Pinag-uugnay ng Fugu ng Sakana AI ang mga Nangungunang Modelo ng AI upang Hamunin ang mga Higante sa Industriya

Isang Bagong Estratehiya para sa Artipisyal na Intelihensiya

TOKYO -- Noong Hunyo 22, 2026, inilunsad ng Sakana AI ang Fugu, isang serbisyong nag-uugnay at namamahala sa maraming AI agent na naghaharap ng mapanghamong tanong sa industriya ng teknolohiya. Kailangan ba ang pagbuo ng mas malaking monolitikong modelo para sa susunod na malaking pag-unlad sa artipisyal na intelihensiya, o makakamit ba ng mas maliit at mas matalinong sistema ang katulad na resulta sa simpleng pag-alam kung kanino hihingi ng tulong? Ipinangalan ang Fugu sa salitang Hapones para sa isdang pufferfish at ipinapakita nito ang pagtaya ng startup mula Tokyo sa huling pamamaraan. Kumikilos ang plataporma na parang iisang modelo para sa panlabas na gumagamit, habang sa loob ay pinag-uugnay nito ang pangkat ng mga espesyalisadong makabagong sistema ng artipisyal na intelihensiya upang lutasin ang masasalimuot na gawain.

Dumarating ang anunsiyo sa mahalagang yugto para sa paggamit ng generative AI ng mga negosyo. Sa loob ng maraming taon, pangunahing sinukat ang pag-unlad batay sa dami ng mga parameter, computational power sa pagsasanay, at karera sa pagbuo ng mas malalaking pundasyong modelo. Sinunod ng OpenAI, Anthropic, Google at iba pa ang pilosopiyang ito ng pagpapalaki, na nagbunga ng kapansin-pansing resulta: mga sistemang kayang pumasa sa pagsusulit sa abogasya, sumulat ng masalimuot na code at magsagawa ng mahabang pangangatwiran. Ngunit nagdulot ng mga bagong kahinaan ang pagkakonsentra ng kakayahang ito sa iilang Amerikanong provider. Maaaring magbago nang magdamag ang akses sa pinakamakapangyarihang mga modelo dahil sa mga kontrol sa pag-export, pagbabago sa patakaran ng kumpanya o alitang heopolitikal, kaya nalalagay sa alanganin ang mga negosyong internasyonal.

Nagmumungkahi ang Sakana AI ng alternatibong arkitektura na nakaugat sa sama-samang intelihensiya. Sa halip na subukang tapatan ang mga nangungunang laboratoryo sa pamamagitan ng pagsasanay ng dambuhalang modelong may isang trilyong parameter, bumuo ang kumpanya ng maliit na tagapag-ugnay, na tinatayang may humigit-kumulang 7 bilyong parameter at nagsisilbing pangunahing tagapag-atas ng gawain. Kapag nagsumite ang gumagamit ng kahilingan sa pamamagitan ng Fugu API, na tugma sa mga pamantayan ng OpenAI, sinusuri ng sistema ang gawain at maaaring sumagot nang direkta o bumuo ng pangkat ng mga ekspertong modelo para humawak sa mga partikular na bahagi nito. Pagkatapos, bineberipika nito ang kanilang mga output at pinagsasama ang mga ito sa iisang sagot. Para sa developer, parang tumatawag lamang ito sa isang malaking language model. Ngunit sa likod nito, maaaring nakapag-ambag sa sagot ang isang buong komite ng mga agent.

Halos hindi na magiging mas madiskarte ang tiyempo nito. Mas maaga noong Hunyo, biglang binawi ng Anthropic ang pampublikong akses sa mga modelong Claude Mythos 5 at Claude Fable 5 kasunod ng utos ng gobyerno ng Estados Unidos tungkol sa kontrol sa pag-export. Nagdulot ito ng pag-aalala sa komunidad ng mga developer, lalo na sa mga internasyonal na kliyenteng bumuo ng mga workflow gamit ang mga sistemang iyon. Tahasang binanggit ng Sakana AI ang ganitong mga pagkaantala bilang dahilan sa disenyo ng Fugu, at inilalarawan ang serbisyo bilang panangga laban sa pagdepende sa iisang vendor at hakbang tungo sa tinatawag nitong soberanya sa AI.

