总部位于加利福尼亚州欧文市的FieldAI公司已在多轮未公开融资中筹集4.05亿美元,用于开发其称为"基础具身AI模型"的技术——本质上是设计用来帮助从人形机器人到四足机器人再到自动驾驶汽车等各种设备适应新环境的机器人大脑。
该公司于周三宣布了这笔融资;最近一轮融资在8月份筹集了3.14亿美元,由贝索斯探险基金、Prysm和淡马锡联合领投。FieldAI的其他支持者包括Khosla Ventures、英特尔资本和迦南合伙人等。
与处理文本或图像的传统AI不同,具身AI是指控制在真实世界环境中移动的物理机器人的AI。FieldAI构建"Field基础模型",这是基于物理学的通用具身AI模型。FieldAI创始人兼首席执行官Ali Agha在接受TechCrunch采访时表示,这种方法使机器人能够快速学习并适应新环境,同时具备风险意识。
"我们的使命是构建一个能够跨不同机器人类型和多样化环境进行泛化的单一机器人大脑,"Agha说。"要实现这一目标,你需要在进入这些新环境时管理风险和安全。这一直是机器人技术的根本差距,传统模型和传统方法从未被设计来管理这种风险和安全。"
Agha表示,让机器人能够在新环境中安全学习的关键是在这些AI模型中添加一层物理知识。这种添加为机器人提供了第二套信息来源来做决策——特别是在新环境中——而不是像传统大语言模型那样只是对模型说要做的下一步动作做出反应。
他补充说,虽然少量的AI幻觉在某些情况下并不有害,但对于在危险环境中工作或与人一起工作的机器人来说可能是有害的。
"突然你开始有了这种感觉,我知道多少,如果我不知道某事,或者如果我在做决定,我对此有多自信,"Agha说。"一旦网络开始获得这种访问权限,它就开始做出更安全的决定。不只是简单地输出'嘿,这是下一个动作',而是告诉你它有多自信,你作为客户可以定义这个风险阈值,机器人将对此做出反应。"
Agha几十年来一直在从NASA到麻省理工学院(MIT)等各种机构的不同岗位上研究这个想法。当他实现了一个技术突破,使一个机器人大脑能够跨不同类型的机器人工作,执行相同和个别动作时,他决定创立FieldAI。
自2023年成立以来,FieldAI已在建筑、能源和城市配送等行业获得合同。该公司拒绝透露任何客户姓名。
这笔融资将支持研发,同时帮助公司提高生产能力,将其模型部署给客户,并进一步扩大其海外影响力。
Agha将FieldAI的方法比作人类进化。"你进化到能够在不同环境中执行各种不同任务,你有快速学习的能力,我们相信这在机器人技术中是必要的。是的,你绝对可以针对一个特定用例进行优化,但那不是我们要追求的市场。"
Q&A
Q1:FieldAI开发的"基础具身AI模型"是什么?
A:FieldAI开发的"基础具身AI模型"本质上是机器人大脑,设计用来帮助从人形机器人到四足机器人再到自动驾驶汽车等各种设备适应新环境。与处理文本或图像的传统AI不同,这是控制在真实世界环境中移动的物理机器人的AI技术。
Q2:FieldAI的技术与传统机器人AI有什么不同?
A:FieldAI的关键创新是在AI模型中添加了一层物理知识,这为机器人提供了第二套信息来源来做决策。这种方法使机器人具备风险意识,能够评估自己的信心水平,做出更安全的决定,而不是像传统模型那样简单地执行下一个动作。
Q3:FieldAI计划如何使用这4.05亿美元融资?
A:这笔融资将支持研发工作,同时帮助公司提高生产能力,将其模型部署给客户,并进一步扩大海外影响力。自2023年成立以来,FieldAI已在建筑、能源和城市配送等行业获得合同。
好文章,需要你的鼓励
PDF协会在欧洲会议上宣布,将在PDF规范中添加对JPEG XL图像格式的支持。尽管Chromium团队此前将该格式标记为过时,但此次纳入可能为JXL带来主流应用机会。PDF协会CTO表示,选择JPEG XL作为支持HDR内容的首选解决方案。该格式具备广色域、超高分辨率和多通道支持等优势,但目前仍缺乏广泛的浏览器支持。
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。
Ironclad OS项目正在开发一个新的类Unix操作系统内核,面向小型嵌入式系统,计划支持实时功能。该项目的独特之处在于采用Ada编程语言及其可形式化验证的SPARK子集进行开发,而非常见的C、C++或Rust语言。项目还包含运行在Ironclad内核上的完整操作系统Gloire,使用GNU工具构建以提供传统Unix兼容性。
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。