Fundamental wychodzi z cienia z modelem Nexus. Czy dane w arkuszach wreszcie doczekały się dedykowanej AI?

Wyobraź sobie arkusz kalkulacyjny z miliardami wierszy, przy którym popularne duże modele językowe po prostu kapitulują. Fundamental, startup założony przez byłych pracowników DeepMind, wchodzi na scenę z modelem Nexus – rozwiązaniem stworzonym specjalnie dla danych tabelarycznych. Mając 255 milionów dolarów finansowania i strategiczne partnerstwo z AWS, twórcy obiecują prawdziwą rewolucję w prognozach biznesowych.

Kim jest Fundamental i skąd wziął się Nexus?

Fundamental to startup z San Francisco, który w październiku 2024 roku powołali do życia Jeremy Fraenkel, absolwent DeepMind, oraz Gabriel Suissa. Zespół tworzy około 35 specjalistów – to głównie eksperci od sztucznej inteligencji z bogatym doświadczeniem w technologiach chmurowych i systemach finansowych. Firma oficjalnie wychodzi z trybu utajnionego (stealth) 5 lutego 2026 roku, prezentując światu Nexusa – pierwszy publicznie dostępny duży model tabelaryczny.

Fraenkel zaznacza bez ogródek, że dane tabelaryczne to „najcenniejszy zasób świata”, na którym opierają się kluczowe decyzje biznesowe w niemal każdej branży. Model ma pełnić rolę „systemu operacyjnego dla decyzji firmowych”, odsyłając do lamusa tradycyjne algorytmy pokroju XGBoost, które nie doczekały się większej ewolucji od dekady. Zamiast tego Nexus czerpie pełnymi garściami z dobrodziejstw głębokiego uczenia, którego dane strukturalne do tej pory niemal nie zaznały.

Cóż za ironia: podczas gdy popularne modele LLM podbijają internet generowaniem memów, Fundamental stawia na nudne, ale nieprawdopodobnie dochodowe tabele wyciągnięte z systemów CRM i korporacyjnych baz danych.

Czym Nexus różni się od dużych modeli językowych?

Duże modele językowe (LLM) radzą sobie fenomenalnie z danymi sekwencyjnymi, takimi jak tekst czy wideo, ale regularnie wykładają się na danych tabelarycznych. Ich problemem jest tokenizacja – rozbijają liczby na bezsensowne kawałki (np. 2.3 staje się osobnymi znakami „2”, „.” oraz „3”), przez co tracą kontekst numeryczny. Co więcej, są chorobliwie wrażliwe na kolejność kolumn; wystarczy przesunąć dane, by wynik analizy uległ zmianie. Ograniczone oknem kontekstu, po prostu mdleją przy próbie przetworzenia miliardów wierszy.

Nexus, jako rasowy duży model tabelaryczny, traktuje tabele jako gęstą sieć nieliniowych relacji między wierszami a kolumnami. Jest całkowicie niewrażliwy na kolejność danych i w pełni deterministyczny – zawsze poda tę samą odpowiedź na to samo pytanie. Co istotne, nie opiera się na transformerach, lecz natywnie przetwarza liczby i struktury bez konieczności ich zamiany na tekst. To potężna warstwa predykcyjna, zdolna przewidzieć kolejny wiersz, na przykład wskazując na ryzyko wystąpienia oszustwa.

W dużym skrócie: modele LLM jedynie udają analityków biegłych w Excelu, podczas gdy Nexus faktycznie rozumie te dane – i robi to szybciej niż cała armia specjalistów od data science.

Trening i wdrożenie – koniec ze żmudnym czyszczeniem danych

Model Nexus przeszedł proces trenowania na miliardach realnych zbiorów tabelarycznych, wykorzystując do tego infrastrukturę Amazon SageMaker HyperPod. Ogromną zaletą jest brak konieczności stosowania manualnego procesu ETL (ekstrakcji, transformacji i ładowania danych) czy czasochłonnej inżynierii cech. Wystarczy „nakarmić” model surową tabelą, a on sam wyłapie ukryte wzorce.