Itinatag noong 2023 ng dating mananaliksik ng Google Brain na si David Ha at ni Llion Jones, na kapwa may-akda ng makasaysayang papel noong 2017 na transformer na Attention Is All You Need, nakakuha ng malaking atensiyon at pondo ang Sakana AI. Ayon sa mga pampublikong pagsisiwalat, sinuportahan ng malalaking bangko ng Japan at ng gumagawa ng chip na Nvidia ang isang round ng pamumuhunan na nagkakahalaga ng humigit-kumulang 30 bilyong yen, na nagbigay sa startup ng pondong kailangan upang makipagkumpitensiya sa mas malalaking karibal. Sa Fugu, layunin ng kumpanya na patunayang kayang hamunin ng inobasyong Hapones ang paradigma ng nangungunang mga modelo, hindi sa panggagaya rito kundi sa muling pag-iisip kung paano pagsasama-samahin ang mga umiiral na kakayahan.

Sa Loob ng Makina ng Pag-uugnay

Para maunawaan ang Fugu, kailangang tingnan lampas sa payak na API nito. Kapag dumating ang isang prompt, ipinapasa ito ng sistema sa isang sentral na modelo na inilalarawan ng Sakana AI bilang konduktor na sinanay sa reinforcement learning. Sa karamihan ng pagkakataon, hindi ang konduktor ang lumilikha ng panghuling sagot. Sa halip, ginagampanan nito ang papel ng foreman sa isang lugar ng konstruksyon: sinusuri nito ang uri ng gawain habang isinasagawa at iniaatas ang mga bahagi ng trabaho sa pinakaangkop na mga agent mula sa isang mapagpapalit na pangkat. Kabilang sa pangkat na ito ang mga nangungunang modelo mula sa mga third-party provider gaya ng OpenAI, Anthropic at Google, pati na rin ang mga paulit-ulit na instance ng Fugu para sa pangangatwirang may magkakapatong na antas.

Nagmula ang teoretikal na saligan ng pamamaraang ito sa dalawang papel ng pananaliksik na iniharap sa 2026 International Conference on Learning Representations: Trinity: An Evolved LLM Coordinator at Learning to Orchestrate Agents in Natural Language with the Conductor. Ipinapakilala ng Trinity ang balangkas ng evolutionary computing kung saan lumilikha at nagbabago on the fly ang sentral na tagapag-ugnay ng mga estruktura ng agent, at binibigyan ang mga ito ng mga papel gaya ng Thinker, Worker o Verifier depende sa hinihingi ng gawain. Sinusuri ng Thinker ang mga kinakailangan, isinasagawa ng Worker ang mga partikular na kalkulasyon, at tinitiyak ng Verifier ang pagkakapare-pareho at katumpakan ng mga output.

Pinalalawak ito ng Conductor sa pamamagitan ng paggamit ng deep reinforcement learning upang sanayin ang tagapag-ugnay sa mahusay na pagtatalaga ng gawain gamit ang natural na wika. Sa masinsinang pagsasanay, natututuhan ng maliit na sentral na modelo kung kailan dapat mag-atas sa iba sa halip na sumagot nang direkta, kung paano dapat mag-usap ang mga agent sa isa't isa at kung paano pagsasamahin ang magkakaibang output tungo sa magkakaugnay na panghuling resulta. Hindi ito paunang itinakdang workflow kundi isang sistemang umaangkop at nakakahanap ng mga estratehiya sa koordinasyon sa pamamagitan ng karanasan. Mahalaga ang pagkakaibang ito dahil nagagawa ng Fugu na humawak sa mga bagong uri ng gawain na maaaring hindi tahasang napag-isipan ng mga nagdisenyo nito, sa halip na malimitahan sa mahihigpit na nakahandang pamamaraan.

