机器人公司经常面临一个看似简单却令人困扰的问题:机器人会产生大量数据。即使是一个简单的机器人,每天也能轻松产生高达1TB的数据,因为它们会持续从摄像头和传感器捕获数据。
总部位于澳大利亚悉尼的Alloy公司认为自己能够帮助解决这个问题。这家初创公司正在为机器人公司构建数据基础设施,帮助它们处理和组织机器人从各种源头(包括传感器和摄像头)收集的所有数据。
Alloy的核心功能是对收集的数据进行编码和标记,并允许用户使用自然语言搜索数据以发现bug和错误。用户还可以设置规则来捕获和标记未来的问题,这类似于可观测性工具在软件代码中标记错误的方式。
"目前的模式是,你寻找某种异常,然后回放数据,"Alloy创始人兼首席执行官Joe Harris告诉TechCrunch。"然后他们花费数小时梳理这些数据,寻找被标记的问题,试图从中诊断问题,但实际上并不清楚这种情况以前是否发生过,这是高严重性问题还是一次性的边缘情况。"
Harris补充说,考虑到单个机器人产生的数据量,随着机器人公司寻求规模化发展,这个数据问题将继续复合增长。
Harris从小就对机器人技术着迷。但当他在2018年大学毕业时,该领域的工作机会并不多,因此他在澳大利亚的多家科技公司担任不同职务,包括Atlassian和远程医疗初创公司Eucalyptus。
2024年,他决定时机已到,可以创办自己的机器人公司。他最初考虑专注于为农业行业制造机器人,因为他对垂直农业很感兴趣。但当他开始与其他创始人交谈时,管理机器人产生数据的问题不断出现。他想不如先解决这个问题。
"如果我需要为自己和我的机器人公司解决这个问题,我就会有一个很好的横向解决方案,"Harris说。"也许这会是一个更重要的近期使命——帮助其他机器人公司减少在数据管道上的时间,把更多时间用于实现高可靠性。"
自2025年2月推出以来,Alloy已经签约了四家澳大利亚机器人公司作为设计合作伙伴,并计划今年进军美国市场。
"我们发现最兴奋的客户是那些经历过自己构建和维护这些系统痛苦的公司,"Harris说。"他们更愿意拥有一个专门为机器人技术构建的优秀工具,就像专门为机器人打造的Databricks。"
Alloy还筹集了超过450万澳元(约300万美元)的pre-seed轮融资,由Blackbird Ventures领投,Airtree Ventures、Xtal Ventures和Skip Capital参投,此外还有来自机器人公司的天使投资者。
该公司目前还没有太多直接竞争对手。许多机器人公司要么在改装现有的数据管理工具(这些工具并非专为机器人产生的多模态数据而设计),要么试图构建自己的内部数据管理工具。
随着机器人商业应用案例的持续增加,Alloy希望能够在不断增长的市场中占据良好份額。
"现在是创办机器人公司的最佳时机,"Harris说。"我真的希望让未来10,000家、100,000家尚不存在但必然会出现的机器人公司,不必像现在每家公司都在做的那样重新发明轮子。"
Q&A
Q1:Alloy公司是做什么的?
A:Alloy是一家澳大利亚初创公司,专门为机器人行业提供数据管理解决方案。它帮助机器人公司处理和组织机器人从传感器、摄像头等各种源头收集的大量数据,核心功能包括数据编码标记和自然语言搜索。
Q2:机器人数据管理面临什么挑战?
A:机器人会产生海量数据,即使简单机器人每天也能产生1TB数据。目前机器人公司需要花费大量时间手动梳理数据查找问题,缺乏有效工具判断问题严重性和历史发生情况,随着规模扩展这个问题会越来越严重。
Q3:Alloy获得了多少融资?
A:Alloy在pre-seed轮融资中筹集了超过450万澳元(约300万美元),由Blackbird Ventures领投,Airtree Ventures、Xtal Ventures和Skip Capital参投,另外还有机器人公司的天使投资者参与。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。