capital, Eric Schmidt, Alger, Paladin Capital, S32, TIME Ventures e T. Rowe Price Associates, Inc. O novo financiamento expande e fortalece a liderança da SandboxAQ nos campos da inteligência artificial e das tecnologias quantitativas, e pode impulsionar a inovação nos setores de biotecnologia e financeiro.
Olivier Osty, chefe de mercados globais do BNP Paribas, disse que a IA e o poder de computação avançado estão tendo um impacto poderoso nos serviços financeiros, e o BNP Paribas espera trabalhar com o SandboxAQ para explorar soluções inovadoras no campo da inteligência artificial e da tecnologia quantitativa.
O fundador da Bridgewater Associates, Ray Dalio, afirmou que apostou na equipe da SandboxAQ e em seu grande modelo quantitativo (LQM), pois ficou impressionado com a equipe e a tecnologia.
O que são LQMs?
Grandes Modelos Quantitativos (, abreviados como LQM), representam a próxima fase do desenvolvimento da inteligência artificial. LQM é uma inteligência artificial baseada em equações fundamentais da física, química e biologia, que utiliza métodos matemáticos validados para treinar a partir de dados gerados diretamente dessas equações.
A estrutura do LQM geralmente inclui vários componentes-chave. Estes são módulos especiais para resolver equações ou realizar análises estatísticas através de aprendizado profundo, métodos numéricos tradicionais ou métodos intermediários, o que diferencia o LQM dos LLM tradicionais.
LQM seleciona bases de dados de informações científicas como parte do seu processo de raciocínio. LQM utiliza LLM para completar tarefas centradas na linguagem, o que lhes permite compreender e gerar texto de maneira semelhante aos humanos, possibilitando a interação eficaz com os usuários e o processamento de dados baseados em texto.
Como esses componentes trabalham juntos? Quando um problema surge, o LQM pode inicialmente usar seu modelo de linguagem para entender o problema, e então pode ativar seu módulo quantitativo para realizar os cálculos ou simulações necessários. Ao longo de todo o processo, pode aproveitar seu conhecimento específico da área para orientar seu raciocínio. Por fim, pode integrar todas essas informações para gerar uma resposta e, em seguida, comunicá-la ao usuário por meio do modelo de linguagem.
SandboxAQ desenvolve um novo algoritmo de rede tensorial
A computação quântica pode, de fato, simular esses sistemas diretamente usando a linguagem da mecânica quântica, mas sua verdadeira implementação pode levar ainda várias décadas. Isso porque a computação quântica atual enfrenta uma série de desafios, como o controle da taxa de erro dos qubits. Embora o chip Willow, recentemente lançado pelo Google, tenha feito grandes avanços nesse problema, ainda há muitas questões a serem resolvidas antes da construção em larga escala de computadores quânticos.
Para resolver esses problemas, a SandboxAQ desenvolveu um novo algoritmo baseado em Redes Tensorais. Este algoritmo tem suas origens no campo da física quântica de múltiplos corpos e utiliza uma característica fundamental da natureza - a Localidade. Em termos simples, a localidade significa que partes de um sistema que estão a grandes distâncias, como dois átomos distantes em uma longa molécula, não interagem de maneira significativa. Aproveitando essa característica, o algoritmo de Redes Tensorais pode representar estados quânticos de maneira eficiente, ou seja, a "lei da área de emaranhamento". ( Fonte: MIT Technology Review )
Colaboração entre SandboxAQ e a tecnologia Nvidia CUDA
A SandboxAQ estabeleceu uma profunda parceria técnica com a Nvidia, expandindo as capacidades do CUDA, permitindo que GPUs comuns suportem computação quântica. Isso significa que elas não precisam esperar pela chegada de computadores quânticos verdadeiros, mas permitem que o hardware existente realize simulações quânticas, ao mesmo tempo que se prepara para a integração de unidades de processamento quântico (QPUs) no futuro. Em um estudo, a equipe de pesquisa da SandboxAQ utilizou as unidades de processamento de tensor (TPUs) do Google para completar, em 24 horas, uma complexa otimização de alta dimensão envolvendo mais de 600 bilhões de parâmetros, criando o maior registro de computação de rede de tensor do mundo.
Cenários de aplicação do LQM
O LQM pode ajudar cientistas a analisar conjuntos de dados complexos, formular hipóteses e até mesmo projetar experimentos, sendo especialmente útil no campo da biologia, onde pode prever a estrutura tridimensional com base na sequência de aminoácidos das proteínas. Um exemplo concreto está no desenvolvimento de novos medicamentos. Através da análise da estrutura molecular e da previsão de interações, o LQM pode acelerar significativamente o processo de identificação de potenciais medicamentos. Em campos como ciência dos materiais ou engenharia estrutural, o LQM pode ajudar a otimizar projetos e sugerir melhorias com base em parâmetros específicos, realizando inúmeras simulações.
