自从ChatGPT出现以来，人工智能以前所未有的方式占据了媒体和组织空间。但即使它的性能令人印象深刻，它的操作模式仍然主要基于大量非结构化数据的摄取和解释。然而，在大多数大型组织中，真正涉及预算、责任或风险的决策首先是使用以表格形式组织的结构化数据来制定的。
在这个领域，每个人都注意到，法学硕士不太舒服，原因很简单，它们是为语言建模而设计的，而不是在表格上计算。
因此，语言模型学习从序列中预测下一个标记。这种机制非常适合文本，其中信息由语法、上下文和语言规则承载。相反，表以逻辑结构对信息进行编码：类型列、单元格、键、缺失值、变量之间的隐式关系。
要“消化”LLM 中的表，通常必须将其序列化（将其转换为文本或 JSON）。我们失去了部分结构，特别是遇到了一个物质限制：上下文窗口。法学硕士只能推理它“看到”的内容。超过几千行、几万行，就从阅读切换到采样，甚至总结。然而，公司通常处理具有数百万行、有时数十亿行的数据集。
即使表格适合上下文，法学硕士仍然不适合使表格有价值的操作：可重复计算、大规模聚合、检测分布中的弱信号、严格处理缺失值、异常值、中断和状态变化。它们可以提供看似合理的解释，但在每次执行时提供稳定且严格相同的结果时，它们的可靠性较低，而这在苛刻的业务环境中是必不可少的。
这正是所谓方法的定位所在。 大型表格模型，旨在直接推理结构化数据。 这正是Fundamental 的情况，Fundamental 是一家人工智能实验室，刚刚从阴影中脱颖而出，推出了 NEXUS，其基础模型旨在利用大型组织规模的结构化数据。
最初的论点相对简单：公司已经拥有数据，而且通常数量庞大，但其部分价值仍然无法获得，因为传统的预测工具仍然经常充当家庭手工业。 Fundamental 提供了一个能够应用于各种问题的单一基础，无论是需求预测、价格定义、客户流失预测、风险、欺诈，而无需在每次迭代时重建架构。
技术挑战是基于语言模型的突破。 NEXUS 以大型表格模型的形式呈现，而不是“电子表格友好”的法学硕士。目标是产生尽可能接近业务需求的预测和建议，特别是在可重复性方面。
另一点强调了规模。当前人工智能中最广泛的架构很快就会遇到读取海量数据集的限制，而 Fundamental 的目标是处理类似于大公司现实的数据量：来自事务数据库、数据仓库和管理工具的巨大表，有时包含数十亿行。
因此，该初创公司与 AWS 建立了战略合作伙伴关系，允许企业客户直接在其现有的云环境中部署 NEXUS。目标是减少集成摩擦，使模型更接近数据，并使方法与安全性和合规性要求保持一致，而这些要求在实践中使许多人工智能承诺难以工业化。
如果在商业层面上，Fundamental 不会就其客户组合进行沟通，但它目前正在招聘一位经验丰富的企业客户经理来管理和发展与财富 100 强客户的关系，这表明了该初创公司的市场策略。
到目前为止，Fundamental 仍非常谨慎地宣布已筹集 2.55 亿美元，估值为 12 亿美元。该轮融资包括由 OAK HC/FT 领投、VALOR EQUITY PARTNERS、BATTERY VENTURES、SALESFORCE VENTURES 和 HETZ VENTURES 参与的 2.25 亿美元 A 轮融资，以及由 QUADRILLE CAPITAL、KIMA VENTURES、MOTIER VENTURES 和包括 ARAVIND SRINIVAS 在内的商业天使投资的 3000 万美元种子轮融资(Perplexity)、HENRIQUE DUBUGRAS (Brex) 和 OLIVIER POMEL (Datadog)。
Fundamental 的起源是一个“商业×科学×执行”的团队。 JEREMY FRAENKEL（首席执行官）曾任职于摩根大通和 BRIDGEWATER，在 Fundamental 之前他已经与 DRIFT（前身为 Arkifi）共同创立了一家初创公司。 MARTA GARNELO (CSO) 来自 GOOGLE DEEPMIND，她在该公司担任研究员七年多。最后，GABRIEL SUISSA 曾与 JP MORGAN 和 GREENFIELD PARTNERS 合作，为团队提供了以成长为导向的形象。