Mula sa pananaw ng engineering, isa sa mga pinakakaakit-akit na aspeto ng Fugu ang kakayahan nitong umulit sa sarili. Maaari ring magpadala ang tagapag-ugnay ng mga gawain pabalik sa sarili nito, na lumilikha ng mga kadena ng pangangatwiran na may maraming antas para sa mga problemang nangangailangan ng masusing pagsusuri. Ibig sabihin, kayang pamahalaan ng tagapag-ugnay na may 7 bilyong parameter ang mga workflow na anumang antas ng kasalimuotan, nang hindi taglay ang malawak na kaalamang ensiklopediko na nakaimbak sa daan-daang bilyong parameter ng mga nangungunang pundasyong modelo. Binabawi nito ang kakulangan sa laki sa pamamagitan ng mas mahusay na kakayahang mag-organisa, isang konseptong humahamon sa umiiral na palagay na laging mas mabuti ang mas malaki.

Mga Benchmark at Beta Test

Inilunsad ng Sakana AI ang Fugu kasabay ng matitinding pahayag tungkol sa performance nito. Sa SWE-Bench Pro, isang malawak na kinikilalang benchmark na sumusubok sa kakayahan ng AI system na hanapin at ayusin ang mga bug sa aktuwal na software repository, iniulat na nakakuha ang Fugu Ultra ng 73.7. Ayon sa mga inilathalang pagsusuri ng kumpanya, mas mataas ito sa 69.2 ng Claude 4.8 Opus at 58.6 ng GPT-5.5. Kabilang sa iba pang iniulat na marka ang 95.5 sa GPQA-Diamond, isang pagsusulit sa pagsagot sa mga tanong na panggradwado na idinisenyong hindi madaling malutas sa simpleng paghahanap sa web; 93.2 sa LiveCodeBench; 82.1 sa TerminalBench 2.1, na sumusukat sa kakayahan sa pangangasiwa ng mga sistema; at 50.0 sa Humanity's Last Exam, isang kilalang mahirap na pagsusulit sa pangangatwiran.

Limitado pa rin ang independiyenteng beripikasyon sa mga bilang na ito, at matagal nang may mga resulta ng benchmark sa industriya ng AI na mahirap ulitin sa aktuwal na paggamit. Maaaring makaapekto sa mga marka ang mga kondisyon ng pagsubok, mga teknik sa pagbuo ng prompt at bilang ng mga pinapayagang pagsubok. Gayunman, ipinahihiwatig ng lawak ng mga larangang saklaw sa mga ulat ng kumpanya na kahit papaano ay kayang makipagkumpitensiya ng pamamaraan ng pag-uugnay sa mga monolitikong nangungunang modelo, at maaaring mas mahusay pa ito sa ilang larangan.

Maaaring higit na makabuluhan kaysa sa mga benchmark ang puna ng halos 500 beta tester na gumamit ng Fugu sa pinalawig na preview na nakatuon sa mahahaba at masasalimuot na workflow. Sa software development, iniulat ng mga kalahok na lubhang masusi ang Fugu Ultra sa pagsuri ng code. Sinabi ng isang engineer na lumahok sa beta sa Sakana AI na karaniwang nasa tatlo lamang ang natutukoy na problema ng mga batayang modelo sa isang codebase, samantalang mahigit dalawampu ang inilalantad ng Fugu, kasama ang detalyadong paliwanag at mga hakbang sa pag-aayos.

Sa pagsusuri ng code, mas mahusay ang Fugu Ultra kaysa sa GPT-5.5. Komprehensibo ang mga sagot nito at nahahanap nito ang mga bug na hindi napapansin ng iba. Ito na ang modelong ginagamit ko sa lahat ng pagsusuri ko.

Hindi lang sa coding ginamit ang Fugu Ultra: ipinatupad ito ng mga pangkat sa cybersecurity upang awtomatikong isagawa ang buong siklo ng penetration testing. Itatakda ng taong operator ang saklaw, at isasagawa naman ng makina ng pag-uugnay ang reconnaissance, pagsusuri para sa mga kahinaang XSS at SQL injection, pagrepaso sa mga mekanismo ng authentication, at pagbuo ng panghuling ulat na may ebidensiya at eksaktong mga hakbang para muling subukan ang sistema. Kinumpirma ng mga beta tester na mahigpit na sinunod ng sistema ang mga itinakdang hangganan sa operasyon at naiwasan ang mapanirang mga hakbang habang nanatiling masusi. Binigyang-diin din ng mga ehekutibo ng negosyo ang pagiging matatag ng katauhan nito: napanatili ng Fugu ang pare-parehong identidad at pokus sa mahahabang sesyon, samantalang madalas mawalan ng konteksto ang ibang modelo.