LQM também pode ser utilizado para processar várias fontes de dados, a fim de criar modelos climáticos mais precisos, ajudando-nos a entender e prever melhor as mudanças ambientais. No setor financeiro, LQM pode processar dados de mercado, notícias e indicadores econômicos para fornecer avaliações de risco e estratégias de investimento mais complexas.
Introdução ao SandboxAQ
SandboxAQ é uma empresa B2B que oferece soluções nas áreas de inteligência artificial e modelos quantitativos. O grande modelo quantitativo da SandboxAQ (LQM) trouxe avanços significativos para as ciências da vida, serviços financeiros, navegação e outras áreas científicas. A SandboxAQ foi desmembrada da Alphabet Inc. e é uma empresa independente, financiada por investidores e parceiros estratégicos, incluindo T. Rowe Price Associates, Inc., Alger, IQT, US Innovative Technology Fund, S32, Paladin Capital, BNP Paribas, Eric Scanmidt, Brehebmidt, Brehebun, Paladin Capital, BNP Paribas, Eric Scanmidt, Breullibmidt, Breulli e outras instituições.
Este artigo sobre a startup de IA quantitativa SandboxAQ que concluiu a rodada de financiamento Série E, com investidores incluindo Bridgewater, NVIDIA e Google, apareceu pela primeira vez na Chain News ABMedia.
O conteúdo serve apenas de referência e não constitui uma solicitação ou oferta. Não é prestado qualquer aconselhamento em matéria de investimento, fiscal ou jurídica. Consulte a Declaração de exoneração de responsabilidade para obter mais informações sobre os riscos.
A startup de IA quantitativa SandboxAQ concluiu a rodada de financiamento Série E, com investidores incluindo o Bridgewater Associates, a NVIDIA e o Google.
A startup de IA quântica SandboxAQ concluiu uma rodada de financiamento Série E, levantando um total de 450 milhões de dólares. Os fundos vieram do fundador da Bridgewater, Ray Dalio, Horizon Kinetics, BNP Paribas, Google e NVIDIA. O novo investimento ajudará a SandboxAQ a continuar impulsionando a aplicação de grandes modelos quânticos (LQM) na interseção de IA e tecnologias quânticas, acelerando a inovação da SandboxAQ no campo da inteligência artificial e expandindo sua pesquisa em finanças, biotecnologia e segurança cibernética.
SandboxAQ, após se separar da Alphabet em 2022, já arrecadou mais de 950 milhões de dólares. Novos investidores que se juntaram às instituições que apoiam o desenvolvimento da SandboxAQ incluem Breyer Capital, Eric Schmidt, Alger, Paladin Capital, S32, TIME Ventures e T. Rowe Price Associates, Inc. O novo financiamento expande e fortalece a liderança da SandboxAQ nos campos da inteligência artificial e das tecnologias quantitativas, e pode impulsionar a inovação nos setores de biotecnologia e financeiro.
Olivier Osty, chefe de mercados globais do BNP Paribas, disse que a IA e o poder de computação avançado estão tendo um impacto poderoso nos serviços financeiros, e o BNP Paribas espera trabalhar com o SandboxAQ para explorar soluções inovadoras no campo da inteligência artificial e da tecnologia quantitativa.
O fundador da Bridgewater Associates, Ray Dalio, afirmou que apostou na equipe da SandboxAQ e em seu grande modelo quantitativo (LQM), pois ficou impressionado com a equipe e a tecnologia.
O que são LQMs?
Grandes Modelos Quantitativos (, abreviados como LQM), representam a próxima fase do desenvolvimento da inteligência artificial. LQM é uma inteligência artificial baseada em equações fundamentais da física, química e biologia, que utiliza métodos matemáticos validados para treinar a partir de dados gerados diretamente dessas equações.
A estrutura do LQM geralmente inclui vários componentes-chave. Estes são módulos especiais para resolver equações ou realizar análises estatísticas através de aprendizado profundo, métodos numéricos tradicionais ou métodos intermediários, o que diferencia o LQM dos LLM tradicionais.
LQM seleciona bases de dados de informações científicas como parte do seu processo de raciocínio. LQM utiliza LLM para completar tarefas centradas na linguagem, o que lhes permite compreender e gerar texto de maneira semelhante aos humanos, possibilitando a interação eficaz com os usuários e o processamento de dados baseados em texto.
