8 Minuter
Samsung driver tyst fram sin strategi för artificiell intelligens. Efter tidigare Gauss-iterationer, inklusive Gauss 2.0, har företaget uppgraderat sina generativa modeller och byggt ett Agentic AI-verktyg som är utformat för att snabba upp utveckling, förbättra intern sökbarhet och förbereda för systemnivå-AI i framtida Galaxy-telefoner. Denna satsning visar Samsungs fokus på generativ AI, multimodal sökning och on-device AI för både företag och konsumenter.
Agentic Builder: No-code AI som bygger agenter som Lego
Enligt rapporter från Sydkorea har Samsung Research utvecklat Agentic Builder som bygger på nyare Gauss-varianter — Gauss 2.3, Gauss 2.3 Think och Gauss O Flash. Verktyget beskrivs som ett no-code, gränssnittsdrivet miljö där team kan sätta ihop affärskritiska AI-agenter genom att dra och släppa modulära komponenter.
Hur Agentic Builder fungerar tekniskt
Agentic Builder kombinerar modulära block som indata- och utdatafönster, specialiserade AI-modeller och Samsungs interna DoXA-logik — en dokumentanalysmotor som hjälper agenter att snabbt förstå affärskontext. Dessa byggklossar fungerar som återanvändbara komponenter: en dialogmodul för naturligt språk, en dataextraktionsmodul för tabeller och ett specialiserat bildförståelseblock som utnyttjar Gauss multimodala förmågor. Resultatet blir ett effektivt sätt att prototypa eller rulla ut agenter med begränsad ingenjörsinsats.
Fördelar med no-code och modularitet
No-code-ansatsen sänker inträdesbarriären för icke-tekniska produkter och affärsledare som behöver snabba arbetsflödesautomatiseringar. Modulariteten gör det lätt att anpassa eller ersätta enskilda komponenter — till exempel byta texttolkningsmodul mot en specialiserad juridisk modell — utan att göra om hela agenten. För organisationer som prioriterar kunskapshantering och intern automation innebär det kortare ledtider från idé till driftsättning och enklare iteration på agentens beteende.
DoXA: dokumentanalys och kontextförståelse
DoXA är en central del av Agentic Builder och fungerar som en semantisk motor för dokument. Den analyserar och indexerar strukturerad och ostrukturerad information i företagsdokument, upptäcker relationer, extraherar nyckelvärden och bygger en kontextuell representation som agenter kan använda för att fatta mer relevanta beslut. DoXA möjliggör snabbare tolkning av produktkrav, tekniska specifikationer och supportärenden, vilket förbättrar agenternas förmåga att leverera relevanta svar och åtgärder.
Tekniskt sett utnyttjar DoXA en kombination av transformerbaserade språkmodeller, heuristiska regler och kunskapsgrafsteknik för att överbrygga semantiska luckor i företagsdata. Detta gör att Agentic Builder kan leverera agenter som är bättre förankrade i företagets faktiska kunskapsbas, vilket är centralt för skalbar AI i större organisationer.
Sirius: multimodal sökning och smartare kunskapsåtervinning
Samsung har också tillämpat Gauss multimodala kapaciteter på en intern kunskapssökningstjänst med kodnamnet Sirius. Istället för att förlita sig på traditionell nyckelordssökning använder Sirius en kunskapsgrafsbaserad metod och kan indexera och fråga efter text, siffror, tabeller, bilder och bilagor. En representant från Samsung Research uppgav för TheElec att Sirius för närvarande erbjuds som en betatjänst för anställda, främst för att hitta produktutvecklingskunskap och teknisk information relaterad till specifika uppgifter.
Multimodal indexering och kunskapsgraf
Sirius bygger en multimodal indexstruktur som kopplar samman olika datatyper i ett gemensamt kunskapslager. Genom att använda Gauss-modellens förmåga att skapa semantiska representationer av både text och bild kan systemet svara på komplexa förfrågningar — till exempel att hitta alla designspecifikationer där en viss komponent nämns i kombination med en särskild ritningstyp. Kunskapsgrafen representerar entiteter (komponenter, projekt, dokument) och relationer (beroende, version, ansvarig) vilket möjliggör mer precisa sökresultat än vanliga nyckelordssökningar.
Förbättrad bildgenereringspipeline
Det multimodala fundamentet kompletteras av en uppgraderad bildgenereringspipeline. Samsung arbetade med vanliga begränsningar i bildmodeller — som att inte återge efterfrågade detaljer eller att misslyckas med att skapa ovanliga objekt — genom att använda ytterligare referensbilder och en träningsstruktur som bevarar ett objekts nyckelkaraktäristika när det transformeras via naturliga språk-promptar. Denna metod ger bättre koherens i bildgenerering och större kontroll över visuella attribut, vilket är viktigt för produktdesign och marknadsföringsmaterial.
