Anthropic已收购总部位于西雅图的AI初创公司Vercept,这标志着能够直接操作软件应用的AI智能体新兴市场正在进一步整合。
Vercept是西雅图专注于AI的孵化器A12的毕业企业,该公司开发了能够控制远程MacBook的云端智能体,这是重新思考工作方式的更广泛努力的一部分,因为企业正在探索超越聊天和代码生成的AI驱动任务自动化。
此次收购紧随Anthropic在12月份对编程智能体引擎Bun的收购。这些举措表明,Anthropic正致力于将更复杂的"智能体"工作流程直接嵌入其核心平台。
Vercept在其网站上表示,其产品将在2026年3月25日前关闭。
整合趋势分析
分析师表示,企业AI领域的长期成功需要大量资源,包括计算能力、高质量数据集、快速产品迭代和持续资金支持。
Omdia首席分析师Lian Jye Su表示:"虽然小型初创公司在细分创新方面表现出色,但它们往往难以与主要供应商直接竞争。这类似于网络安全领域的总体趋势,通过与拥有规模和丰富客户接触点的巨头合作或被其收购,生存的可能性更大。"
根据Kadence International高级副总裁Tulika Sheel的观点,大型平台厂商正在整合补充其核心模型的能力,而不是让这些能力分散在各个细分初创公司中。
Sheel补充说:"这可能表明,此类技术的长期可行路径是通过战略收购并嵌入到更广泛的技术栈中,在那里规模、数据访问和模型对齐可以得到严格管理。"
AI模型公司也正变得更加垂直整合,添加有助于它们在企业环境中更有效扩展的解决方案。
Counterpoint Research研究副总裁Neil Shah表示:"这本质上是遵循生态系统蓬勃发展的'自然秩序',现在领先的模型公司寻求收购这些小型创新者,以帮助向所有人扩展这些解决方案。"
话虽如此,Vercept独立产品相对快速的关闭突显了企业在试点早期AI提供商时面临的不确定性。
Su表示:"首席信息官应该建立风险缓解机制,比如从具有明确成功指标的低承诺实验开始,要求数据可移植性,并采用使用API和开放标准的模块化设计架构。"
人才争夺战加剧
这笔交易还在精英AI研究人员的激烈竞争背景下展开。Vercept联合创始人Matt Deitke早前离职加入Meta的超级智能实验室,据报道获得了2.5亿美元的薪酬包。
对于企业买家而言,这突显了人才集中度如何深刻影响领先模型提供商的产品路线图。
Gartner高级首席分析师Ashish Banerjee表示:"在前沿AI领域,人才保留就是新的正常运行时间。如果一个提供商无法留住其开发人员,就无法维持其路线图。我们正在观察AI领域的'NBA式'劳动力市场。一次招聘变动就能在一个季度内改变产品方向。"
Sheel表示,这为企业买家创造了机遇和风险:强大的人才团队预示着创新动力,但激进的人才流动也可能引发对未来连续性和平台稳定性的质疑。
因此,首席信息官不仅应评估当前能力,还应评估供应商研发和工程团队的深度及保留策略。
Q&A
Q1:Anthropic收购Vercept有什么战略意义?
A:此次收购表明Anthropic正在深化其在AI任务自动化领域的布局,通过整合能够直接操作软件应用的智能体技术,将更复杂的"智能体"工作流程嵌入其核心平台,这是继收购编程智能体引擎Bun后的又一重要举措。
Q2:为什么AI初创公司更容易被大公司收购?
A:分析师指出,企业AI领域的长期成功需要大量资源,包括计算能力、高质量数据集、快速产品迭代和持续资金支持。小型初创公司虽然在细分创新方面表现出色,但往往难以与拥有规模和丰富客户接触点的主要供应商直接竞争。
Q3:企业在选择AI供应商时应该注意什么?
A:首席信息官应该建立风险缓解机制,从具有明确成功指标的低承诺实验开始,要求数据可移植性,采用模块化设计架构。同时还要评估供应商研发团队的深度和人才保留策略,因为在前沿AI领域,人才保留直接影响产品路线图的稳定性。
好文章,需要你的鼓励
今天讲的出海案例是依米康,这家数据中心温控与液冷设备厂商正在把泰国纳入海外交付体系,并用生产线、总装车间和焓差实验室承接算力设施订单。
BioMatrix是首个将分子序列、分子三维结构、蛋白质序列、蛋白质三维结构和自然语言统一在单一语言模型中的生物基础模型,在80项任务中77项达到最优或第二优。
Salesforce正式推出Help Agent,这是基于Agentforce平台的预封装AI客服智能体,可在数分钟内连接企业知识库、操作功能及网页、短信、语音等沟通渠道。该产品同步推出按解决率计费模式,每次成功自主解决客户问题收费2美元,无需按token或操作次数计费。Help Agent支持低代码构建,内置测试功能,并配备全新客户服务门户。该产品预计于2026年7月正式上线。
浙江大学提出SKILLHARNESS框架,通过为AI电脑助手的每项技能附加安全边界,从成功、失败和风险三类经历中学习,使AI在动态危险环境中安全高效地完成任务。