Perusahaan Startup dari London Kumpulkan Dana $10.25 Juta
Sebuah startup yang berbasis di London dan didirikan oleh dua ilmuwan sarjana lulusan Cambridge telah mengumpulkan dana sebesar $10.25 juta untuk perusahaan mereka, Callosum. Mereka sedang membangun perangkat lunak yang mengatur pekerjaan AI di berbagai jenis chip yang berbeda. Hal ini menantang ketergantungan industri yang selama ini menjalankan model-model AI yang semakin besar hanya pada kumpulan chip GPU Nvidia yang serupa.
Perusahaan juga mengumumkan bahwa mereka menerima dana riset dari pemerintah Inggris. Pemerintah Inggris mencari cara untuk membangun infrastruktur "sovereign cloud" untuk AI yang tidak bergantung sepenuhnya pada penyedia teknologi dari Amerika Serikat.
Para pendiri Callosum, Danyal Akarca dan Jascha Achterberg, bertemu saat menempuh program PhD di Cambridge sekitar tahun 2019. Perangkat lunak mereka dapat membagikan tugas-tugas AI ke berbagai chip dari produsen yang berbeda, seperti GPU Nvidia, prosesor AMD, chip khusus Trainium dan Inferentia dari Amazon Web Services, atau desain baru dari startup seperti Cerebras dan SambaNova. Tujuannya adalah mengambil keuntungan performa dari setiap jenis chip.
Putaran pendanaan ini dipimpin oleh Plural, sebuah dana ventura tahap awal di Eropa. Pendanaan juga datang dari investor malaikat seperti Charlie Songhurst, Stan Boland dari FiveAI, dan John Lazar dari Royal Academy of Engineering. Secara terpisah, lembaga pemerintah Inggris ARIA memberikan dana hibah kepada perusahaan untuk mempercepat penelitian tentang integrasi teknologi chip baru ke dalam platform mereka.
Ide perusahaan ini berawal dari penelitian akademik para pendiri di bidang neuroscience dan komputasi. Otak manusia mencapai kecerdasan bukan dengan menyalin satu jenis neuron miliaran kali, tetapi dengan menggabungkan banyak jenis sel dan sirkuit khusus yang bekerja sama. Mereka percaya komputasi AI harus mengikuti prinsip yang sama.
"Lab-lab besar saat ini bertaruh bahwa satu model akan menguasai segalanya. Kami pikir itu salah dan penelitian kami membuktikannya," kata Akarca. "Alam menunjukkan bahwa kecerdasan sejati muncul dari banyak sistem yang bekerja bersama."
Callosum memasuki pasar yang sedang mengalami perubahan besar. Setelah bertahun-tahun pengeluaran untuk AI didominasi oleh pelatihan model besar pada rak-rak GPU Nvidia yang serupa, industri kini beralih ke inference—proses menjalankan model yang sudah dilatih untuk menghasilkan output. Deloitte memperkirakan bahwa pekerjaan inference akan mencakup sekitar dua pertiga dari semua komputasi AI pada tahun 2026. Pergeseran ini membuka peluang bagi berbagai pembuat chip untuk menantang dominasi Nvidia.
Callosum bertaruh bahwa mereka dapat menjadi lapisan perangkat lunak yang menyatukan lanskap perangkat keras yang semakin terfragmentasi ini. Platform mereka bekerja di berbagai penyedia cloud, termasuk AWS, Google Cloud, dan Microsoft Azure. Platform ini dirancang agar pelanggan tidak perlu mengubah arsitektur setup cloud yang sudah ada.
"Kami adalah produk perangkat lunak yang mengambil beban kerja AI Anda dan mengaturnya di berbagai setup multi-cloud yang mungkin Anda gunakan," jelas Akarca.
Para pendiri berpendapat pendekatan ini memberikan keuntungan besar untuk tugas-tugas dunia nyata yang kompleks, seperti mengotomatisasi penggunaan komputer atau memproses alur kerja perusahaan. Untuk tugas seperti ini, sistem Callosum diklaim dapat memberikan akurasi dua kali lipat lebih baik, performa tujuh kali lebih cepat, dan biaya empat kali lebih rendah dibandingkan menjalankan beban kerja yang sama pada perangkat keras yang serupa.
Keuntungan akurasi datang dari sifat masalah yang dipecahkan. "Untuk masalah sederhana, model tunggal sudah cukup baik," kata Achterberg. Namun, tugas perusahaan yang kompleks adalah hal yang berbeda. "Mengotomatisasi cara komputer digunakan, mengotomatisasi pembayaran, misalnya—ini adalah masalah yang kami fokuskan. Masalah-masalah ini pada dasarnya heterogen," jelasnya. "Ada banyak langkah yang terlibat, dan satu model sebenarnya tidak selalu optimal."
Bagian yang berbeda dari suatu alur kerja kompleks mungkin membutuhkan hal yang berbeda. Beberapa langkah membutuhkan model yang sangat cepat dan murah, sementara yang lain membutuhkan model yang lebih besar dan mampu bernalar. Dengan mencocokkan setiap sub-tugas dengan model yang tepat yang berjalan di perangkat keras yang tepat, Callosum klaim dapat mengungguli pendekatan konvensional.
Callosum menargetkan dua jenis pelanggan: perusahaan yang membangun sistem AI multi-agen, dan produsen chip baru yang ingin menunjukkan kemampuan perangkat keras mereka. "Kami ingin semua teknologi chip baru yang luar biasa ini dapat masuk ke pasar agar manfaatnya dapat terwujud," kata Achterberg.
Perusahaan ini juga bekerja dengan perusahaan yang mengembangkan cara baru untuk menghubungkan rak-rak chip AI di dalam pusat data, termasuk teknologi yang menggunakan fotonik (cahaya) untuk mengirim data. Teknologi ini dirancang untuk mengatasi hambatan dalam memindahkan data di dalam pusat data.
Ke depannya, para pendiri berencana menggunakan dana untuk memperluas tim di London, mulai berekspansi ke AS, dan mulai membangun infrastruktur perangkat keras pelengkap mereka sendiri. Ambisi jangka panjang mereka adalah mendesain ulang pusat data itu sendiri.
"Semua orang menganggap keragaman chip adalah kerugian yang harus dikelola. Kami melihat sebaliknya, itu adalah keuntungan yang bisa dimanfaatkan," kata Achterberg.
Ian Hogarth dari Plural mengatakan dalam pernyataannya: "Visi Callosum untuk masa depan multi-model dan multi-chip bisa menjadi transformatif. Mereka adalah pendiri yang serius untuk misi yang serius." Anda bisa belajar bahasa lebih mudah sekarang. Aplikasi-aplikasi yang ada di ponsel sangat membantu. Banyak aplikasi gratis tersedia. Anda bisa latihan kosakata baru setiap hari. Cobalah aplikasi seperti Duolingo atau Memrise. Mereka menyenangkan dan efektif.
Anda juga harus coba untuk berbicara dengan penutur asli. Jangan takut membuat kesalahan. Orang-orang biasanya baik dan mau membantu. Carilah teman bahasa online atau di grup lokal.
Yang paling penting adalah konsisten. Belajar sedikit setiap hari lebih baik daripada belajar banyak tapi jarang. Coba untuk belajar 15-20 menit setiap hari. Hasilnya akan terlihat dalam beberapa minggu.
Selamat mencoba dan semoga sukses ya