标签: AI创业

  • Jeff Dean 走了:谷歌 27 年老将创业,要让 AI 替科学家做实验

    8 月 5 日,一条消息在 AI 圈炸了:Jeff Dean 要离开 Google 了。这位 1999 年以第 30 号员工身份加入、一干就是 27 年的谷歌首席科学家,决定和另外三名顶尖研究员一起,出去自己干。

    一次带走四个人的出走

    跟 Dean 一起走的,都不是普通人。Sanjay Ghemawat 是跟他写了 MapReduce、BigTable 那几篇奠基性论文的老搭档;Quoc Le 是 Google Brain 创始成员,带出过第一个破万亿参数的语言模型;Oriol Vinyals 是 DeepMind 的研究副总裁,也是现代语言模型底子上的 seq2seq 架构共同发明者。四个人同一天宣布创办 Discovery Loop,这是 Google 研究体系有史以来最集中的一次创始级人才流失。

    巧的是,同一轮重组里,DeepMind 的 CEO Demis Hassabis 也卸任了。Google 对外说好聚好散,还给自己投了这家新公司、当它的云合作伙伴。

    Dean 说,前沿 AI 不再只是回答问题,更要学会”发现”——用更多、更好的实验,把科学突破更快地带给世界。

    他们想造一台”科研发动机”

    Discovery Loop 注册成特拉华州的公益公司(PBC),目标很宏大:用 AI 把科学实验的循环自动化。传统科研靠人慢慢试错,一个假设到验证结果往往要熬好几个月;他们想让 AI 同时发起、跑完成千上万个实验,把周期压到几天。Dean 要当 CEO,他反复强调一句话——不是要取代科学家,而是把每年能验证的假设数量,成数量级地放大。

    Jeff Dean 离开 Google 创办 Discovery Loop
    从 MapReduce 到 Discovery Loop,Dean 想用分布式系统的思路重做科学实验

    这家公司的钱也不缺。首轮由 Radical Ventures 和 Khosla Ventures 共同领投,Kleiner Perkins、Lightspeed、Doerr Capital 都进了,Google 的母公司 Alphabet 也掏了钱,具体数额和估值没公布。算力则独家绑定 Google Cloud 和 TPU——等于说,Dean 人走了,基础设施还拴在老东家身上。

    为什么这件事比”又一个人创业”要大

    Discovery Loop 还点名了一个更野的方向:递归自我改进。说白了,就是用 AI 帮忙设计更强的 AI 系统,让研究循环自己滚雪球。落脚点先放在生物、化学、材料科学这些烧钱又慢的领域。

    • 对 Google:一夜之间失去四名参与过几乎所有重大 AI 里程碑的研究员,伤的是人才纵深。
    • 对 AI for Science 赛道:一个资金雄厚的新实验室直接下场,对手是 DeepMind 旗下的 Isomorphic、AlphaFold 那一脉。
    • 对制药和材料业:全球药企一年砸约 800 亿美元做研发,临床失败率却高达九成;如果能压缩实验周期、抬高早期研究的信号质量,这块市场大到不敢想。

    这场出走的信号其实很清楚:靠堆大模型参数找增量那一套,正在让位给”把 AI 用到具体高价值领域”的新一波。Dean 他们选了科研——这块既最难被抄,也最值钱。至于 Discovery Loop 能不能真的把实验周期从月压到天,答案要等它第一批成果落地才知道。但有一点可以确定:2026 年的 AI 之巅,已经不只是比谁模型大,而是比谁能把发现这件事本身工业化。

  • xAI联创带着11亿美元杀回来:这次他要让你「拥有自己的AI」

    Igor Babuschkin 是谁?简单说,他是 xAI 的联合创始人,在 DeepMind、OpenAI 都干过,跟着马斯克把 Grok 做出来。6 月 10 号他带着一家叫 River AI 的公司从 stealth 里走出来,8 月 11 号宣布融了 11 亿美元(种子轮和 A 轮一起)。领投的是 General Catalyst 和 AMP PBC,英伟达和 AMD 的战投都进来了,YC、淡马锡也跟了。

    River AI 概念图:围绕个人 AI 重建技术栈
    River AI 想围绕「个人 AI」重建从训练到硬件的整套技术栈

    「今天 AI 的造法不是未来的造法。AI 应该开放、免费、便宜,它该为你做事,而不是为训练它的实验室做事。我们做 River,就是想让个人和公司拥有自己的智能。」—— Igor Babuschkin

