AI DevOps工具公司Harness由连续创业者Jyoti Bansal于2017年创立,该公司预计2025年年度经常性收入将超过2.5亿美元。
这家初创公司刚刚完成了2.4亿美元的E轮融资,融资后估值达到55亿美元。本轮融资包括由高盛领投的2亿美元主要投资,以及计划中的4000万美元要约收购,参与方包括IVP、Menlo Ventures和Unusual Ventures。要约收购旨在为长期员工提供一些流动性。
新估值较2022年4月2.3亿美元融资时的37亿美元估值上涨49%。通过这次融资,该公司迄今已筹集了5.7亿美元的股权融资。
随着AI加速代码生产,软件开发中"编码后"阶段的瓶颈正在扩大——测试、安全检查和部署工作仍然消耗近70%的工程时间。Harness的工具帮助自动化这一庞大且容易出错的层面,即使企业正在应对不断增长的AI代码量以及将单行错误代码部署到生产系统的风险。
Bansal因构建并将应用性能公司AppDynamics以37亿美元出售给思科而在开发者中闻名。因此编码后的世界是Bansal非常熟悉的领域。
Harness使用AI智能体来自动化测试、验证、安全和治理等功能。它建立在软件交付知识图谱之上,该图谱映射代码变更、服务、部署、测试、环境、事件、策略和成本。Bansal表示,知识图谱帮助Harness与其他AI平台区分开来,因为它让系统深度理解每个客户的软件交付流程和架构。
"这个知识图谱是我们AI智能体使用的上下文,"他告诉TechCrunch。
专门构建的智能体利用这些上下文来生成匹配每个客户特定策略、架构和操作要求的流水线。
Harness还使用编排引擎将AI的建议转化为自动化操作,并设置检查以确保这些更改被安全应用。
由于AI并非万无一失,Bansal表示系统设计了人工监督,AI生成的测试或修复会在投入使用前由工程师、合规团队或审计师审查。
微软的GitHub、GitLab、Jenkins和CloudBees是Harness的主要竞争对手。但Harness拥有强大的牵引力,声称拥有超过1000家企业客户,包括美国联合航空、晨星公司、Keller Williams和澳大利亚国民银行。过去一年,该初创公司处理了1.28亿次部署、8100万次构建、保护了1.2万亿次API调用,并帮助客户优化了19亿美元的云支出。
这家总部位于旧金山的公司在全球14个办公室雇佣超过1200名员工,包括欧洲和英国。约33%的员工在印度,在班加罗尔有大型工程团队,在古尔冈有企业办公室。班加罗尔站点是Harness在美国以外最大的开发中心。
Harness计划利用新资金扩大研发工作,在班加罗尔办公室招聘"数百名工程师",并构建额外的自动化测试、部署和安全能力,同时提高其AI系统的准确性。公司还打算加强美国市场开拓运营,并显著扩大在国际市场的存在。
值得注意的是,今年早些时候,Bansal将他的软件可观测性公司Traceable与Harness合并,这一举措帮助初创公司增长其年度经常性收入预测。
"我们将两家公司合并,因为我们开始看到DevOps和应用安全正在以非常深入的方式结合,"Bansal说。"我们看到这在今年被证明是一个非常成功的论题……这推动了我们DevOps和应用安全产品组合的大量增长。"
虽然这次融资让一些员工能够套现一部分,但Bansal仍计划有一天让Harness上市,尽管他没有分享具体的时间表。
"这是我们的目标和计划所依赖的,"他谈到最终的IPO时说。"我们的业务非常健康、强劲、高增长和高利润率,在时机合适时将成为一家优秀的上市公司。"
Q&A
Q1:Harness是什么公司?主要做什么?
A:Harness是一家AI DevOps工具公司,由连续创业者Jyoti Bansal于2017年创立。公司专注于自动化软件开发中"编码后"阶段的工作,包括测试、安全检查和部署等,这些工作通常消耗近70%的工程时间。
Q2:Harness如何使用AI技术来帮助企业?
A:Harness使用AI智能体来自动化测试、验证、安全和治理等功能。它建立在软件交付知识图谱之上,该图谱映射代码变更、服务、部署等信息,让AI系统深度理解客户的软件交付流程,生成匹配特定需求的流水线。
Q3:Harness目前的业务规模如何?
A:Harness拥有超过1000家企业客户,包括美国联合航空、晨星公司等知名企业。过去一年处理了1.28亿次部署、8100万次构建,保护了1.2万亿次API调用,帮助客户优化了19亿美元云支出,预计2025年年度经常性收入将超过2.5亿美元。
好文章,需要你的鼓励
芬兰阿尔托大学研究团队开发出革命性光学计算方法,利用单束光线实现复杂张量运算。该技术将数字信息编码到光波的振幅和相位中,通过光波相互作用自动完成深度学习所需的矩阵和张量乘法运算。与传统GPU逐步处理不同,光学系统可同时并行执行所有计算操作,运算速度达到光速级别。研究显示该方法具有被动处理、低功耗等优势,预计3-5年内可集成到现有硬件平台,为AI计算带来重大突破。
新加坡科技设计大学研究团队发现,通过控制大型语言模型的"思考语言"可显著提升输出多样性。研究显示,AI用非英语语言思考时能产生更多样化的答案,且距离英语越远的语言效果越好。混合多种语言思考的策略表现最佳,不仅提升创意输出,还增强了文化多元化表达能力,为解决AI输出同质化问题提供了简单有效的方案。
科学家成功将传统公里级粒子加速器缩小至房间大小,并实现商业化。TAU Systems公司开发的激光驱动尾场加速器利用超强激光脉冲产生等离子体,将电子加速至相对论速度。该设备首先用于航天电子设备的辐射测试,能量范围60-100兆电子伏特,成本约1000万美元起。未来还可应用于医疗成像、芯片检测和X射线光刻等领域,有望大幅降低粒子加速器的使用门槛。
浙江大学研究团队开发了PhyRPR三阶段视频生成系统,解决AI视频中物理规律违背问题。该方法将物理理解与视觉生成分离处理:首先用大型语言模型进行物理推理和关键帧生成,然后规划连续运动轨迹,最后通过运动感知技术精化视觉效果。实验证明该方法在物理一致性和视觉质量方面均优于现有技术。