Fugu Sakana AI Mengatur Model AI Terunggul untuk Mencabar Gergasi Industri

Strategi Baharu untuk Kecerdasan Buatan

TOKYO -- Pada 22 Jun 2026, Sakana AI memperkenalkan Fugu, sebuah perkhidmatan pengorkestraan berbilang ejen yang mengemukakan persoalan provokatif kepada industri teknologi. Adakah lonjakan seterusnya dalam kecerdasan buatan memerlukan pembinaan model monolitik yang lebih besar, atau bolehkah sistem yang lebih kecil dan pintar mencapai hasil serupa hanya dengan mengetahui pihak yang perlu dirujuk? Fugu, yang dinamakan sempena perkataan Jepun bagi ikan buntal, mencerminkan pertaruhan syarikat pemula dari Tokyo itu terhadap pendekatan kedua. Platform ini berfungsi seperti satu model kepada pengguna luar, sambil menyelaraskan sekumpulan sistem kecerdasan buatan khusus bertaraf termaju secara dalaman untuk menyelesaikan tugasan kompleks.

Pengumuman itu dibuat ketika penerimaan AI generatif oleh perusahaan berada pada titik perubahan yang kritikal. Selama bertahun-tahun, kemajuan sebahagian besarnya diukur berdasarkan bilangan parameter, pengiraan latihan dan persaingan membina model asas yang lebih besar. OpenAI, Anthropic, Google dan pihak lain mengikut falsafah penskalaan ini dengan hasil yang mengagumkan, menghasilkan sistem yang mampu lulus peperiksaan guaman, menulis kod canggih dan melakukan penaakulan berpanjangan. Namun, penumpuan keupayaan ini pada segelintir penyedia dari Amerika Syarikat telah mewujudkan kerentanan baharu. Akses kepada model paling berkuasa boleh berubah dalam sekelip mata akibat kawalan eksport, perubahan dasar korporat atau pertikaian geopolitik, sekali gus mendedahkan perniagaan antarabangsa kepada risiko.

Sakana AI mengemukakan seni bina alternatif yang berteraskan kecerdasan kolektif. Daripada cuba menyaingi makmal termaju dengan melatih model gergasi bertrilion parameter, syarikat itu membina penyelaras ringkas yang dianggarkan mempunyai kira-kira 7 bilion parameter dan berfungsi sebagai pengagih tugas utama. Apabila pengguna menghantar permintaan melalui API Fugu yang serasi dengan piawaian OpenAI, sistem menganalisis tugasan tersebut lalu sama ada menjawabnya secara langsung atau mengumpulkan pasukan model pakar untuk mengendalikan subtugas tertentu. Sistem itu kemudian mengesahkan hasil mereka dan menyatukannya menjadi satu jawapan. Bagi pembangun, pengalaman ini menyerupai penggunaan satu model bahasa besar. Namun di sebaliknya, seluruh jawatankuasa ejen mungkin telah menyumbang kepada jawapan tersebut.

Masa pelancarannya sukar untuk menjadi lebih strategik. Pada awal Jun, Anthropic tiba-tiba membatalkan akses awam kepada model Claude Mythos 5 dan Claude Fable 5 susulan arahan kawalan eksport kerajaan Amerika Syarikat. Langkah itu mencetuskan kebimbangan dalam kalangan komuniti pembangun, khususnya pelanggan antarabangsa yang telah membina aliran kerja berasaskan sistem tersebut. Sakana AI secara jelas menyebut gangguan seumpamanya sebagai dorongan kepada reka bentuk Fugu, dan meletakkan perkhidmatan itu sebagai perlindungan daripada kebergantungan kepada satu vendor serta langkah ke arah apa yang disebutnya sebagai kedaulatan AI.

Ditubuhkan pada 2023 oleh bekas penyelidik Google Brain, David Ha, dan Llion Jones, yang turut menulis bersama makalah penting 2017 bertajuk Attention Is All You Need mengenai transformer, Sakana AI telah menarik perhatian dan pembiayaan yang besar. Pendedahan awam menunjukkan bahawa bank mega Jepun dan pengeluar cip Nvidia menyokong pusingan pembiayaan yang menilai syarikat itu pada kira-kira 30 bilion yen, sekali gus memberikan sumber untuk bersaing dengan pesaing yang jauh lebih besar. Melalui Fugu, syarikat itu mahu membuktikan bahawa inovasi Jepun boleh mencabar paradigma model termaju bukan dengan menirunya, tetapi dengan membayangkan semula cara keupayaan sedia ada digabungkan.