Samo wdrożenie sprowadza się do jednej linii kodu w języku Python: wskazujesz kolumnę docelową i natychmiast otrzymujesz gotowe prognozy. Dzięki integracji z AWS Marketplace firmy mogą korzystać z posiadanych kredytów chmurowych, zachowując pełne szyfrowanie modelu wewnątrz własnego środowiska – to efekt unikalnej umowy z Amazonem. Nie ma tu mowy o „czarnych skrzynkach”, a wrażliwe dane nigdy nie opuszczają infrastruktury klienta.

Praca, która wcześniej zajmowała miesiące, teraz zostaje skrócona do sekund. W świecie wielkich finansów nawet pół procenta lepsza dokładność predykcji przekłada się na miliardowe zyski dla banków czy ubezpieczycieli.

Zastosowania praktyczne – od wykrywania fraudów po logistykę

Nexus pokazuje pazur wszędzie tam, gdzie liczą się precyzyjne prognozy biznesowe. Oto kluczowe obszary, w których deklasuje klasyczne uczenie maszynowe:

• Wykrywanie oszustw finansowych: błyskawiczna analiza transakcji kartowych w czasie rzeczywistym.
• Ryzyko ponownej hospitalizacji: tworzenie prognoz medycznych na podstawie demografii i czynników społecznych.
• Prognozowanie cen energii: przewidywanie zakłóceń w łańcuchach dostaw (np. braki środków ochrony podczas pandemii) z wyprzedzeniem 4-6 tygodni.
• Utrzymanie predykcyjne (maintenance): wykrywanie awarii infrastruktury lub sprzętu, co pozwala unikać kryzysów podobnych do tego w Flint.
• Zarządzanie zapasami: przewidywanie skutków powodzi czy susz z marginesem 30-60 dni na reakcję.

Siedmiocyfrowe kontrakty z firmami z listy Fortune 100 najlepiej potwierdzają ogromny popyt na tę technologię. Jak zauważa Annie Lamont z Oak HC/FT: „Ten model pozycjonuje firmę jako lidera w każdej branży”.

Finansowanie i perspektywy – 255 mln USD na dobry początek

Fundamental zebrał łącznie 255 mln USD: 30 mln w rundzie zalążkowej oraz 225 mln w serii A, której przewodził fundusz Oak HC/FT przy wsparciu Valor Equity Partners, Battery Ventures, Salesforce Ventures i Hetz. W gronie aniołów biznesu znaleźli się m.in. Aravind Srinivas (Perplexity), Henrique Dubugras (Brex) oraz Olivier Pomel (Datadog). Obecna wycena startupu to imponujące 1,2 mld USD.

Partnerstwo z AWS to nie tylko marketingowe hasła – model jest wdrażany bezpośrednio w ich infrastrukturze. Fraenkel śmiało porównuje: „Robimy dla tabel to, co ChatGPT zrobił dla tekstu”. Pozostaje jednak pytanie, czy projekt przetrwa rynkowy hype? Obecny brak publicznie dostępnych benchmarków może budzić zdrowy sceptycyzm – czas pokaże, czy Nexus faktycznie bije na głowę dotychczasową konkurencję.

Dla korporacji tonących w oceanach danych to ogromna szansa, choć nie brakuje tu pewnej ironii: nowoczesna sztuczna inteligencja wreszcie doceniła poczciwego Excela, którego przez lata traktowano jak technologiczny relikt.

Źródła: aibusiness.com/foundation-models/startup-large-tabular-model-spreadsheet-data, techcrunch.com/2026/02/05/fundamental-raises-255-million-series-a-with-a-new-take-on-big-data-analysis, venturebeat.com/data/fundamental-emerges-from-stealth-with-first-major-foundation-model-trained, fundamental.tech