Warp成立于2021年,旨在通过其技术驱动的托运商、承运商和仓库网络,帮助企业简化物流供应链并降低成本。
如今,该公司希望通过使用机器人实现仓库网络自动化,进一步提升供应链效率。
Warp联合创始人兼首席执行官Daniel Sokolovsky向TechCrunch表示,Warp一直在寻找为客户提高物流效率的方法,其客户包括沃尔玛、Gopuff和HelloFresh等企业。随着人工智能技术的进步,公司认为自动化领域存在更多机遇。
Sokolovsky说,Warp无法对供应链中的长途货运或短程配送环节进行自动化改造,因此正专注于可能改变的领域:仓库内部工作流程。
Warp首先在洛杉矶的测试仓库中安装摄像头,利用计算机视觉技术将数据转换为虚拟仓库以开始实验。
"我们实际上创建了洛杉矶设施的数字孪生或仿真环境,"Sokolovsky说。"基本上就是开始各种尝试。老实说,很多时候就是在想,如果我们这样做会怎样?如果我们那样做会怎样?如果我们做其他事情会怎样?"
他们最初的想法之一是训练人形机器人使用传统托盘搬运车,但这个方案没有成功。随后Warp开始尝试使用现成的机器人,并加装一些额外技术,取得了成功。
"我们将非常复杂的物流问题分解成许多易于理解、系统可识别和系统可处理的组件,"Sokolovsky说。"现在我们正在使用AI,无论是语音、文本、邮件、电话还是机器人技术形式,确保我们能够卸载、存储和重新装载货物。我们实际上认为可以继续推进这项工作,在不增加人员的情况下尽快实现我们的目标。"
Warp联合创始人兼首席营收官Troy Lester表示,这些机器人将帮助Warp的底层仓库合作伙伴获得优势,同时有助于降低人工成本。除了洛杉矶测试设施外,公司并不直接拥有网络中的仓库。
"他们一直向我们抱怨人员配置问题,"Lester说。"在这些设施中工作的员工也不喜欢这种工作。所以我认为有机会赋能这些企业使用机器人套件,这不仅有助于改善我们的网络,也能帮助他们与其他公司的业务变得更好。"
Warp筹集了1000万美元的A轮融资来支持这一最新发展。该轮融资由Up.Partners和Blue Bear Capital共同领投。
Warp正在测试机器人的几个不同版本,并雄心勃勃地声称将在今年开始部署。
Sokolovsky表示,Warp的洛杉矶测试设施已完全实现自动化,公司计划首先在其核心网络的仓库——洛杉矶、芝加哥、新泽西、达拉斯和迈阿密——开始部署这些机器人。Warp目前不打算在其中心网络之外销售这项技术,因为这为Warp及其底层仓库合作伙伴提供了竞争优势。
"我们不是简单地说,嘿,我们只是一家机器人公司、AI公司,为这个潜在概念花钱,而是说,不,我们实际上是一家物流公司,一直在真正影响和服务我们的客户,"Sokolovsky说。"在过去几年中,我们已经开发出了一个令人惊叹的系统和生态系统,使我们能够部署这些自动化技术。"
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。