Limitless Labs是一家专注于CNC编程与精密制造领域的AI软件开发商,近日完成了2000万美元的A轮融资,旨在扩大其物理AI平台规模,并加速在制造业的部署推广。
本轮融资由戴尔科技资本(Dell Technologies Capital)和Square Peg联合领投,Grove Ventures、Meron Capital和Kinetica跟投参与。
该公司前身为LimitlessCNC,目前已开发出一套智能体AI平台,该平台可直接嵌入现有CAD/CAM软件中运行,帮助制造商实现CNC编程的自动化与标准化,同时保留人工监督机制。
目前,该平台已在多家客户的生产环境中正式部署,用户涵盖蓝色起源(Blue Origin)、凯迪拉克F1车队、山特维克(Sandvik)和伊斯卡(Iscar)等知名企业,服务领域涉及航空航天、国防、赛车运动及工业机械等行业。
据该公司介绍,其AI软件能够通过识别加工特征、推荐切削刀具、排列工序步骤以及在Mastercam、西门子NX和Creo等主流CAD/CAM平台中直接生成刀具路径,将CNC编程时间最多缩短50%。
与基于文本或软件代码训练的通用AI模型不同,Limitless Labs表示,其物理AI基础模型专门基于制造业数据进行训练,涵盖CAD几何形状、加工物理特性以及CNC机床的运行特征等内容。
该公司指出,这项技术旨在帮助制造商应对日益严峻的CNC编程人才短缺问题,同时保留那些往往只存在于少数高技能机械师脑海中的专业知识。
Limitless Labs联合创始人兼CEO大卫·普列夫(David Priev)表示:"制造业需要的不仅仅是更多自动化,更需要一种更好的方式来沉淀和扩展那些存在于少数经验丰富的机械师头脑中的专业知识。我们打造Limitless Labs,就是为了让它在制造商已在使用的CAD/CAM系统中无缝工作,帮助团队统一最佳实践、消除编程瓶颈,让资深程序员专注于最有挑战性的工作,同时不失去对流程的掌控。我们相信,下一个重大AI平台将为物理世界而生,而这一切从赋予制造商一种方式开始——将最优知识扩展应用于每一个新零件和每一位新工程师。"
该软件符合ITAR合规要求,并支持在AWS GovCloud上部署,可满足航空航天和国防等高度监管行业的应用需求。
戴尔科技资本董事总经理亚尔·斯尼尔(Yair Snir)表示:"Limitless Labs代表着企业AI的下一浪潮——超越数字化工作流,深入精密制造的物理世界。他们独特的基础模型以及在生产环境中已实现的部署水准,让我们坚信这支团队正在打造制造业AI领域的标杆平台。"
Grove Ventures普通合伙人、SolarEdge联合创始人利奥尔·汉德尔斯曼(Lior Handelsman)补充道:"18个月前,我们支持了Limitless Labs的愿景——相信智能体AI能够改变工厂生产模式。自那以后,这支团队的成就已超出预期。他们将深度技术创新与实用软件相结合,有望重塑全球最关键零部件的制造方式。"
Limitless Labs表示,此次新融资将用于扩大在美国的商业运营,持续推进物理AI基础模型的开发,提升CAM智能体向闭环CNC自动化的演进能力,并扩充其位于以色列特拉维夫的研究团队。
Q&A
Q1:Limitless Labs的AI平台具体能帮助CNC编程解决哪些问题?
A:Limitless Labs的AI平台能够嵌入Mastercam、西门子NX、Creo等主流CAD/CAM软件中,自动识别加工特征、推荐切削刀具、排列操作工序并生成刀具路径,从而将CNC编程时间最多缩短50%。此外,平台还能帮助企业统一编程最佳实践,缓解因专业人才短缺带来的编程瓶颈问题,同时保留高技能机械师的专业知识并将其规模化应用。
Q2:Limitless Labs的物理AI基础模型和通用AI模型有什么区别?
A:与基于文本或软件代码训练的通用AI模型不同,Limitless Labs的物理AI基础模型专门针对制造业数据进行训练,具体包括CAD几何形状、加工物理特性以及CNC机床的运行特征等。这使得该模型更贴合真实制造场景的需求,能够提供更精准的加工建议和刀具路径生成能力,而非依赖泛化的通用知识。
Q3:Limitless Labs的平台目前已有哪些实际客户在使用?
A:目前,Limitless Labs的平台已在多家知名企业的实际生产环境中部署,用户包括蓝色起源(Blue Origin)、凯迪拉克F1车队、山特维克(Sandvik)和伊斯卡(Iscar)等,覆盖航空航天、国防、赛车运动和工业机械等多个行业,证明了该平台在高精度、强监管场景下的实际可用性。
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。