Dalawang Antas, Isang API

Iniaalok ng Sakana AI ang Fugu sa dalawang magkaibang antas ng serbisyo, na parehong naaakses sa iisang API endpoint na tugma sa mga pamantayan ng OpenAI. In-optimize ang karaniwang Fugu para sa mga gawaing pangproduksiyon na nangangailangan ng mababang latency, gaya ng mga interactive chatbot, agarang tulong sa coding at mga tool sa pagsusuri ng code tulad ng Codex. Binabalanse nito ang performance at bilis, kaya angkop ito sa mga application na inaasahan ng mga gumagamit na halos agarang tumugon. Para sa mga organisasyong may mahigpit na tuntunin sa pamamahala ng datos o privacy, pinahihintulutan ng karaniwang antas na manu-manong alisin sa pangkat ng mga posibleng iatasang gawain ang mga partikular na agent. Nagbibigay-daan ito sa mga pangkat na nangangasiwa sa pagsunod sa mga regulasyon na pigilang makarating ang sensitibong datos sa ilang third-party provider nang hindi tuluyang tinatalikuran ang balangkas ng pag-uugnay.

Nasa premium na antas ang Fugu Ultra. Dinisenyo ito upang makapagbigay ng pinakamataas na kalidad ng sagot sa masalimuot at mahihirap na gawaing nangangailangan ng malalim na pangangatwiran sa maraming hakbang. Kabilang dito ang muling pagsasagawa ng mga akademikong pag-aaral, pagsisiyasat sa mga patent, mas masulong na workflow sa agham ng datos at masusing pag-audit sa seguridad. Inuugnay ng Ultra ang mas malalim at nakapirming pangkat ng mga ekspertong agent, kaya hindi magagamit dito ang opsyong mag-alis ng agent. Kapalit nito ang mas mataas na latency at mas malaking paggamit ng token, ngunit iginiit ng Sakana AI na sulit ang dagdag na gastos dahil sa pagbuti ng katumpakan para sa mga kritikal na aplikasyon. Ang kasalukuyang identifier ng modelo para sa antas na ito ay fugu-ultra-20260615.

Makikita sa presyo ang pagkakaiba ng dalawang produkto. Nagkakahalaga ang Fugu Ultra ng $5 kada isang milyong input token at $30 kada isang milyong output token; doble ang singil para sa mga kontekstong lampas 272,000 token. Nasa $20 hanggang $200 kada buwan ang mga subscription plan, at nag-aalok ang Sakana AI ng libreng ikalawang buwan sa napiling antas para sa mga subscriber na sasali bago matapos ang Hulyo 2026. Iniuulat ang paggamit ng token at kaugnay na gastos sa bawat kahilingan, kaya nasusubaybayan ng mga pangkat sa pananalapi at engineering ang paggasta nang real time. Kapansin-pansin na hindi pa magagamit ang serbisyo sa European Union o European Economic Area habang inaayon ng kumpanya ang operasyon nito sa General Data Protection Regulation. Nililimitahan ng puwang na ito ang pandaigdigang saklaw ng plataporma sa paglulunsad.

Heopolitika ng Pagpili ng Modelo

Hindi lamang teknikal na arkitektura ang pakinabang na inihahain ng Fugu; umaabot din ito sa pamamahala ng panganib na heopolitikal. Lubhang nakasentro sa iilang kumpanya ang makabagong supply chain ng AI. Iilang kumpanyang Amerikano ang kumokontrol sa akses sa pinakamahuhusay na pundasyong modelo, at lalong napapailalim sa pangangasiwa ng pamahalaan ang kanilang mga pasiya. Nang magpatupad ang Estados Unidos ng mga kontrol sa pag-export ng mga modelong Anthropic Fable at Mythos noong Hunyo 2026, nagsilbi itong babala sa mga negosyong nasa labas ng Amerika na bumuo ng mahahalagang workflow gamit ang iisang provider. Biglang nawala ang akses, at walang agarang alternatibo ang mga pangkat sa pagkuha ng teknolohiya.

