בלעדי
חברת ה-AI הישראלית שגייסה עשרות מיליוני דולרים מביל אקמן ואריק שמידט
נקודות עיקריות.כלכליסט AI
- חברת הבינה המלאכותית Two Delta גייסה עשרות מיליוני דולרים ממשקיעים בולטים בהם ביל אקמן ואריק שמידט.
- הטכנולוגיה שפיתחה החברה נועדה להאיץ את פעולתם של מודלי שפה ולשפר את יעילות ניצול משאבי המחשוב.
- מחקר שפרסמה החברה חשף קשיים של סוכני בינה מלאכותית בשמירה על תקינות אפליקציות לאורך תהליכי פיתוח מצטברים.
חברת הבינה המלאכותית Two Delta הוקמה ב-2025 ושומרת על חשאיות רבה, ואין פרטים רבים עליה ברשת למעט מספר מחקרים שעשתה ופרסמה. לכלכליסט נודע שהחברה ערכה סבב סיד של עשרות מיליוני דולרים וגייסה משורה של משקיעים ביניהם מייסד ומנכ"ל קרן פרשינג סקוור, ביל אקמן, ויו"ר גוגל לשעבר, אריק שמידט.
מאחורי החברה עומדים בין היתר המייסדים דביר זלצר וד"ר אלי דויד. הטכנולוגיה שפיתחה מיועדת להפוך הפעלת מודלי AI למהירה ויעילה יותר, ולשפר את ניצול משאבי המחשוב הנדרשים להפעלתם. דויד הוא חוקר ויזם ותיק בתחום הבינה המלאכותית, וזלצר מגיע מרקע עסקי וניהולי, כולל תפקיד בכיר בגוגל.
באוקטובר 2026 פרסמה החברה תוצאות של שיתוף פעולה עם אנבידיה, שבמסגרתו פיתחה שיטה להאצת הפעולה של מודל הבינה המלאכותית Nemotron 3.5 Super. הטכנולוגיה, המכונה DCOCO, נועדה להגדיל את כמות הטקסט שהמודל מסוגל לייצר בכל שלב עיבוד, בלי לפגוע באיכות התשובות.
השיטה מבוססת על שיפור טכנולוגיית Speculative Decoding, שבה מודל קטן ומהיר מציע מראש רצף של מילים או אסימונים, והמודל הגדול בודק אותם. הבעיה היא שלא כל ההצעות מתאימות לרצף השלם. DCOCO משתמשת במידע על ההקשר ועל המילים המועמדות כדי לבחור רצפים עקביים יותר, וכך להגדיל את מספר האסימונים שמתקבלים בכל בדיקה.
לפי תוצאות הניסויים שמציגה החברה, בבדיקות על עשרה מערכי נתונים, DCOCO השיגה תפוקה ממוצעת הגבוהה פי 2.03 מפענוח רגיל, כאשר תהליך החשיבה של המודל כבוי והעיבוד נעשה באופן דטרמיניסטי. בהשוואה לשיטת DFlash, השיפור הממוצע בתפוקה היה 19.8%. החברה מדווחת כי היתרון נשמר גם בעומסי עבודה הכוללים בקשות רבות במקביל.
החברה פרסמה מחקר נוסף באתר שלה בשם EvoWeb, הבוחן את יכולתם של סוכני בינה מלאכותית לבנות אפליקציות ולתחזק אותן לאורך זמן, כאשר המשתמשים ממשיכים לבקש תוספות ושינויים. בניגוד למבחנים המקובלים, שבודקים את הצלחתו של סוכן בבניית אפליקציה בעקבות הנחיה אחת, EvoWeb בוחן את התהליך המצטבר, שבו כל בקשה חדשה מתבססת על הקוד שנכתב קודם לכן.
לפי ממצאי המחקר, אף אחד מהמודלים שנבדקו לא הצליח לשמור על תקינות מלאה של האפליקציה לאורך התהליך. המודלים המובילים, Fable 5 ו־Kimi K3, קיבלו ציון של כ־0.69 מתוך 1. הקושי המרכזי התגלה בשילוב תכונות חדשות עם יכולות שכבר פותחו, ואילו שיעור השגיאות בזמן הרצת האפליקציה עלה מ־2% לאחר תחילת התהליך ל־12% לאחר עשר בקשות. לעומת זאת, כשלים בשלב בניית האפליקציה נותרו נדירים. הממצאים מצביעים על פער בין יכולתם של סוכני AI לייצר קוד ולהוסיף תכונות לבין יכולתם לשמור על אפליקציה מתפקדת ככל שהיא נעשית מורכבת יותר.
