Sam Altman和"他的科技CEO朋友们"正在对何时会出现第一家个人十亿美元公司的年份进行赌注。
在没有AI的情况下,单个人达到初创公司十亿美元估值的想法是不可想象的。但是,以AI为先导的单人企业已经在整个科技行业中如雨后春笋般涌现,而Polar公司CEO Birk Jernstrom正准备帮助他们实现这一目标。Polar是一个"赋能个人独角兽的变现平台"。
Polar希望通过专注于开发者需求从其他支付基础设施平台中脱颖而出。通过Polar作为"记录商户"负责处理账单和税务,企业可以从第一天起就在全球范围内销售在线产品和SaaS订阅服务。
Polar可以通过几行代码实现,这种方法得到了风投公司Accel的认可,该公司领投了Polar的1000万美元种子轮融资。合伙人Andrei Brasoveanu表示:"有新一代AI原生的早期企业希望在没有干扰的情况下成长。"
Jernstrom拥有成功退出经历也起到了帮助作用。他的上一家初创公司Tictail于2018年被Shopify以1700万美元全现金方式收购。他和联合创始人创建这家公司的目标是让在线销售商品变得像创建博客一样简单。
"2011年,我们创立Tictail,使命是赋能任何人开设在线商店。我们在2012年推出,迅速起飞。几年内,我们平台上就有了10万多商户,主要服务长尾市场,"Jernstrom说。
认识到小商户需要更多流量,Tictail开发了一个市场,这最终使其成为Shopify的收购目标。Tictail的竞争对手已经发展得更大,并吸引了更大的商户。但在IPO后,这家加拿大公司看到了关注消费者端的需要,并相信Tictail的团队能够提供帮助。
Jernstrom与他的联合创始人和几名员工一起加入了Shopify新成立的Shop团队。"这最终成为了现在所知的Shop应用和Shop Pay生态系统,我很荣幸能够参与从零到一的构建和扩展过程。"
但在2021年,当他即将第一次成为父亲时,Jernstrom经历了一段自我反思期。这最终导致他辞去远程工作职位,寻找下一步行动,结果就是创立了Polar。
分手完全是友好的,以至于Shopify CEO Tobias Lütke和总裁Harley Finkelstein现在都作为天使投资人支持Polar。他们在Shopify建立的"商户至上"文化也影响了Jernstrom。
"我每天回复50到60张支持工单。我了解我们合作的每一个客户,这有点疯狂,但我就是喜欢了解他们下一步的发展计划,以及Polar如何能让这变得更容易,"他说。
了解客户群体和开源特性帮助Polar在目标用户中获得了吸引力。自2024年9月推出以来,这家初创公司已经发展到18000名客户,其中大部分是软件变现的开发者。
这也反映在其股东名单中,包括热门开发者工具背后的企业家:Framer和Raycast(Polar与两者都有集成);Dub、Nuxt、Resend、Supabase、Vercel和WorkOS;以及与Polar有着共同瑞典根源并专注于简化构建过程的Lovable。
现在,他们支持Jernstrom的雄心:让围绕软件构建业务变得像Supabase和Vercel等平台让构建和扩展软件本身一样简单。
这与AI为独立开发者和专业开发者创造的势头相关。但这也连接了他从小与企业家母亲一起成长、从十几岁开始成为开发者,以及Tictail扶持小企业的历程。
"我希望Polar实现的目标与Shopify类似:我们如何赋能更多开发者创业,让他们能够真正构建和追随自己的激情,独立发布软件并围绕此构建业务。"
好文章,需要你的鼓励
微软高级软件工程师Alice Vinogradova将自己用SAP ABAP语言编写的向量数据库ZVDB移植到了搭载Z80处理器的经典计算机Sinclair ZX Spectrum上。她发现ABAP(1983年)和Z80(1976年)几乎是同时代产物,都诞生于内存珍贵、每个字节都很重要的计算时代。通过应用Z80优化技术,尽管时钟频率相差857倍,但代码运行速度仅慢3-6倍。她认为这些老式优化技术具有普遍适用性,在现代硬件上依然有效。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
韩国电子巨头三星宣布收购美国西雅图数字健康技术公司Xealth,进一步扩大在健康领域的布局。Xealth专注于帮助医疗专业人员将数字健康技术整合到日常实践中,与70多家数字健康技术供应商合作,应用覆盖美国500多家医院。此次收购将推动三星向连接医疗保健平台转型,结合其在传感器技术和可穿戴设备方面的优势,完善Samsung Health平台功能。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。