Inception 以 5000 万美元押注扩散模型用于代码生成

简介

在由序列式、逐令牌生成的 AI 主导的格局中，一个新的挑战者带着截然不同的架构和雄厚的风险投资脱颖而出。由斯坦福大学教授 Stefano Ermon 领导的初创公司 Inception 已获得 5000 万美元的种子轮融资，用于开发用于代码生成和文本生成的扩散模型，将其定位为传统自回归 AI 架构的直接挑战者。此轮融资由 Menlo Ventures 领投，Microsoft、Nvidia、Snowflake 和 Databricks 参投，标志着 AI 投资重点向替代性生成架构的重大转变。在 AI 泰斗 Andrew Ng 和 Andrej Karpathy 的天使轮资金支持下，Inception 旨在挑战现状，承诺其 AI 模型将在代码生成的执行速度和效率上实现数量级的提升。

Inception 创新的核心在于将扩散模型（Diffusion Models）——即支持 Stable Diffusion 和 Midjourney 等超现实图像生成器的同项技术——应用于代码生成领域。其旗舰产品 Mercury 模型旨在为软件开发性能基准带来变革性提升，提供前所未有的速度和成本效益。这不仅代表了又一个语言模型，更是生成式 AI 在构建和部署代码生成任务方面的一次根本性范式转变。

5000 万美元种子轮融资：代码扩散模型的战略投资

实力雄厚的投资者联盟

支持 Inception 的投资者联盟堪称企业技术和 AI 创新领域的权威名录。Menlo Ventures 领投，Mayfield、Innovation Endeavors、Nvidia 的 NVentures、Microsoft 的 M12、Snowflake Ventures 和 Databricks Investment 跟投。这一战略联盟不仅反映了财务信心，更预示着深度的生态系统整合。来自 Snowflake 和 Databricks 等云基础设施领导者的支持，表明了企业对更高效数据和代码处理的强劲需求。Nvidia 的支持指向硬件层面的协同效应，而 Microsoft 的参与则暗示了与开发者生态系统（包括 GitHub 和 VS Code 等平台）进行整合的潜力。

除了风险投资，这笔资金还包括来自 Andrew Ng（Google Brain 和 Coursera 的联合创始人）以及 Andrej Karpathy（曾任 Tesla AI 总监及 OpenAI 核心研究员）的天使投资。他们的参与增加了显著的技术公信力，并验证了 diffusion-first 方法在代码生成领域的潜在影响力。

为什么这项投资至关重要

在训练和运行大型语言模型的成本已达到天文数字的时代，Inception 对计算效率的关注代表了一项关键创新。目前的自回归模型虽然强大，但因昂贵和缓慢而闻名，这造成了极高的准入门槛，并将权力集中在少数资金充足的实验室中。Inception 的方法有望通过大幅降低两个最关键的指标——延迟和计算成本，从而实现高性能 AI的普及。

理解用于代码的扩散模型：一种全新的架构范式

自回归模型：传统方法

自回归模型（包括整个 GPT 系列和大多数其他知名大语言模型）通过根据所有先前生成的 token 预测下一个 token 来按顺序运行。当收到任务指令时，这些模型一次生成一个 token，不断重新读取到目前为止的序列以确定下一个 token。这个过程一直持续到生成完整的响应。

将传统的代码生成想象成一位细致入微的作家，逐行撰写代码，在决定下一个词之前总是要查阅之前写过的所有内容。虽然这种方法在创建连贯、上下文感知的代码方面被证明非常有效，但其固有的顺序特性造成了关键的瓶颈。该过程无法并行化，导致高延迟——开发者必须等待模型一步一步地“思考”。这在实时应用和处理大型代码库时变得尤为棘手。

扩散模型：并行替代方案

扩散模型（Diffusion models）基于完全不同的原理运行，以整体和迭代的方式工作。这些模型最初在图像生成领域趋于完善，它们从一片随机噪声开始，通过迭代去噪步骤逐渐对其进行精细化，直到收敛为符合用户要求的连贯输出。扩散方法不像逐个 token 生成代码，而是像一位雕塑家从一块大理石开始，同时从各个角度进行打磨，直到一个完整的结构显现出来。

这种迭代精细化实现了大规模并行化。扩散模型不再被锁定在顺序预测链中，而是可以同时处理和修改输出的多个部分，从而充分利用现代 GPU 硬件的并行处理能力。这种架构差异使得基于扩散的模型天然适合代码生成，因为对整个代码结构的全面理解对于准确性和效率至关重要。

