应用AI研究公司Fundamental Research Labs(前身为Altera)今日宣布完成3300万美元A轮融资,由Prosus领投,Stripe联合创始人兼CEO Patrick Collison参与投资。
该公司拥有独特的组织架构,同时在多个不同领域开发AI应用。在种子轮融资时,Fundamental Research Labs主要开发能够与用户一起玩《我的世界》的机器人。
如今,该公司设有游戏团队、消费者应用开发团队、核心研究团队和平台团队。公司创始人Robert Yang博士是MIT前教师,他表示Fundamental Research Labs希望成为一家"历史性"公司,而不拘泥于传统的初创公司架构。
在Fundamental Research Labs提供的产品中,有一款名为Fairies的通用消费者助手。该应用允许用户与AI机器人聊天、连接各种应用程序,并在这些应用的知识库中提问,然后让它在日历上安排约会。该应用还能为用户安排工作流程,重复执行某些任务。Yang表示,这款应用让公司工程师能够测试他们正在开发的各种模型和平台技术能力。
公司还提供一款基于电子表格的智能体Shortcut,已被分析师用于创建不同的财务模型并进行分析。该公司表示,这个智能体的工作方式类似初级分析师,能够自主完成工作。公司让它看起来像Excel,并努力为高级用户保留大量功能。
Prosus投资合伙人Sandeep Bakshi在邮件中告诉TechCrunch:"我们见过许多早期初创公司,但这里突出的是一个小而高度使命驱动的团队,专注于具有实际用例的数字人类。他们最近推出的Fairies和Shortcut不仅仅是演示;它们已经展示了AI如何以有意义的方式增强人类劳动力。"
他补充说:"Fundamental Research Labs突出的不仅是愿景的雄心,更是推动这一愿景的团队素质。他们能够吸引世界上一些最聪明的人才,并将这些人才转化为现实世界的产品,这使其成为对我们来说独特且引人注目的投资机会。"
该公司去年完成了900万美元种子轮融资,由First Spark Ventures和Patron共同领投,a16z Speedrun和Eric Schmidt参投。迄今为止,该公司已累计融资超过4000万美元。
Yang表示,公司愿意尝试各种应用模式,最终还想制造机器人。
"我们现在专注于生产力应用,因为这是创造最大价值的地方。你可以通过这个赚很多钱,并建立你的团队和技术。最终,我们想解决物理问题,朝着具身智能的方向发展,"Yang说道。
Yang还透露,公司已经在七天试用期后开始向用户收费,并产生了收入。
Q&A
Q1:Fundamental Research Labs是什么公司?主要做什么?
A:Fundamental Research Labs是一家应用AI研究公司,专注于在不同领域开发AI智能体。公司拥有独特架构,设有游戏团队、消费者应用开发团队、核心研究团队和平台团队,同时开发多个AI应用产品。
Q2:Fairies和Shortcut这两个产品有什么功能?
A:Fairies是通用消费者助手,可以与AI机器人聊天、连接应用程序、跨知识库提问并安排日历约会。Shortcut是基于电子表格的智能体,类似初级分析师,能够自主创建财务模型并进行分析,界面类似Excel。
Q3:Fundamental Research Labs未来有什么发展计划?
A:公司创始人Yang表示,目前专注于生产力应用以创造价值并建立团队技术,但最终目标是解决物理问题,朝着具身智能方向发展,甚至制造机器人。公司愿意尝试各种应用模式。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。