AI搜索工具初创公司Exa Labs今日宣布完成2.5亿美元融资,所筹资金将主要用于扩充基础设施。
本轮融资由安德森·霍洛维茨基金领投,距离Exa上一轮融资不足一年。上一轮为8500万美元的B轮融资,英伟达和Y Combinator均有参与投资。本轮融资完成后,Exa Labs的估值达到22亿美元。
Exa提供一套面向AI应用的搜索服务,帮助AI程序实现网页浏览功能。其产品线中速度最快的工具Exa Instant,完成单次查询仅需180毫秒以内,公司声称这是目前市场上同类产品中响应速度最快的搜索服务。
Exa将其服务为用户抓取的部分网页数据存储于自研向量数据库中。据公司介绍,该系统可在十分之一秒内完成对数十亿条嵌入向量的查询,且内存占用低于一台高端个人电脑。数据库高速运行的关键之一,在于将部分重要文件直接缓存于中央处理器的缓存中,而非存储在内存里。
在网页数据采集方面,Exa采用另一套名为exa-d的自研软件平台。该平台能够将关键数据处理任务并行分配至多块显卡,从而实现并发执行而非逐一处理。此外,exa-d还省去了数据管理系统在更新记录时通常会执行的大量冗余文件操作,进一步提升了硬件资源的利用效率。
Exa的搜索服务在执行查询前,会先将网页数据转化为嵌入向量——一种AI模型可以理解的数学结构。这一转化过程由公司自研的神经网络(即嵌入模型)来完成,相关算法在其自建的英伟达显卡集群上进行训练。
除速度领先的Exa Instant外,Exa还提供多款其他搜索工具。Contents服务支持AI应用检索完整的网页正文内容;Exa Agent则面向多步骤搜索工作流,例如,一个市场调研智能体可借助它找出某电商平台的热销商品,并进一步从评价网站抓取对应的用户反馈,对结果进行丰富补充。
Exa表示,目前已有超过40万名开发者使用其服务,其中不乏来自HubSpot等大型科技公司及风险投资支持的初创企业的用户。
公司将利用本轮融资扩大AI基础设施规模。Exa表示,硬件升级将使其具备训练新AI模型的能力,并支持每秒处理数十万次搜索请求。此外,公司还计划增加市场拓展方向的人员招聘。
Exa首席执行官Will Bryk在一篇博客文章中写道:"其他大多数搜索服务商实际上是在封装其他搜索引擎,因此在质量、延迟和成本方面难以形成竞争力。随着我们在未来数月持续扩充基础设施并加强模型训练,Exa与这些封装产品之间的差距将会越来越清晰。"
Q&A
Q1:Exa Labs本轮融资的规模和用途是什么?
A:Exa Labs本轮融资金额为2.5亿美元,由安德森·霍洛维茨基金领投,融资完成后公司估值达22亿美元。所筹资金主要用于扩充AI基础设施,包括硬件升级以支持训练新AI模型、实现每秒处理数十万次搜索请求,同时公司还计划增招市场拓展方向的专业人才。
Q2:Exa Instant的速度优势体现在哪里?
A:Exa Instant完成单次查询仅需180毫秒以内,是Exa产品线中响应速度最快的搜索工具,公司声称其为目前市场上同类产品中最快的搜索服务。其背后的技术支撑包括自研向量数据库(可在0.1秒内查询数十亿条嵌入向量)、将重要文件缓存于CPU缓存而非内存,以及通过exa-d平台实现多显卡并行数据处理等。
Q3:Exa Agent智能体能应用在哪些场景?
A:Exa Agent主要面向需要多步骤搜索的复杂工作流场景。以市场调研为例,智能体可先通过Exa Agent找出某电商平台的热销商品列表,再进一步从评价网站抓取对应的用户反馈,对结果进行丰富补充,从而实现自动化的多步骤信息整合,大幅提升AI应用处理复杂任务的效率。
好文章,需要你的鼓励
欧洲量子计算初创公司Alice & Bob正式推出其首款完整量子硬件平台——Helium量子系统,标志着该公司从量子芯片制造商升级为完整系统开发商。该系统基于独特的"猫量子比特"架构,仅需18个猫量子比特即可实现首个逻辑量子比特的编码,并集成了处理器架构、控制电子设备及监控软件Starboard。系统功耗仅40千瓦,支持量子与经典计算资源的协同部署,面向高性能计算场景开放研究合作。
韩国科学技术院团队构建的SoCRATES框架,系统评估AI调解员在八类冲突场景和五种社会认知维度下的表现,发现即使最强模型也仅能弥合约三分之一的分歧。
Intuit首席AI官Ashok Srivastava对外界盛传的"AI颠覆SaaS"论调保持冷静,认为SaaS行业的演变本是持续循环的一部分。他表示,公司通过引入AI智能体,过去一年开发速度提升40%,五年内开发效率提升12倍。QuickBooks Live订阅量因AI加入翻倍增长,QuickBooks Capital平台同比增长73%。Srivastava同时强调,Intuit拒绝"Token最大化"策略,坚持以服务客户为核心,在合规监管环境下稳步推进AI落地。
中山大学与Datawhale研究团队发现,在扩散模型训练中,让AI用自身输出的结构熵自动调节学习权重,可令音乐生成模型产生更清晰的段落结构和音色分化。