Como esses componentes trabalham juntos? Quando um problema surge, o LQM pode inicialmente usar seu modelo de linguagem para entender o problema, e então pode ativar seu módulo quantitativo para realizar os cálculos ou simulações necessários. Ao longo de todo o processo, pode aproveitar seu conhecimento específico da área para orientar seu raciocínio. Por fim, pode integrar todas essas informações para gerar uma resposta e, em seguida, comunicá-la ao usuário por meio do modelo de linguagem.
SandboxAQ desenvolve um novo algoritmo de rede tensorial
A computação quântica pode, de fato, simular esses sistemas diretamente usando a linguagem da mecânica quântica, mas sua verdadeira implementação pode levar ainda várias décadas. Isso porque a computação quântica atual enfrenta uma série de desafios, como o controle da taxa de erro dos qubits. Embora o chip Willow, recentemente lançado pelo Google, tenha feito grandes avanços nesse problema, ainda há muitas questões a serem resolvidas antes da construção em larga escala de computadores quânticos.
Para resolver esses problemas, a SandboxAQ desenvolveu um novo algoritmo baseado em Redes Tensorais. Este algoritmo tem suas origens no campo da física quântica de múltiplos corpos e utiliza uma característica fundamental da natureza - a Localidade. Em termos simples, a localidade significa que partes de um sistema que estão a grandes distâncias, como dois átomos distantes em uma longa molécula, não interagem de maneira significativa. Aproveitando essa característica, o algoritmo de Redes Tensorais pode representar estados quânticos de maneira eficiente, ou seja, a "lei da área de emaranhamento". ( Fonte: MIT Technology Review )
Colaboração entre SandboxAQ e a tecnologia Nvidia CUDA
A SandboxAQ estabeleceu uma profunda parceria técnica com a Nvidia, expandindo as capacidades do CUDA, permitindo que GPUs comuns suportem computação quântica. Isso significa que elas não precisam esperar pela chegada de computadores quânticos verdadeiros, mas permitem que o hardware existente realize simulações quânticas, ao mesmo tempo que se prepara para a integração de unidades de processamento quântico (QPUs) no futuro. Em um estudo, a equipe de pesquisa da SandboxAQ utilizou as unidades de processamento de tensor (TPUs) do Google para completar, em 24 horas, uma complexa otimização de alta dimensão envolvendo mais de 600 bilhões de parâmetros, criando o maior registro de computação de rede de tensor do mundo.
Cenários de aplicação do LQM
O LQM pode ajudar cientistas a analisar conjuntos de dados complexos, formular hipóteses e até mesmo projetar experimentos, sendo especialmente útil no campo da biologia, onde pode prever a estrutura tridimensional com base na sequência de aminoácidos das proteínas. Um exemplo concreto está no desenvolvimento de novos medicamentos. Através da análise da estrutura molecular e da previsão de interações, o LQM pode acelerar significativamente o processo de identificação de potenciais medicamentos. Em campos como ciência dos materiais ou engenharia estrutural, o LQM pode ajudar a otimizar projetos e sugerir melhorias com base em parâmetros específicos, realizando inúmeras simulações.
LQM também pode ser utilizado para processar várias fontes de dados, a fim de criar modelos climáticos mais precisos, ajudando-nos a entender e prever melhor as mudanças ambientais. No setor financeiro, LQM pode processar dados de mercado, notícias e indicadores econômicos para fornecer avaliações de risco e estratégias de investimento mais complexas.
Introdução ao SandboxAQ
SandboxAQ é uma empresa B2B que oferece soluções nas áreas de inteligência artificial e modelos quantitativos. O grande modelo quantitativo da SandboxAQ (LQM) trouxe avanços significativos para as ciências da vida, serviços financeiros, navegação e outras áreas científicas. A SandboxAQ foi desmembrada da Alphabet Inc. e é uma empresa independente, financiada por investidores e parceiros estratégicos, incluindo T. Rowe Price Associates, Inc., Alger, IQT, US Innovative Technology Fund, S32, Paladin Capital, BNP Paribas, Eric Scanmidt, Brehebmidt, Brehebun, Paladin Capital, BNP Paribas, Eric Scanmidt, Breullibmidt, Breulli e outras instituições.
Este artigo sobre a startup de IA quantitativa SandboxAQ que concluiu a rodada de financiamento Série E, com investidores incluindo Bridgewater, NVIDIA e Google, apareceu pela primeira vez na Chain News ABMedia.