इन्सेप्शन, पॅलो आल्टोमध्ये स्थापन केलेली एक नवीन कंपनी, स्टॅनफोर्ड संगणक विज्ञान प्राध्यापक स्टेफानो एर्मन द्वारे चालवली जाते, असा दावा करते की त्यांनी "डिफ्यूजन" तंत्रज्ञानाचा वापर करून एक क्रांतिकारी एआय मॉडेल तयार केले आहे. या नाविन्यपूर्ण मॉडेलला डिफ्यूजनवर आधारित मोठे भाषा मॉडेल किंवा "डीएलएम" असे संक्षिप्त स्वरूपात संबोधले जाते. सध्या, सर्वाधिक लक्ष वेधून घेणारी जनरेटिव्ह एआय मॉडेल्स दोन मुख्य श्रेणीत विभागली जाऊ शकतात: मोठे भाषा मॉडेल (एलएलएम) आणि डिफ्यूजन मॉडेल. एलएलएम, जे ट्रान्सफार्मर आर्किटेक्चरवर आधारित असतात, मजकूर निर्मितीत विशेष असतात. त्याउलट, डिफ्यूजन मॉडेल्स, ज्या मिडजर्नी आणि ओपनएआयच्या सोरा सारख्या एआय प्लॅटफॉर्मच्या तंत्रज्ञानाचा आधार आहेत, मुख्यतः चित्रे, व्हिडिओ आणि ऑडिओ निर्मितीवर लक्ष केंद्रित करतात. इन्सेप्शनच्या म्हणण्यानुसार, त्याचे मॉडेल पारंपरिक एलएलएमच्या क्षमतांना समाहित करते—उदाहरणार्थ, कोड निर्मिती आणि प्रश्न-उत्तर—खूपच वाढलेल्या गतीसह आणि कमी संगणकीय खर्चासह. एर्मनने टेकक्रंचसोबत बोलताना सांगितले की त्याने स्टॅनफोर्डच्या संशोधन प्रयोगशाळेत मजकूर निर्मितीमध्ये डिफ्यूजन मॉडेल्सच्या अनुप्रयोगाचा दीर्घ काळ अभ्यास केला आहे. पारंपरिक एलएलएमची गती डिफ्यूजन तंत्रज्ञानाच्या तुलनेत कमी असते यामुळे त्याचे काम निर्माण झाले. एलएलएमसंबंधी एर्मनने स्पष्ट केले की, “आपण दुसरे शब्द त्या वेळी निर्मित करू शकत नाही जेव्हा आपण पहिले तयार केलेले नाही, आणि तिसरे शब्द तयार करणे पहिल्या दोन पूर्ण झाल्यावरच शक्य आहे. ” मजकूर निर्मितीसाठी डिफ्यूजन यांत्रिकी लागू करण्यासाठी एक दृष्टीकोन शोधताना, एर्मनने नमूद केले की, एलएलएम जितके अनुक्रमिक कार्य करतात, तितकेच डिफ्यूजन मॉडेल एक प्रारंभिक अंदाजासह (उदाहरणार्थ, एक चित्र) प्रारंभ करतात आणि एकदा सुस्पष्ट डेटा सुधारतात. एर्मनने सिद्धांत मांडला की, समांतरपणे मोठ्या मजकूर ब्लॉक्सची निर्मिती आणि सुधारणा करणे डिफ्यूजन मॉडेलांचा उपयोग करून साकार होऊ शकते.

अनेक वर्षांच्या संशोधनानंतर, त्याला आणि त्याच्या विद्यार्थ्यांपैकी एकाला एक महत्त्वाची प्रगती साधता आली, ज्याचे दस्तऐवज त्यांनी गेल्या वर्षीच्या संशोधन पाटिकेत केले. या प्रगतीच्या क्षमतेचे महत्व ओळखून, एर्मनने गेल्या उन्हाळ्यात इन्सेप्शन स्थापन केले, ज्यात यूसीएलएच्या प्राध्यापक आदित्य ग्रोव्हर आणि कॉर्नेल विद्यापीठाचे वोलोडिमीर कूलेशोव यांना सह-नेतेत्वासाठी आमंत्रित केले. एर्मनने इन्सेप्शनच्या विशेष निधीच्या तपशीलांना खुलासा करण्याचा निर्णय घेतला पण टेकक्रंचने जाणून घेतले की मेफिल्ड फंड याच्या गुंतवणूकदारांमध्ये आहे. इन्सेप्शनने एर्मनच्या म्हणण्यानुसार, कमी एआय कालावधी आणि सुधारित गतीच्या तात्काळ आवश्यकता पूर्ण करून विविध ग्राहकांसोबत अनुबंध संभावी केले आहेत, ज्यामध्ये अनाम Fortune 100 कंपन्या आहेत. "आमच्या मॉडेल्स GPUs चा वापर अधिक कार्यक्षमतेने करू शकतात, " असे एर्मनने सांगितले, जो सामान्यतः उत्पादन मॉडेल चालवण्यासाठी वापरल्या जाणार्‍या ग्राफिक्स प्रोसेसिंग युनिट्सचा संदर्भ देत आहे. "माझा विश्वास आहे की हे परिवर्तनकारी आहे आणि भाषाशास्त्र मॉडेल विकसित करण्याची पद्धत बदलेल. " कंपनी एक API प्रदान करते ज्यामध्ये ऑन-प्रिमाइसेस आणि एज डिव्हाइसचे वितरण, मॉडेल चांगले करण्यात मदत, आणि विविध अनुप्रयोगांसाठी तयार केलेले DLMs यांचा समावेश आहे. इन्सेप्शनचा दावा आहे की त्याचे DLM पारंपरिक एलएलएम जितके 10 पट जलद कार्य करू शकतात, तर त्याचा खर्च देखील 10 पट कमी आहे. कंपनीच्या प्रतिनिधीने टेकक्रंचला कळवले की, “आमच्या ‘लहान’ कोडिंग मॉडेलनंतर [ओपनएआयच्या] GPT-4o मिणीच्या कार्यक्षमतेशी समता साधली आहे पण 10 पट अधिक गतीने कार्य करते. आमचा ‘मिणी’ मॉडेल [मेटाच्या] लामा 3. 1 8B सारख्या लहान ओपन-सोर्स पर्यायांना मागे टाकतो, जो 1, 000 टोकन्स प्रति सेकंदावर पुन्हा साधतो. ”