风投公司Eclipse获得了13亿美元的新资金,专门用于投资和孵化"物理AI"初创企业。这笔资金分为两部分:5.91亿美元的早期孵化基金和面向成长期初创企业的投资基金。
从Eclipse近期的投资组合可以清楚看出这家总部位于帕洛阿尔托的风投公司的投资方向。该公司已经向"物理世界"投入了大量资金,投资项目包括电动船舶开发商Arc、备受关注的电池回收材料公司Redwood Materials、自动驾驶建筑车辆初创公司Bedrock Robotics、自动驾驶技术公司Wayve以及工业机器人实验室Mind Robotics。
Eclipse合伙人Jiten Behl将这一趋势描述为下一个重大技术时代的到来。"在过去二十年中,我们见证了多轮创新浪潮,"Behl说道,他列举了互联网、移动云计算和社交媒体时代。"这是第一次,技术将从我们的屏幕转向物理世界;我们将看到先进的智能水平,以及在解决现实物理世界问题方面的实际行动。"
物理AI投资策略与生态系统构建
Behl表示,这个时代是由人才汇聚、技术进步、市场需求和政策等多重因素推动的。当然,还有资本的支持。"我们有充足的资金储备,可以在市场上产生重大影响,并在整个生命周期内以正确的方式支持这些公司,"他说。
虽然投资物理AI并不是Eclipse的开创性举措,毕竟这是当前投资的热门领域,但Eclipse选择初创企业的方式值得关注。该风投公司计划在所有物理领域进行投资,包括交通、能源、基础设施、计算和国防。
有趣的是,正如Behl所描述的,该公司的战略是构建一个由相互重叠领域的初创企业组成的网络或生态系统,这些企业在扩张过程中很可能成为合作伙伴。"规模非常重要,如果你能以一种让公司早期就建立合作关系的方式将其整合在一起,建立规模,建立概念验证,这样就能让它们去追求下一轮需求,"Behl解释说,投资组合公司将直接相互合作,但希望也能与彼此的合作伙伴开展合作。
孵化新公司的计划
在某些情况下,这些初创企业将在Eclipse内部进行孵化。Behl表示,Eclipse计划利用这笔新基金孵化公司。虽然他没有透露太多细节,但确认这一过程已经开始。
"我们确实在研究一些非常酷的想法,"他说,并指出Eclipse对跨企业领域工作的初创企业特别感兴趣。
"下一个洞察是,如何连接这些行业?如何跨行业建立规模?如何使用跨行业的数据来构建护城河?"他提出了这些问题,并补充说数据将用于训练更智能的AI模型,以惠及更广泛的群体。"这就是我们一直在研究的总体理论。"
Q&A
Q1:Eclipse风投公司的物理AI投资策略是什么?
A:Eclipse获得13亿美元资金专门投资物理AI初创企业,涵盖交通、能源、基础设施、计算和国防等物理领域。该公司的独特之处在于构建一个由相互重叠领域初创企业组成的生态系统,让投资组合公司相互合作,通过早期合作建立规模和概念验证。
Q2:什么是物理AI,为什么现在成为投资热点?
A:物理AI是指将人工智能技术从屏幕转向物理世界,在现实世界中实现先进智能和实际行动来解决问题。这个趋势是由人才汇聚、技术进步、市场需求和政策等多重因素推动的,代表着继互联网、移动云计算和社交媒体之后的下一个重大技术时代。
Q3:Eclipse如何利用跨行业数据构建竞争优势?
A:Eclipse计划通过连接不同行业的初创企业,使用跨行业的数据来训练更智能的AI模型,从而惠及更广泛的群体。这种跨行业的数据整合和规模化建设将帮助构建竞争护城河,让投资组合公司不仅直接合作,还能与彼此的合作伙伴开展业务。
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。