Iniaalok ng Sakana AI ang Fugu bilang panangga laban mismo sa ganitong sitwasyon. Dahil kayang ilipat ng tagapag-ugnay ang gawain sa ibang provider kapag hindi na magagamit o pinaghigpitan ang isang provider, iginiit ng kumpanya na nagkakaroon ng katatagan ang mga customer nang hindi isinasakripisyo ang kakayahan. Kung hindi na maaakses ang mga modelo ng Anthropic, inililipat ng Fugu ang gawain sa OpenAI, Google o mga alternatibong bukas na magagamit. Kung may bagong modelong papasok sa merkado at mahusay sa isang partikular na gawain, sinasabi ng Sakana AI na maisasama ito sa pangkat nang hindi kailangang baguhin ng mga customer ang kanilang mga aplikasyon para umangkop sa bagong API. Mas kongkretong anyo ito ng soberanya sa AI kaysa sa marami sa mga abstraktong talakayan sa patakaran na kasalukuyang umiikot sa mga lupon ng teknolohiya.

Partikular na makahulugan ang alok na ito para sa mga negosyo at institusyon ng pamahalaan sa Japan. Ginawang estratehikong prayoridad ng Japan ang kakayahang bumuo ng AI sa loob ng bansa, at nagdudulot ng mga alalahanin sa ekonomiya at pambansang seguridad ang lubusang pag-asa sa mga nangungunang teknolohiyang Amerikano. Nag-aalok ang isang vendor na nakabase sa Tokyo ng lokal na suporta, mga opsyon sa pangangasiwa ng datos sa rehiyon at alternatibong pilosopiyang teknikal, na nagbibigay ng kapani-paniwalang dahilan para sa mga mamimiling naghahangad na pag-ibahin ang kanilang mga teknolohiyang ginagamit. Pinatitibay ng mga namumuhunan sa Sakana AI, kabilang ang malalaking institusyong pinansiyal ng Japan, ang ganitong posisyon.

Gayunman, may dahilan upang mag-alinlangan. Lubos pa ring umaasa ang pangkat ng mga agent ng Fugu sa mismong malalaking kumpanyang Amerikano na sinasabi nitong nilalampasan nito. Hindi makapagbibigay ang sistema ng mga resultang kapantay ng pinakamahuhusay na modelo kung tuluyang maputol ang akses sa mga API ng GPT, Claude at Gemini. Para magkaroon ng tunay na kasarinlan, kakailanganin ang matatag na ekosistema ng mga lokal o bukas na magagamit na modelong kayang tapatan ang mga sistemang iyon, at wala pa nito sa malawakang antas. Binabanggit din ng mga kritiko na pribadong serbisyong pangkomersiyo ang Fugu, hindi isang bukas na balangkas. Ibig sabihin, ipinagpapalit ng mga customer ang pagdepende sa isang vendor para sa pagdepende sa iba, bagama't naiiba ang modelo ng negosyo nito.

Ano ang Kahulugan ng Paglulunsad para sa Pagbuo ng AI

Kung mapagtitibay ng patuloy na masusing pagsusuri sa labas ang mga pahayag tungkol sa performance ng Fugu, maaaring malaki ang maging epekto nito sa pananaliksik sa artipisyal na intelihensiya. Sa halos isang dekada, sinunod ng larangan ang palagay na mas mahusay ang resulta kapag mas maraming parameter, datos at computational power ang ginamit. Nakalikha ang pilosopiyang ito ng tunay na kahanga-hangang mga sistema, ngunit nagtaas din ito ng mga hadlang sa pagpasok na napakataas anupa't pinakamayayamang korporasyon at pamahalaan lamang ang makalalahok. Nagkakahalaga ng daan-daang milyong dolyar ang pagsasanay sa isang nangungunang pundasyong modelo at nangangailangan ito ng espesyalisadong hardware na napapailalim din sa mga paghihigpit sa pag-export.

