因果人工智能初创公司Alembic Technologies Inc.今日宣布完成1.45亿美元B轮融资,估值增长近16倍。
公司将大部分资金用于投资其声称是私有领域最快的超级计算机之一——一台新的英伟达NVL72 superPOD,它将成为企业级AI模型的基础设施。
Alembic声称是专注于企业市场的因果AI模型先驱,主要生成营销智能分析。因果AI模型旨在理解和建模因果关系,而非仅仅识别模式和关联性。Alembic表示正在利用因果AI生成对消费者行为和事件背后潜在因素的更深入洞察,从而增强客户的决策能力。
换句话说,Alembic正在尝试开发更可靠的AI模型,可以安全地在企业环境中使用,为此需要利用客户的重要私有数据。该初创公司表示,其因果引擎就像AI模型的私有智能层,创建复合飞轮效应。通过提供更好的洞察,企业可以为客户创造更优质的产品和策略,进而帮助获取更多甚至更丰富的数据,从而生成进一步的洞察。
Alembic联合创始人兼首席执行官Tomás Puig表示,如今最强大的大语言模型在性能和能力方面实际上差别不大。这些模型能够访问的专有数据才是主要竞争优势。"获得真正优势并不在于使用最好的大语言模型,"他解释说,"而在于利用竞争对手无法获得的独特信息。公司生成的专有数据保护其战略免受通用模型输出的影响,在通用模型中,两个竞争对手可能得到相同的答案。"
私有AI基础设施的战略投资
此轮融资规模表明Alembic的新超级计算机成本不菲,但Puig强调这是公司的重要投资。公司计划在与数据中心托管提供商Equinix Inc.的合作下,在庞大的DGX AI超级计算集群中部署配备英伟达最强大Blackwell图形处理器的NVL72 superPOD。该集群将运行英伟达AI企业软件套件,为其因果AI模型提供"高性能计算支撑"。
Puig表示该系统已定制化运行其连续学习脉冲神经网络和时空图构建算法,使其能够扩展以支持不断增长的客户群,并继续实时生成新的因果洞察。值得注意的是,这是Alembic收购的第二个超级计算集群,这是其战略重点的一部分,旨在确保双海岸冗余并避免被任何云供应商锁定。通过投资专用的私有AI舰队,Alembic受益于有保障的资源可用性,并获得为因果AI工作负载更好地优化其技术栈的能力。
据Puig称,Alembic需要访问世界上最先进、最强大的计算平台,以便能够进一步推进因果AI。"NVL72让我们的研究团队能够充分利用万万亿次级别的计算和英伟达的算法软件栈,"他解释说,"这种深度集成是我们的秘密武器之一——我们将更多时间用于突破性研究和数学,而较少时间用于重复的低级工程,使我们能够为埃森哲等合作伙伴近乎实时地提供因果答案。"
本轮融资由Prysm Capital和埃森哲联合领投,Liquid 2 Ventures、NextEquity、Friends & Family Capital、WndrCo和SLW参与投资。
埃森哲董事长兼首席执行官Julie Sweet表示,因果AI对于企业采用AI至关重要,因为受监管的公司需要高性能和极高可靠性。"Alembic的因果AI通过将企业从关联性转向可验证的因果洞察,为领导者提供了以决定性速度行动所需的信息,"她说。
Q&A
Q1:什么是因果AI?它与普通AI有什么区别?
A:因果AI模型旨在理解和建模因果关系,而非仅仅识别模式和关联性。与普通AI不同,因果AI能够生成对消费者行为和事件背后潜在因素的更深入洞察,从而增强决策能力,提供更可靠和可验证的分析结果。
Q2:Alembic为什么要投资超级计算机而不是使用云服务?
A:Alembic选择投资私有超级计算机是为了确保双海岸冗余,避免被云供应商锁定。通过专用的私有AI基础设施,公司能获得有保障的资源可用性,更好地优化技术栈来处理因果AI工作负载,并保护客户的重要私有数据。
Q3:企业使用因果AI有什么优势?
A:因果AI为企业提供专有数据驱动的竞争优势,而非依赖通用大语言模型。它能创建复合飞轮效应:通过更好的洞察帮助企业创造更优质产品和策略,进而获取更多丰富数据,生成进一步洞察,特别适合需要高性能和极高可靠性的受监管企业。
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。