在全球AI领域持续围绕自回归大模型（如GPT-5、Gemini）展开激烈竞争之际，一家名为Inception的新锐初创公司正凭借其颠覆性架构实现悄然突围。由斯坦福大学教授Stefano Ermon领衔的Inception近日宣布成功完成5000万美元种子轮融资，投资方阵容堪称豪华，由Menlo Ventures领投，微软M12、英伟达NVentures、Snowflake Ventures、Databricks Investment及Mayfield跟投，吴恩达(Andrew Ng)与Andrej Karpathy更以天使投资人身份加入。这一强大的投资团队无疑彰显了市场对Inception创新理念的的高度认可。
Inception的核心战略是将原本应用于图像生成的扩散模型（Diffusion Models）全面引入文本与代码领域，以此挑战当前主流的自回归范式。Ermon教授指出，GPT、Gemini等模型采用”逐词预测”的串行处理方式，这在处理大规模数据时存在明显效率瓶颈；而扩散模型通过并行迭代优化整体输出，在处理长文本和代码库时展现出显著性能优势。这一创新理念已成功转化为实际产品——公司最新发布的Mercury模型专为软件开发场景设计，目前已集成至ProxyAI、Buildglare、Kilo Code等多款开发者工具中。
实测数据显示，Mercury在代码补全、重构与跨文件理解等关键任务上，推理速度可突破1000token/秒，大幅超越现有自回归模型性能。”我们的架构天生为并行计算而生，”Ermon强调道，”它不仅速度更快、效率更高，而且对算力成本极为友好。”
为何扩散模型特别适合代码处理？这与代码本身的特性密切相关。代码具有结构严谨、依赖全局上下文、常需跨文件关联等特点，而自回归模型在处理这类任务时，容易因逐字生成而忽略整体逻辑一致性。相比之下，扩散模型从”噪声”状态出发，通过多轮全局调整逐步逼近目标输出，这种机制天然契合高结构化数据的处理需求。更值得关注的是，其并行计算特性能够充分释放GPU/TPU集群的算力，显著降低延迟与能耗，直接解决当前AI基础设施面临的高成本痛点。
投资方的战略布局也印证了这一技术路线的价值。在AI训练与推理成本持续飙升的背景下，效率已成为新的竞争焦点。微软、英伟达、Databricks等投资方均在积极构建AI开发栈，迫切需要高性能且低成本的模型底座。Inception所探索的路径，或将为大模型商业化提供一条”省算力、高吞吐”的新出路。
AIbase分析认为，Inception的崛起标志着AI架构探索已进入深水区。当参数竞赛的边际效益逐渐递减时，底层范式创新将成为破局关键。如果扩散式LLM能在代码、科研、金融等高价值场景持续验证其优势，这场由斯坦福实验室发起的技术革命，或将彻底重塑生成式AI的未来版图。
