由前思科系统公司高管创立的人工智能初创公司 DevAI Solutions Inc. 今日宣布完成 600 万美元融资。
这轮超额认购的种子轮融资由 Emergence Capital 领投。该风险投资公司此前曾投资过 Box Inc. 和 Salesforce Inc. 等主要企业科技公司。DevAI 表示,Pear VC、Base10 和 Benchstrength 也参与了本轮投资。
总部位于加利福尼亚州帕洛阿尔托的 DevAI 由首席执行官 Susie Wee 领导。她此前是思科 DevNet 开发者平台的高级副总裁兼首席技术官。该平台为客户提供应用程序接口和其他技术资源,以便开发思科产品的软件。
Wee 与首席技术官 Edwin Zhang 共同创立了 DevAI。Zhang 此前是思科 DevNet 的软件开发和用户体验总监。
DevAI 提供名为 Network Intelligence Engine 的软件平台,承诺可以减少 IT 团队的手动工作。该平台使用具有高度自主性的 AI 程序 —— 代理式 AI 来实现这一目标。DevAI 声称该平台可以将解决某些 IT 工单的时间缩短 40% 到 70%。
公司的第一个代理 Neo 旨在自动化事件响应、网络安全和合规性任务。它还承诺可以加快 IT 规划速度。这包括管理员在扩展 IT 环境或更改现有组件之前需要进行的准备工作。
DevAI 表示,其 AI 代理基于客户的内部数据生成技术建议。该平台可以分析来自公司 IT 管理工具的信息,并考虑行业最佳实践。
从 DevAI 网站的招聘信息来看,其代理是由大语言模型驱动的。这些信息暗示公司正在使用 RAG (检索增强生成) 来帮助这些大语言模型分析数据。RAG 是一种机器学习技术,无需重新训练就能扩展大语言模型的知识库,从而降低成本。
Wee 表示:"IT 专业人员是现代企业的无名英雄,他们全天候工作以确保 IT 系统在线运行,网络安全且性能最优。我们的网络 AI 代理为他们提供所需的洞察力,以主动解决问题并消除效率低下的情况,使他们能够专注于业务优先事项和创新。"
ZK Research 的首席分析师 Zeus Kerravala 对 SiliconANGLE 表示,几乎所有 AI 代理提供商都专注于销售人员、联络中心人员和营销人员等业务用户,很少关注 IT 专业人员。
他指出:"我的研究表明,尽管基础设施有所进步,但 IT 管理并没有得到太大改善。71% 的 IT 资源用于维持现状,很少能用于战略性计划。一些 IT 供应商已经在其产品中构建了代理式 AI,虽然这些可能有用,但它们是在孤岛中运行。作为 IT 专业人员,我可能需要针对 Wi-Fi、安全、园区网络和广域网分别使用不同的代理。"
他说:"DevAI 通过创建单一的跨平台代理式 AI 代理来简化 IT 管理。在当前业务依赖度空前之高的情况下,这是非常需要的。DevAI 的解决方案使 IT 专业人员能够更智能、更快速地工作。"
该公司目前正与多家企业测试其平台,以完善其功能集。它将利用种子轮融资支持产品开发计划并扩大用户群。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。