    他讲的故事其实挺反主流。现在大厂的逻辑是:模型我来训,能力我租给你,按 token 收费。Babuschkin 说这不对,AI 应该像「守护天使」一样属于你自己——它了解你,待在你身边,而不是属于某家实验室。

    River 现在卖的第一款产品叫 River API,做的是开放权重模型的「后训练」生意。你给它 Qwen3.6、Kimi K2.6、GLM 5.2 这类开源模型,它帮你做 LoRA 微调和强化学习。计费按 token 算,不按 GPU 小时算。企业说自己不用养一支 infra 团队,15 到 20 分钟就能跑完一次复杂的 RL,成本比闭源方案省两到四倍,训练出来的模型权重归客户自己,能直接部署到兼容 OpenAI 的接口上。

    价格摆上了台面

    在 Qwen3.6 35B 上训练是每百万 token 1 美元,Kimi K2.6 在 262k 上下文下是 12.84 美元,权重存储另算每月每 GB 0.1 美元。官方举了个例子,一次生产级的数学 RL 跑下来不到 1000 美元。这套打法瞄准的是那些想要模型贴合自己业务、又不想自己搭训练团队的公司。

    为什么是现在,为什么是他

    Babuschkin 在 DeepMind、OpenAI、xAI 前后待了快十年,见过 frontier lab 怎么造模型,也知道那套「租智能」的商业模式有多黏人。他认为下一仗不在谁模型最大,而在谁能让人低成本地训练、调优、拥有自己的模型。General Catalyst 的 CEO Hemant Taneja 说得很直白:美国要在开放权重模型上保持领先,River 的团队有这个能力。

    钱会花在哪

    这轮钱同时推进三件事:已经上线的训练 API、正在搭的个性化与持续学习层、以及更长远的、让个人 AI 跑在用户身边的硬件。有意思的是,英伟达和 AMD 这对 GPU 冤家,罕见地坐进了同一张股东名单——而 River 的路线图终点,恰恰是要把个人 AI 跑出别人的数据中心。

    • 11 亿美元是今年最早的超大早期融资之一,距公司亮相才两个月
    • 战略股东同时包含英伟达和 AMD,芯片两边都押了
    • 卖点不是更大的模型,而是「让你拥有模型」的训练和微调层
    • 短期生意是企业后训练云,长期赌的是个人 AI 硬件

  • AI智能体要发“工牌”了:NewCore 6600万美元重做企业身份

    AI智能体身份安全概念图
    AI智能体正成为企业里的“数字员工”,身份治理成了新战场(配图由 AI 生成)

    想象一下,你公司里突然多出几百个“新员工”,它们不睡觉、不领工资,却能动登录系统、读写数据、触发生产环境的操作。它们不是人,是一群 AI 智能体。过去三年里,从 MGM 到 Change Healthcare 再到 Snowflake 的客户,几起最大的企业安全事故追根溯源,都和“身份”脱不了干系。而现在,AI 智能体正在大规模涌进企业,身份系统却还是十五年前为“人刷网页登录”设计的。NewCore 就是冲着这个缺口来的。

    从“服务账号”到“一等公民”

    NewCore 本周从 stealth 模式走出来,一口气宣布完成 6600 万美元融资,投资方包括网络安全老牌基金 Cyberstarts、Index Ventures 和 Evolution Equity Partners,公司估值据称约 3 亿美元。它做的事听起来很底层:给企业里每一个“身份”——人、机器、AI 智能体——做统一的发现、保护和治理。创始人 Zohar Alon 之前把云安全公司 Dome9 卖给了 Check Point,他判断得很直白:现有的身份平台根本撑不住软件员工和人类员工混编的未来,“这些智能体的规模和复杂度,会压垮那些有十五到二十年历史的身份管理系统”。

    NewCore 的核心主张是,AI 智能体不该被塞进传统的“服务账号”里蒙混过关,而应该当成有独立生命周期、信任评分和撤销路径的“一等公民”。它内置了一套叫 Secure Split Key 的拆分密钥架构,专门堵掉 SAML 签名基础设施里的单点故障——Golden SAML、中间人、会话窃取、令牌重放这类曾在大型泄露里出现的攻击面。它还顺手做了一个 Agentic Skill 集成包,让 Claude Code、Codex、Cursor 这些编码智能体能以“受管身份”的身份在企业信任地图里干活,而不是靠手动分发的密钥。