Di Sebalik Enjin Pengorkestraan

Untuk memahami Fugu, kita perlu melihat melangkaui permukaan API ringkasnya. Apabila sesuatu prompt diterima, sistem menghantarnya kepada model pusat yang disifatkan Sakana AI sebagai konduktor pembelajaran pengukuhan. Dalam kebanyakan kes, konduktor ini tidak menjana jawapan akhir sendiri. Sebaliknya, ia berperanan seperti penyelia di tapak pembinaan, menganalisis jenis tugasan secara dinamik dan mengagihkan bahagian kerja kepada ejen paling sesuai dalam kumpulan yang boleh ditukar ganti. Kumpulan itu merangkumi model termaju pihak ketiga daripada penyedia seperti OpenAI, Anthropic dan Google, serta instans Fugu sendiri yang digunakan secara rekursif untuk penaakulan bersarang.

Asas teori bagi pendekatan ini datang daripada dua makalah penyelidikan yang dibentangkan pada Persidangan Antarabangsa mengenai Perwakilan Pembelajaran 2026: Trinity: An Evolved LLM Coordinator dan Learning to Orchestrate Agents in Natural Language with the Conductor. Trinity memperkenalkan rangka kerja pengkomputeran evolusi yang membolehkan penyelaras pusat mencipta dan mengubah struktur ejen secara langsung, dengan melabelkannya sebagai Thinker, Worker atau Verifier mengikut keperluan tugasan. Thinker menganalisis keperluan, Worker menjalankan pengiraan tertentu, manakala Verifier menyemak konsistensi dan ketepatan hasil.

Conductor memperluas pendekatan ini dengan menggunakan pembelajaran pengukuhan mendalam untuk melatih penyelaras dalam seni pengagihan tugas menggunakan bahasa semula jadi. Melalui latihan yang meluas, model pusat yang kecil itu mempelajari bila perlu mengagihkan tugas dan bila perlu menjawab secara langsung, cara ejen patut berkomunikasi antara satu sama lain, serta cara menggabungkan hasil yang berbeza menjadi jawapan akhir yang koheren. Hasilnya bukan aliran kerja yang ditetapkan lebih awal, tetapi sistem adaptif yang menemukan strategi penyelarasan melalui pengalaman. Perbezaan ini penting kerana Fugu boleh mengendalikan jenis tugasan baharu yang mungkin tidak pernah dijangka secara khusus oleh perekanya, bukannya terhad kepada strategi kerja yang tegar.

Dari sudut kejuruteraan, salah satu aspek Fugu yang paling menarik ialah keupayaan rekursifnya. Pengorkestra boleh menghantar subtugas kembali kepada dirinya sendiri, lalu membentuk rantaian penaakulan berlapis untuk masalah yang memerlukan analisis berpanjangan. Ini bermakna penyelaras dengan 7 bilion parameter itu boleh mengurus aliran kerja dengan kerumitan sewenang-wenangnya tanpa perlu memiliki sendiri pengetahuan ensiklopedik yang tersimpan dalam ratusan bilion parameter model asas termaju. Saiznya yang lebih kecil diimbangi kecerdasan organisasi yang lebih unggul, suatu konsep yang mencabar andaian lazim bahawa lebih besar sentiasa lebih baik.

Penanda Aras dan Ujian Beta

Sakana AI menyertakan pelancaran Fugu dengan beberapa dakwaan prestasi yang berani. Dalam SWE-Bench Pro, penanda aras yang dihormati secara meluas untuk menguji keupayaan sistem AI mengesan dan membaiki pepijat dalam repositori perisian sebenar, Fugu Ultra dilaporkan memperoleh skor 73.7. Menurut penilaian yang diterbitkan oleh syarikat itu, skor tersebut mengatasi Claude 4.8 Opus pada 69.2 dan GPT-5.5 pada 58.6. Skor lain yang dilaporkan termasuk 95.5 dalam GPQA-Diamond, ujian soal jawab peringkat siswazah yang direka agar sukar dijawab hanya melalui carian web; 93.2 dalam LiveCodeBench; 82.1 dalam TerminalBench 2.1, yang menilai keupayaan pentadbiran sistem; dan 50.0 dalam Humanity's Last Exam, ujian penaakulan yang terkenal sukar.