Datasätthantering och öppna modeller
Samsung säger att intern användning av den nya bildmodellen ökade med 153 % efter den senaste uppdateringen. Företaget skapade och optimerade även ett skräddarsytt dataset för att hjälpa open-source-modeller som förlitar sig på latent diffusion att lära sig bortom sina ursprungliga begränsningar. Genom att berika träningen med domänspecifika referenser — tekniska ritningar, produktfotografi och annoterade bilder — förbättras modellernas förmåga att generera realistiska och användbara bilder inom produktutvecklingskontexten.
Varför detta spelar roll för telefoner och företagskunder
Samsung planerar att använda de förbättrade Gauss-modellerna mer brett, både internt och i produkter. Galaxy S26 förväntas i breda kretsar bli den första telefonen som stödjer Agentic AI på systemnivå, med stöd som ryktas inkludera flera modeller, däribland Gauss, Gemini och Perplexity. Det kan innebära on-device assistenter som sätter ihop funktionalitet vid behov, rikare sökfunktioner och smartare bildverktyg inbyggda i systemappar.
On-device AI och integritet
Att köra avancerade modeller lokalt på enheter (on-device AI) ger fördelar både i latens och integritet. När modeller körs på telefonen minskar beroendet av uppkopplade servrar, vilket ger snabbare svarstider för användaren och mindre exfiltrering av känsliga data. Samsung verkar positionera Gauss och Agentic-funktionaliteten för att kunna skalas ner för att köras effektivt på mobilhårdvara, samtidigt som företaget balanserar beräkningskostnader och batteriförbrukning. För företag innebär detta att vissa arbetsflöden kan automatiseras direkt i fältenheter utan att behöva skicka företagsdata till externa moln.
Effekter för företag: workflow-automation och kunskapstillgång
För företag kan en drag-and-drop Agentic Builder i kombination med Sirius-liknande sökning effektivisera hur team får tillgång till institutionell kunskap och automatisera specialiserade arbetsflöden. Föreställ dig en teknisk agent som automatiskt läser in nya designändringar, validerar dem mot produktkrav och genererar ett utkast till revisionsrapport — allt utan att en senior ingenjör behöver skriva kod för att orkestrera processen. Detta kan leda till snabbare time-to-market, reducerade fel och bättre utnyttjande av kunskap i organisationen.
För konsumenter: mer kontextmedvetna funktioner
För konsumenter pekar förändringarna mot mer intelligenta, kontextmedvetna funktioner i flaggskeppsmodeller. Det kan röra sig om assistenter som förstår sammanhanget i en pågående uppgift, som att föreslå nästa steg i en fotograferingssekvens, automatiskt organisera dokument efter projekt eller generera visuellt material som följer företagets designriktlinjer. Sammantaget förbättrar detta användarupplevelsen genom att göra enheter mer proaktiva och relevanta i vardagliga scenarier.
Konkurrensposition och framtida iterering
Samsung förväntas fortsätta iterera på Gauss och det tillhörande verktygspaketet i sin strävan efter en mer självständig AI-framtid. Genom att kombinera infrastruktur för intern kunskapsåtervinning med no-code-utveckling och multimodala generativa modeller försöker företaget skapa ett differentierat erbjudande jämfört med andra aktörer inom generativ AI och on-device-assistenter. Skillnader i datasäkerhet, integration mot befintliga produktionspipelines och förmågan att anpassa modeller för domänspecifika behov kan bli avgörande konkurrensfaktorer.
Sammanfattningsvis visar Samsungs satsning att företaget vill gå från att använda tredjepartsmodeller till att bygga en egen, skalbar AI-stack som kombinerar generativ AI, kunskapsgrafsteknik och no-code-verktyg. Detta upplägg kan möjliggöra snabbare innovation internt, bättre kunskapsdelning och mer avancerade AI-funktioner i framtida Galaxy-enheter.
För både tekniska beslutsfattare och konsumenter är det viktigt att följa hur Samsung integrerar Gauss, Agentic Builder och Sirius i sina produkter och tjänster. Dessa komponenter representerar inte bara framsteg inom modellarkitektur och multimodal AI utan också ett skifte i hur företag vill göra AI tillgänglig och användbar på bred front — från forskningslabbet till mobilen i din hand.
Källa: sammobile
Kommentarer
Tomas
Låter imponerande men är det verkligen privat? On-device, ofta prövningarna kvar.. eller?
datapuls
Wow! Samsung går all in på Agentic AI, spännande men också lite skrämmande... On-device är rätt grej, hoppas de fixar batteri och integritet, annars blir det svårt. Om det funkar = game changer
Lämna en kommentar