Mercury：Inception 的旗舰级代码扩散模型

革命性的性能基准测试

Mercury 模型是 Inception 的旗舰产品，是一种专门为软件开发任务设计的基于扩散的生成式 AI。其性能表现极其出色。根据 Artificial Analysis 的独立评估，Mercury Coder Mini 在 NVIDIA H100 GPU 上的吞吐量达到每秒 1,109 个 token，而 Mercury Coder Small 则保持在每秒 737 个 token。与来自 OpenAI、Anthropic 和 Google 等领先供应商的优化速度模型相比，这代表了高达 10 倍的速度优势。

这种显著的速度提升直接源于模型的并行架构。由于扩散模型是同时执行操作而非按顺序执行，因此它们生成或修改大型代码块的速度远快于受限于逐个预测 token 的序列模型。这种速度直接转化为更低的延迟，为开发者创造了更具交互性和无缝的体验。此外，这种计算效率降低了单次查询的总体成本，使得先进的AI 驱动的开发工具在大规模应用中具备经济可行性。

Mercury 的代码生成质量与性能

Mercury Coder Mini 在代码基准测试中超越了所有开源权重模型，同时速度快 8 倍以上，达到每秒约 1,100 个 token。Mercury Coder Small 在代码基准测试中实现了与 Claude 3.5 Haiku 和 Gemini 2.0 Flash 等前沿速度优化模型相当的性能，同时保持了显著优越的吞吐量。该模型保留了 transformer 架构，并兼容标准的提示方法，包括 zero-shot、few-shot 和 chain-of-thought 方法，确保与现有开发者工作流的无缝集成。

Mercury 在代码生成领域的真实世界集成

Inception 不仅仅是在构建理论模型；该公司正积极将 Mercury 部署到生产环境中。Mercury 已被集成到包括 ProxyAI、Buildglare 和 Kilo Code 在内的多种开发工具中，证明了该模型在实际代码生成场景中的适用性。

Buildglare 作为一个低代码 Web 开发平台，集成了 Mercury Coder 来处理局部代码编辑——仅更新文件的相关片段，而不是重新生成整个代码库。对于开发者而言，这种能力在重构大型函数、理解跨多个文件的依赖关系或为新组件生成样板代码时，极大地改善了工作流程。自回归模型通常难以维持上下文，或在处理全面的代码范围时耗费过多时间，而 Mercury 的整体方法能够高效地增量修改大型代码结构，提供更快且可能更准确的结果。

战略优势：为什么将扩散模型用于代码生成是明智之举

解决可扩展性和成本限制

当今领先的大语言模型对基础设施的需求巨大，需要庞大的昂贵 GPU 集群，从而造成了限制可扩展性的计算瓶颈。Inception 基于扩散的模型通过显著提高速度和效率提供了一条前进之路，为企业提供了极具吸引力的经济论据。公司可以用大幅减少的计算资源实现相当或更优的结果，降低运营成本，并使复杂的代码 生成 AI 对更广泛的应用和组织变得可行。

与现代硬件的架构对齐

同时处理操作的能力代表了扩散模型的核心架构优势。现代 GPU 是为并行计算而设计的，然而自回归模型凭借其顺序逻辑，无法充分利用这些能力。它们必须一个接一个地执行操作，导致宝贵的计算资源处于闲置状态。

相比之下，扩散模型天生为并行而生。它们的迭代细化过程可以分解为许多独立的计算，这些计算可以在现代 GPU 的数千个核心上并发执行。这种与当代硬件基础设施优势的内在契合，使得延迟得到了显著改善，并将基于扩散的架构定位为更适合 AI 基础设施和代码生成未来的选择。

远见卓识的领导层：Stefano Ermon 及其背后的 Inception 团队

Stefano Ermon 的先驱性研究

Stefano Ermon 是斯坦福大学的一位教授，其研究重点是扩散模型，他并非投机进入 AI 领域的新人。他在扩散模型方面的深厚学术背景，为应对这一技术复杂且雄心勃勃的挑战提供了基础专业知识和公信力。作为Midjourney 和 OpenAI 的 Sora 等系统底层扩散方法的共同发明人，Ermon 的愿景是将这些经过验证的原理应用于具有经济价值的软件代码领域。

支持团队与技术公信力

该公司由来自斯坦福大学、加州大学洛杉矶分校（UCLA）和康奈尔大学的教授创立，他们领导了包括扩散模型、flash attention、decision transformers 和 direct preference optimization 在内的核心 AI 技术的开发。工程团队拥有来自 DeepMind、Microsoft、Meta、OpenAI 和 HashiCorp 的经验，带来了世界级的AI 开发专业知识和部署。这种技术人才的集中显著增强了 Inception 执行其在代码生成领域扩散模型宏伟愿景的能力。

