自2021年上线以来,AI学习平台Gizmo凭借将学生笔记转化为互动学习材料的能力,已在全球120多个国家吸引超过1300万用户。这一数字与TechCrunch在2023年报道时的30万用户相比,实现了大幅增长。
随着用户规模持续扩大,投资方的关注度也随之提升。该公司于近日宣布完成2200万美元A轮融资。
据CEO Petros Christodoulou介绍,本轮融资将主要用于扩充Gizmo的工程与AI团队,并进一步拓展其在美国高校市场的布局。公司目前员工人数仅为7人,融资后计划扩充至约30人。
Gizmo的高速增长恰逢学生学习行为深刻转变的关键时期。根据2025年美国国家教育进步评估报告,美国学生的学业表现已跌至历史低点。此前多项研究也指出,过度使用电子屏幕与注意力下降是主要影响因素。
此外,随着大量年轻用户将时间投入TikTok、YouTube等娱乐平台,如何持续吸引用户参与,成为教育科技创业公司面临的最大挑战。Gizmo的应对策略是将学习游戏化。
Gizmo主要面向青少年及年轻成人群体,其核心吸引力在于将游戏机制融入学习体验。平台设有排行榜、连续学习打卡、答错扣除每日生命值等功能,还支持与好友互相挑战,这些设计旨在不断吸引用户回归使用。
近年来,Anki、Quizlet、Nibble等微型学习平台相继获得市场认可,Yuno、Knowt等新兴产品也在积极争夺用户碎片化学习时间。而像Gizmo这样的新晋学习应用能在短短几年内取得如此亮眼的增长,实属难得。作为参照,Yuno目前的应用下载量约为100万次,Knowt的用户数量则超过700万。
本轮A轮融资由Shine Capital领投,Ada Ventures、Seek Investments、GSV及NFX参与跟投。其中NFX曾主导Gizmo此前的350万美元种子轮融资。
Q&A
Q1:Gizmo是一款什么样的学习应用?
A:Gizmo是一款面向青少年和年轻成人的AI学习平台,于2021年上线。它的核心功能是将学生的课堂笔记自动转化为互动式学习材料,并通过排行榜、连续打卡、每日生命值限制以及好友挑战等游戏化机制来提升用户的学习参与度。目前该平台已在全球120多个国家吸引超过1300万用户。
Q2:Gizmo的2200万美元融资将用于哪些方向?
A:根据CEO Petros Christodoulou的介绍,本轮2200万美元A轮融资将主要投入两个方向:一是扩充工程与AI研发团队,公司计划将员工规模从目前的7人增至约30人;二是加大在美国高校市场的拓展力度,进一步巩固平台在年轻学习群体中的市场地位。
Q3:Gizmo与Quizlet、Knowt等同类平台相比有何优势?
A:Gizmo与Quizlet、Anki、Knowt、Yuno等平台同属微型学习赛道,但Gizmo在用户规模上表现突出,上线仅数年便积累了超过1300万用户,而Yuno的应用下载量约为100万次,Knowt用户数量超过700万。Gizmo的差异化优势在于其深度游戏化的学习体验设计,以及AI驱动的笔记转化能力。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。