Pengesahan bebas terhadap angka ini masih terhad, dan industri AI mempunyai sejarah panjang keputusan penanda aras yang sukar dihasilkan semula dalam persekitaran produksi. Keadaan ujian, teknik kejuruteraan prompt dan bilangan percubaan yang dibenarkan semuanya boleh mempengaruhi skor. Namun begitu, kepelbagaian bidang dalam laporan syarikat itu menunjukkan bahawa pendekatan pengorkestraan sekurang-kurangnya mampu bersaing dengan model termaju monolitik, malah mungkin mengatasinya dalam bidang tertentu.

Maklum balas daripada hampir 500 penguji beta yang menggunakan Fugu sepanjang tempoh pratonton berpanjangan yang memfokuskan aliran kerja kompleks dan panjang mungkin lebih mendedahkan berbanding penanda aras. Dalam pembangunan perisian, peserta melaporkan bahawa Fugu Ultra sangat teliti ketika menyemak kod. Seorang jurutera yang menyertai beta itu memberitahu Sakana AI bahawa model asas lazimnya mengesan kira-kira tiga isu dalam sesuatu pangkalan kod, tetapi Fugu menemukan lebih daripada 20 isu serta memberikan penjelasan terperinci dan langkah pembaikan.

Untuk semakan kod, Fugu Ultra lebih baik daripada GPT-5.5. Jawapannya menyeluruh dan ia menemukan pepijat yang terlepas daripada model lain. Kini saya menggunakan model ini untuk semua semakan kod saya.

Selain pengekodan, pasukan keselamatan siber menggunakan Fugu Ultra untuk mengautomasikan keseluruhan kitaran ujian penembusan. Pengendali manusia akan menentukan skop, kemudian enjin pengorkestraan menjalankan peninjauan, menguji kerentanan XSS dan suntikan SQL, menyemak mekanisme pengesahan dan menyusun laporan akhir yang disertakan bukti serta prosedur ujian semula yang tepat. Peserta beta mengesahkan bahawa sistem itu mematuhi parameter operasinya dengan ketat, mengelakkan tindakan yang merosakkan sambil kekal teliti. Eksekutif perusahaan turut menekankan kestabilan persona, dengan menyatakan bahawa Fugu mengekalkan identiti dan fokus yang konsisten sepanjang sesi berpanjangan, sedangkan model lain sering mengalami kemerosotan konteks.

Dua Peringkat, Satu API

Sakana AI mengkomersialkan Fugu melalui dua peringkat perkhidmatan berbeza, yang kedua-duanya boleh diakses menerusi satu titik akhir API yang serasi dengan piawaian OpenAI. Model Fugu standard dioptimumkan untuk tugasan produksi dengan kependaman rendah seperti chatbot interaktif, bantuan pengekodan langsung dan alat semakan kod seperti Codex. Model ini mengimbangi prestasi dan kelajuan, menjadikannya sesuai untuk aplikasi yang penggunanya menjangkakan respons hampir serta-merta. Bagi organisasi yang tertakluk pada tadbir urus data atau peraturan privasi yang ketat, peringkat standard membolehkan ejen asas tertentu dikecualikan secara manual daripada kumpulan penghalaan. Ciri ini membolehkan pasukan pematuhan menghalang data sensitif daripada dihantar kepada penyedia pihak ketiga tertentu tanpa perlu meninggalkan rangka kerja pengorkestraan sepenuhnya.

Fugu Ultra berada pada peringkat premium. Ia direka untuk memberikan jawapan berkualiti tinggi bagi tugasan kompleks dan mencabar yang memerlukan penaakulan mendalam merentas banyak langkah. Antaranya termasuk menghasilkan semula makalah akademik, penyiasatan paten, aliran kerja sains data lanjutan dan audit keselamatan menyeluruh. Ultra menyelaraskan kumpulan ejen pakar yang lebih besar dan tetap, maka fungsi pengecualian tidak tersedia. Pertukarannya ialah kependaman lebih tinggi dan penggunaan token lebih banyak, tetapi Sakana AI berhujah bahawa peningkatan ketepatan berbaloi dengan kosnya untuk aplikasi kritikal misi. Pengenal pasti model semasa bagi peringkat ini ialah fugu-ultra-20260615.