    “身份已经坏掉了,但它偏偏成了现代企业的控制平面。我们为今天真实存在的劳动力而建——人、机器和智能体,而且从第一天起就把安全放在第一位。” —— NewCore 联合创始人兼 CEO Zohar Alon

    为什么这事突然变急了

    把 AI 智能体想象成一个被员工启动、又能调用内部工具、读文档、改生产数据的“临时工”。它可能需要几分钟的窄权限,也可能在某个受监管任务里要更广的权限,任务一结束就什么都不该再碰。传统的 IAM 系统是按“人、应用、服务账号”长起来的,智能体把这几条线搅在了一起。如果权限借用的是某个人的账号、藏在共享 API key 里,或者包在一个长寿命的服务凭证中,安全团队就丢掉了最基础的几样东西:谁动的、能碰到什么、怎么批准的、出事了多快能撤回。

    高盛去年把 AI 编程智能体 Devin 当新员工做测试,麦肯锡今年早些时候说已经有 2.5 万个 AI 智能体在和 6 万名员工并肩干活。当“数字员工”的数量级开始超过人类两个数量级,身份系统的衡量标准就不再是“能跑多久”或“开通多快”,而是“从企业里拿掉了多少风险”。

    动作要快,但不能留影子

    NewCore 说自己能持续发现并映射企业里的每一个身份,包括那些老平台根本看不见的影子账号、孤儿凭证和无人管的智能体——“看不见的东西你保不了”。客户还能通过一套“智能体驱动的共存模型”在几小时内迁过来,保留现有的联合登录和策略,零停机切换。

    不过也得泼点冷水。Okta、微软的 Entra 这些主流身份厂商已经开始给智能体加功能,NewCore 进的是一个拥挤又快速变化的赛道。而且它目前公开说的客户不到 10 家,设计伙伴十来个,离“大规模铺开”还有距离。但对所有正把 AI 智能体放进生产系统的公司来说,NewCore 戳破了一层窗户纸:在让智能体碰生产环境之前,先给它发一张能管、能查、能随时注销的“工牌”,比事后补洞便宜得多。

    • 智能体应被视为独立身份,有生命周期、信任评分和撤销路径,而非伪装的服务账号
    • Secure Split Key 拆分密钥,消除 SAML/OIDC 签名基础设施的单点故障
    • 视觉化 MFA 加绑定 TPM/Secure Enclave 的硬件凭证,淘汰可被钓鱼的因子
    • 持续发现影子账号、孤儿凭证和无人管的智能体,先“看见”才能“保护”

  • Naive 融资 2850 万美元:用 AI 智能体替你开公司、养公司

    Naive 创业自动化基础设施
    Naive 想把开公司、养公司都交给 AI 智能体(图源:至顶科技)

    开发者讨厌重复劳动,这几乎是编程史的主线。从写脚本到「氛围编程」,大家一直在把麻烦事外包出去。所以当一家叫 Naive 的初创公司上线几个月就吸引超过 3 万开发者时,并不让人意外——它做的事更彻底:用 AI 智能体,把「开公司、运营公司」这件最繁琐的事,也替你包了。

    Naive 提供的是一套基础设施。你给它 AI 智能体和一笔 Token 预算,它就能自动完成创建和运营一家企业的大部分流程——公司注册、支付系统、邮箱、电话号、云资源、存储,全被封装在一个 API 后面。你只要把一段提示词丢进 Cursor、Claude Code 或 Codex,它们就会连上 Naive 的 API,把创业所需的基础设施一键配好。比如注册美国 LLC,你提供州、行业代码、业务描述和名字就行;KYC/KYB 和付款还得自己来,但其余的——邮箱、虚拟银行卡、数据库、算力,对接 Stripe 和 QuickBooks——智能体都能搞定。

    我认为目前增速最快的是 AI 自动化代理机构。很多人创业的第一步,就是向其他小企业卖智能体服务……我们有些客户用它全自动地运营着一整家租车公司。

    钱从哪来,花在哪

    这套「创业工具箱」显然戳中了痛点。CEO Sean Dorje 说,过去六个月公司年化经常性收入涨了 10 倍,到了几百万美元的量级。基于此,Naive 刚完成 2850 万美元 A 轮,由 Nexus Venture Partners 领投,Y Combinator、Zetta、Liquid 2 等跟投,累计融资约 3200 万美元。