Ipinakikita ng Fugu ang ibang landas. Ipinahihiwatig nito na kayang higitan ng medyo maliit na modelong sinanay partikular para sa koordinasyon sa halip na malawak na kaalamang ensiklopediko ang inaasahan dito, sa pamamagitan ng matalinong paggamit sa mga umiiral na mapagkukunan. Inililipat nito ang kompetisyon mula sa hilaw na kapasidad sa pagsasanay tungo sa husay sa disenyo ng arkitektura at kahusayan sa pag-uugnay. Pinalalawak din nito ang akses sa AI na may mataas na performance: sa teorya, kayang buuin ng mga organisasyong may mas maliit na badyet ang isang mahusay na dinisenyong tagapili ng modelo, kumpara sa napakalaking halagang kailangan upang sanayin mula sa simula ang mga modelong kauri ng GPT.

Matagal nang pinag-aaralan ng komunidad ng pananaliksik ang mga sistemang maraming agent at mga pinaghalong eksperto, ngunit isa ang Fugu sa mga unang kilalang komersiyal na pagpapatupad na inihaharap bilang tuwirang alternatibo sa mga monolitikong nangungunang modelo. Malamang na makaaapekto ang tagumpay o pagkabigo nito kung dadaloy ang puhunan ng venture capital at mga korporasyon patungo sa mga teknolohiya ng pag-uugnay at koordinasyon, sa halip na eksklusibong ituon sa pagpapalaki ng mga pundasyong modelo. Ipinahihiwatig na ng puna mula sa beta testing na maaaring mas angkop ang mga distributed system kaysa sa mga modelong tinatawag sa iisang kahilingan para sa ilang workflow ng negosyo, lalo na sa mga gawaing tumatagal nang mahabang panahon gaya ng pagsusuri ng code at pag-audit sa seguridad.

Siyempre, may mga kapalit din ang pamamaraang ito. Maaaring magdulot ng pagkaantala ang masalimuot na hakbang sa pangangatwiran ng maraming agent, kaya hindi angkop ang Fugu sa mga application na nangangailangan ng tugon sa loob ng millisecond. Malaki rin ang konsumo ng computational resources sa mga gawaing masinsinan, at dahil hindi lantad ang lohika sa pagpili ng modelo, hindi laging malalaman ng mga gumagamit kung aling modelong humawak sa kanilang datos. Pinahihirap nito ang pagsunod sa mga regulasyon sa mga industriyang may mahihigpit na patakaran. Kinikilala ng Sakana AI ang mga limitasyong ito, ngunit iginigiit na mas malaki ang pakinabang kaysa sa gastos para sa malawak na hanay ng mga gawaing analitikal at pang-inhinyeriya.

Mahahalagang Punto

• Inilunsad ng Sakana AI ang Fugu, isang serbisyong nag-uugnay sa maraming AI agent at nagpapasa ng mga gawain sa mapagpapalit na pangkat ng mga nangungunang modelo sa pamamagitan ng iisang API na tugma sa mga pamantayan ng OpenAI.
• Gumagamit ang sistema ng maliit na modelong tagapag-ugnay na may humigit-kumulang 7 bilyong parameter sa halip na dambuhalang monolitikong pundasyong modelo, at nakabatay ito sa pananaliksik sa mga papel ng Sakana AI na Trinity at Conductor.
• Ayon sa mga pahayag, nakakuha ang Fugu Ultra ng mapagkumpitensyang marka sa SWE-Bench Pro, GPQA-Diamond, LiveCodeBench at iba pang pagsusulit laban sa mga nangungunang sistema kabilang ang GPT-5.5 at Claude Opus 4.8.
• May dalawang antas: karaniwang Fugu para sa mga gawaing pangproduksiyon na nangangailangan ng mababang latency, na may manu-manong kontrol sa pag-aalis ng agent para sa pagsunod sa mga regulasyon; at Fugu Ultra para sa masalimuot na pangangatwiran na may mas malalim at nakapirming pangkat ng mga agent.
• Layunin ng paglulunsad na akitin ang mga negosyong naghahangad ng katatagan laban sa pagkakakulong sa iisang vendor at sa mga pagkaantala dulot ng kontrol sa pag-export, bagama't nakadepende pa rin ang serbisyo sa mga API ng nangungunang modelong Amerikano.
• Makukuha ang Fugu sa buong mundo maliban sa EU at EEA habang hinihintay ang pagsunod sa GDPR; nagsisimula ang presyo ng Ultra sa $5 kada isang milyong input token at $30 kada isang milyong output token.