Anna Monaco在"AI智能体"这个术语还未流行之前就开始构建AI智能体了。在开发了众多聊天机器人后,她开始寻找其他适合AI智能体的界面类型,最终选择了电子表格。
"我有一个个人习惯,我注意到很多其他人也有这种习惯,就是将非常重要的CRM数据放在电子表格中,因为这是最灵活的工具,"Monaco告诉TechCrunch。"但实际上维护起来很痛苦。涉及太多手动工作。所以我就深入钻研,为自己构建一个产品,想要重新构想在大语言模型全面支持下电子表格可能的样子。"
结果就是Paradigm,这是一个AI驱动的电子表格,配备了超过5000个AI智能体。用户可以为单独的列和单元格分配不同的提示,各个AI智能体会爬取互联网来查找并填写所需信息。
Monaco表示,Paradigm与Anthropic、OpenAI和谷歌Gemini的AI模型兼容,并支持模型切换。
"我们希望支持每一个模型,因为我们希望用户在需要时能够获得最高推理输出,同时也能获得最便宜的输出,"Monaco说。"这是一个不断评估不同模型、与模型提供商密切合作以确保我们的限制足够高,然后将这些能力提供给用户的持续循环。"
该公司在2024年底推出了小规模封闭测试版预览,并一直在根据客户反馈迭代产品。Paradigm吸引了从顾问到销售专业人士和金融人士等各类用户,采用基于使用量分层的订阅模式。咨询公司安永、AI芯片初创公司Etched和AI编程公司Cognition都是早期客户。
Paradigm现在向公众发布其产品,并宣布完成了由General Catalyst领投的500万美元种子轮融资。该公司迄今已筹集700万美元。Monaco表示,这笔资金将用于执行公司"极其激进的产品路线图"。
"筹资时发生的有趣事情是,我们向一些人推介后,他们就一直在使用并为产品付费,"Monaco说。"我认为这很酷。我们从中发现了很多价值,不仅是我们的投资者——甚至是我们交谈过的其他投资者——仍在使用它。"
Paradigm并不是唯一一家寻求为电子表格提供AI升级的公司。已筹集超过600万美元风险投资的Quadratic是一家有着相似目标的3年历史的初创公司。谷歌和微软等传统公司也在向其电子表格应用添加AI工具。
Monaco表示,她并不真正考虑竞争,因为Paradigm并不认为自己是一个AI驱动的电子表格。她说她认为这是一个新的AI驱动工作流程,恰好以熟悉的电子表格形式存在,但不一定永远保持这种形式。
"我在当前最受欢迎的AI产品中看到的是现在和未来之间的微妙平衡,"Monaco说。"如何构建一个现在就非常强大并产生大量价值,同时也为未来做好充分准备的产品?这是我一年前创办公司时问自己的问题。"
Q&A
Q1:Paradigm是什么产品?它有什么特别之处?
A:Paradigm是一个AI驱动的电子表格工具,配备了超过5000个AI智能体。用户可以为单独的列和单元格分配不同的提示,AI智能体会自动爬取互联网来查找并填写所需信息,大大减少了手动维护数据的工作量。
Q2:Paradigm支持哪些AI模型?为什么要支持多个模型?
A:Paradigm与Anthropic、OpenAI和谷歌Gemini的AI模型兼容,并支持模型切换。创始人表示希望支持每一个模型,让用户在需要时能够获得最高推理输出,同时也能获得最便宜的输出选择。
Q3:Paradigm的目标用户群体是什么?商业模式如何?
A:Paradigm吸引了从顾问到销售专业人士和金融人士等各类用户,早期客户包括咨询公司安永、AI芯片初创公司Etched和AI编程公司Cognition。采用基于使用量分层的订阅模式运营。
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。