Harga mencerminkan perbezaan antara kedua-dua produk. Fugu Ultra berharga $5 bagi setiap sejuta token input dan $30 bagi setiap sejuta token output, dengan kadar berganda bagi konteks yang melebihi 272,000 token. Pelan langganan berharga antara $20 hingga $200 sebulan, dan Sakana AI menawarkan bulan kedua secara percuma kepada pelanggan yang mendaftar sebelum penghujung Julai 2026, mengikut peringkat pilihan mereka. Penggunaan token dan kos berkaitan dilaporkan bagi setiap permintaan, membolehkan pasukan kewangan dan kejuruteraan memantau perbelanjaan dalam masa nyata. Perkhidmatan ini belum tersedia di Kesatuan Eropah atau Kawasan Ekonomi Eropah sementara syarikat berusaha menyelaraskan operasinya dengan Peraturan Perlindungan Data Umum, satu kekangan yang mengehadkan jangkauan global platform itu ketika pelancaran.

Geopolitik Penghalaan Model

Daya tarikan komersial Fugu melangkaui seni bina teknikal hingga ke bidang pengurusan risiko geopolitik. Rantaian bekalan AI moden sangat tertumpu. Segelintir syarikat Amerika mengawal akses kepada model asas paling berkeupayaan, dan keputusan mereka semakin tertakluk pada pengawasan kerajaan. Apabila Amerika Syarikat mengenakan kawalan eksport terhadap model Anthropic Fable dan Mythos pada Jun 2026, episod itu menjadi amaran kepada perusahaan di luar Amerika yang membina aliran kerja kritikal berasaskan satu penyedia. Dalam sekelip mata, akses terputus dan pasukan perolehan tidak mempunyai pilihan alternatif serta-merta.

Sakana AI memasarkan Fugu sebagai perlindungan daripada senario sedemikian. Oleh sebab pengorkestra boleh menghala semula tugasan secara dinamik apabila penyedia tidak tersedia atau dikenakan sekatan, syarikat itu berhujah bahawa pelanggan memperoleh daya tahan tanpa mengorbankan keupayaan. Jika model Anthropic tidak lagi boleh diakses, Fugu mengalihkan beban kerja kepada OpenAI, Google atau alternatif yang tersedia secara terbuka. Jika model baharu memasuki pasaran dan cemerlang dalam tugasan tertentu, Sakana AI berkata model itu boleh dimasukkan ke dalam kumpulan tanpa memaksa pelanggan menulis semula aplikasi mereka agar serasi dengan API baharu. Seni bina yang boleh ditukar ganti ini mencerminkan bentuk kedaulatan AI yang lebih nyata berbanding banyak perbincangan dasar abstrak yang kini berlegar dalam kalangan teknologi.

Bagi perusahaan dan institusi kerajaan Jepun, tawaran ini amat relevan. Jepun telah menjadikan keupayaan AI domestik sebagai keutamaan strategik, manakala kebergantungan sepenuhnya pada teknologi termaju Amerika menimbulkan kebimbangan dari sudut ekonomi dan keselamatan negara. Vendor berpangkalan di Tokyo yang menawarkan sokongan tempatan, pilihan pengendalian data serantau dan falsafah teknikal alternatif memberikan naratif yang menarik kepada pembeli yang mahu mempelbagaikan portfolio teknologi mereka. Barisan pelabur Sakana AI, termasuk institusi kewangan utama Jepun, mengukuhkan kedudukan ini.

Namun, sikap skeptikal tetap berasas. Kumpulan ejen Fugu masih sangat bergantung pada gergasi Amerika yang kononnya mahu dielakkannya. Sistem itu tidak dapat memberikan hasil bertaraf termaju jika akses API kepada GPT, Claude dan Gemini terputus sepenuhnya. Kebebasan sebenar memerlukan ekosistem kukuh model domestik atau tersedia secara terbuka yang mampu menandingi sistem tersebut, dan ekosistem sedemikian belum wujud pada skala besar. Pengkritik turut menyatakan bahawa Fugu ialah perkhidmatan komersial proprietari, bukannya rangka kerja terbuka. Ini bermakna pelanggan menukar kebergantungan kepada satu vendor kepada kebergantungan kepada vendor lain, meskipun dengan model perniagaan yang berbeza.

