金融风险管理平台Pillar于周二宣布完成2000万美元种子轮融资,本轮融资由Andreessen Horowitz领投。
参与本轮融资的还包括Crucible Capital、Gallery Ventures,以及Uber首席执行官达拉·科斯罗萨西。至此,该公司累计融资额已达2300万美元。
Pillar成立于2023年,专注于为大宗商品驱动型企业(包括金属、食品及航空公司等行业)提供对冲流程自动化服务。所谓对冲,是指企业通过建立特定交易头寸,以抵消或中和其他定价交易可能带来的损失。受地缘政治局势影响,大宗商品市场在过去一年中经历了剧烈波动。
公司联合创始人兼首席执行官哈沙·拉梅什(与首席技术官钦迈·德施潘德共同创立了该公司)表示,Pillar借助AI技术,从客户合同、现金流、库存、ERP软件、电子表格乃至WhatsApp消息中摄取并解析数据,从而"持续分析大宗商品、外汇及货运方面的风险敞口"。
在此基础上,平台能够为客户构建并管理对冲组合,并根据"市场状况、波动率以及客户的风险承受能力"自动调整持仓。拉梅什进一步介绍,平台可直接执行交易并持续监控风险与敞口,将对冲从"静态、周期性的决策转变为持续、自主运行的系统"。
Pillar的现有客户包括:从事金属等大宗商品买卖的贸易公司Shibuya Sakura Industries、可回收材料企业Sigma Recycling,以及同样从事金属回收与贸易的United Metal Solutions Group。
拉梅什曾是一名宏观交易员,负责管理大型衍生品交易账簿,并为全球众多顶级企业在外汇汇率和利率敞口对冲方面提供服务。他表示,自己还曾在一家中型进出口实体企业工作过。
"当时我注意到一个明显的结构性差距——大型机构拥有完善的工具、基础设施和专业人才,而真正推动全球贸易运转的生产商、进口商和制造商,却几乎无法获得这些资源,"他说,"风险管理明明是企业运营的必要环节,却被视作一种奢侈品。"
Pillar希望向中小型企业提供媲美机构级别的专业工具。"我们的目标是让对冲像支付或财务软件一样普及易用,"拉梅什说道。
在竞争格局方面,Pillar面临的竞争对手包括大型银行的传统业务部门,以及Topaz、RadarRadar等大宗商品风险管理平台。
值得注意的是,Pillar目前在某些环节仍保留了人工参与机制,负责处理"审批、监督及战略决策"等事务。对于涉及大额交易的复杂场景,人工团队也会介入,将人类判断与机器执行有机结合。
Q&A
Q1:Pillar平台是如何帮助企业管理大宗商品风险的?
A:Pillar利用AI技术,从客户合同、现金流、库存、ERP软件、电子表格及WhatsApp消息等多类数据源中摄取并解析信息,持续分析大宗商品、外汇和货运方面的风险敞口。在此基础上,平台自动构建和管理对冲组合,并根据市场状况、波动率及客户风险承受能力实时调整持仓,将传统的周期性对冲决策转变为持续自主运行的系统。
Q2:Pillar这轮融资的投资方有哪些?
A:本轮2000万美元种子轮融资由知名风险投资机构Andreessen Horowitz(a16z)领投,参与方还包括Crucible Capital、Gallery Ventures,以及Uber首席执行官达拉·科斯罗萨西个人投资。加上此前融资,Pillar累计融资总额已达2300万美元。
Q3:Pillar的目标客户群体是哪些企业?
A:Pillar主要面向中小型大宗商品驱动型企业,包括金属、食品及航空等行业的生产商、进口商和制造商。现有客户涵盖金属贸易公司Shibuya Sakura Industries、可回收材料企业Sigma Recycling及United Metal Solutions Group等。Pillar的核心愿景是弥合大型机构与中小企业之间在风险管理工具上的差距,让专业对冲服务像支付或财务软件一样普及。
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。