未来展望：扩散模型会重新定义生成式 AI 吗？

对行业的竞争影响

Inception 正在直接挑战 OpenAI、Google 和 Anthropic 等公司构建其平台所依赖的架构基础。虽然目前还处于早期阶段，但在代码生成的执行速度和成本方面的显著优势，可能使 Inception 在开发者工具市场中建立起重要的利基地位。它的成功可能会迫使大型 AI 实验室加大对代码和文本非自回归架构的研究投入，从而激发整个行业的新一轮创新浪潮。

对软件开发的更广泛影响

如果 Mercury 及后续模型能够兑现其承诺，对软件开发的影响将是变革性的。近乎瞬时的代码补全、对整个代码库的智能重构以及自动调试可能成为标准功能。这不仅将大幅提升开发者的生产力，还将降低缺乏正式培训的新程序员的准入门槛。除了代码生成，该领域的成功还可以验证扩散模型在其他形式结构化数据中的应用——从金融建模和科学研究到音乐创作和复杂的物流规划。Inception 不仅仅是在构建一种更快的代码生成方式；它正在为一个更多样化、更高效的 AI 生态系统奠定基础。

近期产品开发路线图

Inception 的路线图包括利用内置纠错功能来减少幻觉的高级推理能力，以及统一的多模态能力。该模型架构还支持对结构化输出的高精度控制，使其成为工具调用和数据生成任务的理想选择。随着这些能力的成熟，在速度、成本和质量至关重要的代码生成应用中，基于扩散的模型可能会成为默认选择。

结论：高效 AI 的新时代

Inception 的 5000 万美元融资轮不仅仅是 AI 投资热潮中的又一个头条新闻；它反映了一场深思熟虑且高风险的赌注，押注于 生成式 AI 根本不同的架构未来。通过利用扩散模型在代码生成方面的并行和整体特性，Stefano Ermon 及其团队正在直接应对延迟和计算成本这些关键的行业挑战。在科技巨头和 AI 愿景持有者的支持下，Inception 不仅仅是一个有趣的学术实验；它代表了一个严肃的商业企业，具有重塑开发人员工具链并重新定义人工智能在速度、效率和可访问性方面预期的真实潜力。

构建下一代 AI 的竞赛不再局限于单一赛道；一条全新的并行路径已经建立。市场将决定基于扩散的方法最终是否会取代自回归模型，或者这两种架构是否都能找到各自的最佳生态位。显而易见的是，来自领先投资者的 5000 万美元信任票标志着我们对用于代码生成及其他领域的 生成式 AI 方法开始进行根本性的重新评估。

常见问题解答

什么是 Inception 的 Mercury 模型？

Mercury 模型是 Inception 的旗舰产品，这是一款专为软件开发任务设计的基于扩散（diffusion-based）的生成式 AI，旨在提供比传统自回归模型更低的延迟和更高的效率。

用于代码生成的扩散模型与 GPT 等自回归模型有何不同？

像 GPT 这样的自回归模型按线性顺序逐个标记（token-by-token）生成代码，而扩散模型则采用整体工作方式，从随机噪声开始，并行地迭代优化整个代码块，直到符合预期的输出。

为什么扩散模型在代码生成方面可能更快？

它们的主要速度优势源于并行性——由于扩散模型可以同时处理和修改代码的多个部分，它们能够充分利用现代 GPU 的并行处理能力，避免了自回归模型固有的顺序瓶颈，从而显著降低了响应时间。

谁投资了 Inception 的 5000 万美元融资？

本轮融资由 Menlo Ventures 领投，参与方包括主要的风险投资公司以及 Microsoft (M12)、Nvidia (NVentures)、Snowflake 和 Databricks 的企业风投部门，著名 AI 研究员 Andrew Ng 和 Andrej Karpathy 也作为天使投资人参与其中。

Inception 的扩散模型对软件开发者的主要优势是什么？

主要优势在于速度和交互性——通过大幅降低延迟并承诺每秒超过 1,000 个 token，Inception 的模型可以为复杂的代码生成任务（如重构大型函数或跨大型代码库生成代码）提供近乎瞬时的反馈，从而创造无缝且高效的开发体验。

Stefano Ermon 对扩散模型的研究是新技术吗？

不，斯坦福大学教授 Stefano Ermon 多年来一直是扩散模型领域的领先研究者，远在扩散模型在图像生成和代码生成领域流行之前。Inception 代表了他长期学术成果在代码生成领域的商业应用。

代码生成模型中低延迟和高计算效率的关键优势是什么？

低延迟创造了更具响应性和互动性的用户体验，使 AI 代码生成 感觉是即时的而非迟缓的；而更低的计算成本使该技术更具经济性和可扩展性，从而能够被更多开发者和组织采用，并减少了传统大语言模型对庞大基础设施和能源的需求。