2017 年,Raghav Gupta 为了解决个人问题而开始探索:他希望轻松享用童年时吃到的家常菜,而不必花时间烹饪,也不用花钱订外卖或者聘请私人厨师。他选择了机器人技术,这也促使他创立了初创公司 Posha。
Posha 曾参加过 TechCrunch Startup Battlefield,公司开发的台面机器人利用计算机视觉技术来烹饪美食。用户只需浏览食谱列表,选择想要的菜谱,加入要求量的食材,机器人便会从开始到完成全程制作这道菜。
Gupta 告诉 TechCrunch,该系统在设计上既可定制又宽容容错,因此用户可以进行食材替换,即使没有精确称量食材,Posha 依然能正常工作。
Gupta 表示,“它就像一台制作咖啡的机器,只不过是为食物服务。比如当你想喝一杯咖啡时,会在咖啡机上选择一种咖啡,用不同的容器分别加入咖啡豆、糖和牛奶,轻点‘萃取’键,一杯咖啡就现成了。Posha 也做类似的事情,不过是针对食物而设计。”
虽然将咖啡机与 Posha 相比是个不错的比喻,但还不完全贴切,因为使用 Posha 需要比使用咖啡机付出更多劳力。
虽然 Posha 在烹饪过程中完成了大量工作,但消费者依然要主动参与采购食材和事前准备工作。尤其是切菜环节,往往会耗费配方烹饪时长中的相当一部分。
Gupta 也承认,有些人不会选择一个依然要求他们自己动手烹饪的解决方案。他表示,到目前为止,Posha 在那些一周做饭两到六次、希望在某些晚上减轻负担的用户中获得了最大成功。
Gupta 说,“这些人每天都要在厨房花上一个小时,决定吃什么、采购食材、烹饪以及清理后续工作。而我们帮助他们至少节省 70% 的时间,使他们每天只需花大约 10 至 20 分钟。”
Gupta 称,Posha 最初名为 Nymble,原本只是一个机器人臂,但在 Bosch 的加速器项目中的经历促使他们改变方向。他们了解到消费者不希望有一个在厨房内四处移动或难以清洁的设备。此后,公司一直与早期客户保持紧密联系。
Gupta 说,“从第一天起,我们就非常专注并痴迷于客户。我们不用 Zendesk 与他们聊天,而是通过 WhatsApp 和超过 100 位客户保持对话。大多数客户都认识我本人。疫情期间,我甚至搬到了美国,只为了离客户更近。”这种方式虽然难以扩展,但目前对 Posha 来说效果显著。
Gupta 表示,到目前为止,Posha 的 1750 美元直销台面设备主要依靠口碑营销。最近,Posha 完成了一轮 800 万美元的 A 轮融资,由 Accel 领投,现有投资者 Xeed Ventures、Waterbridge Ventures 和 Flipkart 联合创始人 Binny Bansal 等也参与其中。
Gupta 表示,Posha 将利用这些资金继续开发产品。具体来说,公司希望增加更多食谱选项,并赋予用户提出食谱创意的能力,由生成式 AI 将这些创意快速转化为操作说明并整合进设备中。
该公司于 2025 年 1 月推出了 Posha 机器人,目前首批产品已售罄,第二批产品现正接受预订。
Gupta 说,“如果你看看微波炉、洗碗机、冰箱,在某个时间点,这些设备最初都是台面设备,但随着时间的推移,它们在消费者家庭中变得不可或缺,以至于建筑商开始在房屋中直接预装这些设备。我们相信,Posha 在不久的将来也会拥有相同的命运。”
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。