Maksud Pelancaran Ini bagi Pembangunan AI

Jika dakwaan prestasi Fugu bertahan dalam penelitian luaran yang berterusan, kesannya terhadap penyelidikan kecerdasan buatan boleh menjadi besar. Hampir sedekad lamanya, bidang ini berpegang pada hipotesis penskalaan: lebih banyak parameter, lebih banyak data dan lebih banyak pengiraan menghasilkan keputusan yang lebih baik. Falsafah ini telah menghasilkan sistem yang benar-benar mengagumkan, tetapi turut mewujudkan halangan kemasukan yang begitu tinggi sehingga hanya syarikat dan kerajaan terkaya mampu menyertainya. Latihan model asas termaju menelan kos ratusan juta dolar dan memerlukan perkakasan khusus yang turut tertakluk pada sekatan eksport.

Fugu menunjukkan laluan yang berbeza. Ia mencadangkan bahawa model yang agak kecil, dilatih khusus untuk penyelarasan dan bukannya pengetahuan ensiklopedik, boleh mengatasi batasannya dengan memanfaatkan sumber sedia ada secara bijak. Ini mengalihkan persaingan daripada keupayaan latihan mentah kepada kecanggihan seni bina dan kecekapan pengorkestraan. Ia juga mendemokrasikan akses kepada AI berprestasi tinggi, dalam erti kata penghala yang direka dengan baik secara teori boleh dibina oleh organisasi dengan belanjawan jauh lebih kecil berbanding kos melatih model setaraf GPT dari awal.

Komuniti penyelidikan telah lama mengkaji sistem berbilang ejen dan campuran pakar, tetapi Fugu merupakan antara pelaksanaan komersial terkemuka pertama yang diposisikan sebagai alternatif langsung kepada model termaju monolitik. Kejayaan atau kegagalannya berkemungkinan mempengaruhi sama ada modal teroka dan dana penyelidikan korporat mula mengalir kepada teknologi pengorkestraan dan penyelarasan, bukannya hanya kepada penskalaan model asas. Maklum balas beta setakat ini menunjukkan bahawa aliran kerja perusahaan tertentu, khususnya yang melibatkan tugasan berjangka panjang seperti semakan kod dan audit keselamatan, mungkin lebih sesuai dikendalikan oleh sistem teragih berbanding model yang dipanggil sekali sahaja.

Sudah tentu, pendekatan ini bukan tanpa kekurangan. Langkah penaakulan berbilang ejen yang kompleks boleh menambah kependaman sehingga Fugu tidak sesuai untuk aplikasi yang memerlukan respons dalam milisaat. Tugasan intensif juga menggunakan kuota pengiraan yang besar, manakala sifat logik penghalaan yang tidak telus bermakna pengguna tidak semestinya mengetahui model asas yang mengendalikan data mereka, sekali gus menyukarkan usaha pematuhan dalam industri terkawal. Sakana AI mengakui batasan ini, namun berhujah bahawa manfaatnya mengatasi kos bagi pelbagai tugasan analitik dan kejuruteraan.

Perkara Utama

• Sakana AI melancarkan Fugu, perkhidmatan pengorkestraan berbilang ejen yang menghala tugasan merentas kumpulan model AI termaju yang boleh ditukar ganti melalui satu API serasi dengan piawaian OpenAI.
• Sistem ini menggunakan model penyelaras ringkas dengan kira-kira 7 bilion parameter, bukannya model asas monolitik yang sangat besar, berdasarkan penyelidikan dalam makalah Trinity dan Conductor oleh Sakana AI.
• Fugu Ultra mendakwa memperoleh skor penanda aras yang kompetitif dalam SWE-Bench Pro, GPQA-Diamond, LiveCodeBench dan ujian lain berbanding sistem terkemuka termasuk GPT-5.5 dan Claude Opus 4.8.
• Dua peringkat ditawarkan: Fugu standard untuk tugasan produksi dengan kependaman rendah dan kawalan pematuhan untuk pengecualian manual, serta Fugu Ultra untuk penaakulan kompleks dengan kumpulan ejen tetap yang lebih besar.
• Pelancaran ini menyasarkan perusahaan yang mahukan daya tahan terhadap pergantungan kepada vendor dan gangguan kawalan eksport, meskipun perkhidmatan itu masih bergantung pada API model termaju Amerika.
• Fugu tersedia di seluruh dunia kecuali di EU dan EEA sementara pematuhan GDPR masih dalam proses; harga Ultra bermula pada $5 bagi setiap sejuta token input dan $30 bagi setiap sejuta token output.