Investing in Mirendil

KẾT LUẬN

a16z dẫn đầu vòng seed của Mirendil vì tin rằng tương lai AI cần một hệ sinh thái mở — nơi các kỹ sư, nhà nghiên cứu và chuyên gia ngoài phòng lab lớn có thể tự thực hiện nghiên cứu AI chuyên sâu (frontier AI work), thay vì chỉ gửi prompt qua API. Mirendil đang xây dựng nền tảng nghiên cứu cấp phòng lab, giúp bất kỳ ai cũng có thể huấn luyện mô hình frontier và tự động hóa vòng lặp R&D AI. Nếu thành công, điều này có thể tái cấu trúc toàn bộ hệ sinh thái AI và mở rộng tác động sang nhiều lĩnh vực như khoa học vật liệu, khám phá thuốc, trợ lý pháp lý, phần mềm doanh nghiệp, và coding agents.

LUẬN ĐIỂM CHÍNH

• Cấu trúc ngành AI hiện tại quá tập trung: scaling laws khiến tài năng và tài nguyên dồn vào vài phòng lab lớn, chi phí huấn luyện lên tới hàng chục tỷ đô và hàng trăm nghìn GPU, tạo lợi thế ngày càng tích lũy cho nhóm thiểu số.
• Tiềm năng thực sự của AI chỉ được hiện thực hóa khi công nghệ đến tay builders: dữ liệu và chuyên môn lĩnh vực nằm ngoài lab thực sự quan trọng, không chỉ là prompt gửi API mà cần khả năng tự chạy thí nghiệm và cập nhật model weights.
• Để hiện thực hóa tầm nhìn, cần 2 yếu tố: (a) hệ mô hình mã nguồn mở frontier cho mọi người mở rộng, và (b) nền tảng nghiên cứu cấp phòng lab cho kỹ sư bình thường — Mirendil ra đời để giải quyết yếu tố thứ hai.
• Mirendil sở hữu đội ngũ hiếm có: Behnam Neyshabur (Google/Anthropic 7+ năm nghiên cứu AI cho khoa học), Harsh Mehta (xây dựng nền tảng autoresearch đầu tiên tại Anthropic), Shayan Salehian (core ML engineering tại xAI), Tara Rezaei (MIT, huy chương Olympiad).

LUẬN ĐIỂM PHỤ

• Cursor là case study thành công: từ dùng mô hình bên thứ ba → xây Composer models trên mã nguồn mở → pre-training frontier models tại SpaceX — mỗi giai đoạn cải thiện cả hiệu suất lẫn kinh tế sản phẩm, chứng minh mô hình phi tập trung hiệu quả.
• Các phòng lab lớn đã xây nền tảng nghiên cứu tương tự cho nội bộ nhưng không có động lực kinh tế để phát hành ra ngoài — Fable 5 thậm chí chặn nghiên cứu AI nâng cao cùng với rủi ro an toàn (bioweapons, cyberattacks), cho thấy cần một công ty độc lập làm việc này.
• Xây dựng sản phẩm này là bài toán hệ thống cực phức tạp: backend infrastructure, agent harness, evals, post-training, pre-training đều phải thiết kế đồng bộ — và dữ liệu huấn luyện phải bao phủ toàn bộ vòng lặp nghiên cứu AI từ đề xuất thí nghiệm đến so sánh checkpoint.

LUẬN CỨ & VÍ DỤ

• Cursor: minh chứng sống cho mô hình builders tự làm AI — tăng trưởng qua 3 giai đoạn đều gắn với việc làm chủ model, không phụ thuộc API bên thứ ba, mỗi bước tiến về modeling đều tích lũy (compounds) giống như nỗ lực tập trung của các lab lớn.
• Satya Nadella (CEO Microsoft): bài post nhấn mạnh developers, developers, developers — công nghệ vĩ đại luôn cần một hệ sinh thái thực sự, không thể do một vài công ty độc quyền.
• Fable 5 release: chặn quyền truy cập nghiên cứu AI nâng cao cùng nhóm rủi ro an toàn như vũ khí sinh học — bằng chứng các lab không hề có ý định mở nền tảng cho hệ sinh thái bên ngoài.

Nguồn: a16z | Phân tích bởi AI