    真正的生意在「养」智能体

    但 Dorje 看得很清楚:帮人开公司只是入口,真正的成本和机会在后面——让智能体持续跑起来贵得吓人。频繁调用昂贵模型、在任务间搬运大量上下文、空闲时还占着资源,费用会快速堆高。所以他把新融资的一部分拿去建「推理优化」基础设施:模型路由器把请求分发给最合适的模型并复用已算好的结果;记忆系统按需存取业务上下文;无服务器运行时让智能体跑在轻量 JavaScript 环境里,而不是每人独占一台虚拟机,客户只在智能体活跃时才计费。

    • 模型路由器:按任务把查询分给最合适的模型,缓存并复用推理结果
    • 记忆层:按需存取业务上下文,让智能体跨任务保持连贯
    • 无服务器运行时:活跃才计费,大幅降低大规模智能体集群成本
    • 治理与编排:设预算、限权限、敏感操作前要求人工审批

    谁在用

    Dorje 透露,客户用 Naive 运营的业务五花八门:AI 自动化代理公司、TikTok 和 YouTube 上的「无面孔」内容频道,甚至还有租车公司。他还发现,有客户拿 Naive 的基础设施撑起一个专门发 AI 生成猫狗跳舞视频的 TikTok 频道。对已有成熟业务的企业,平台能不能压住持续运营的智能体成本,才是更值钱的那部分。Naive 现在只有 10 名全职员工,融资将用于招研究员,推进四项基础设施:智能体虚拟化沙箱、模型路由与推理优化、记忆层、治理与编排系统。


    用一个 API 把开公司变成几行提示词,听起来像开发者的终极偷懒。但 Naive 真正想做的,是当智能体成为「虚拟员工」之后,那套管理它们花钱、干活、不越界的底层系统——这部分,可能比帮人注册个公司名值钱得多。

  • 这家公司用 600 个气球织了张”地球神经系统”,想让 AI 天气预报赚到钱

    过去做天气预报,基本是各国气象局的专利。你要不就靠堆超级计算机跑物理模型,要不就买卫星数据。但现在有家叫 WindBorne 的初创公司,想用一种更”土”也更聪明的办法插进这个圈子:放气球。

    这周 WindBorne 宣布完成 3700 万美元 B 轮融资,由 Khosla Ventures 和 Galvanize 联合领投,投后估值来到 2.5 亿美元,累计融资超过 6200 万。公司 2019 年从几个斯坦福学生手里起步,最初的点子很简单——造一种飞得久、成本低的气象探测气球,卖传感器读数。真正让故事成立的,是最近四年冒出来的 AI 气象模型:以前私人公司想自己预报天气,得先买得起超算,现在不需要了。

    WindBorne 高空探测气球与 AI 气象数据网络
    WindBorne 用数百个高空探测气球织成一张全球大气感知网络

    “我们证明了,往预报里加气球,精度就上去了,而且每个数据点比卫星还值钱。”CEO John Dean 这么跟 TechCrunch 说。

    今天 WindBorne 在全球有 20 个发射点,天上随时飘着大约 600 个气球,专门往台风眼这种卫星和地面站够不着的地方钻,顺手采集读数。他们还开始往海里丢能继续工作的浮标传感器。Dean 喜欢把这整套网络叫”地球神经系统”——气球收集到的独家数据,就是这个气象模型真正的护城河,外面的人拿不到。

    模型本身叫 WeatherMesh,最新的第六代两个月前发布,按公开基准算是目前最准的天气预报模型,既能压过主流 AI 系统,也能赢过各国气象局跑的传统物理模型,而且训练所需的算力小得多。

    钱从哪来,又难在哪

    眼下 WindBorne 的客户主要还是政府。美国国家气象局买它的数据,空军和海军通过研究合作付钱,其中一部分是给军舰开发那种断网也能跑的预报模型。它的读数已经并进了 NOAA 的全球预报系统,也就是很多天气 App 背后的 backbone。商业侧,最早掏钱的是交易员和对冲基金——更准的预报能直接用来赌大宗商品和天气敏感市场的价格。

    • 20 个全球发射点、约 600 个在飞气球,专采台风眼等难触达区域数据
    • WeatherMesh-6 公开基准最准,训练算力远低于传统超算模型
    • 本轮融资用来扩算力、换 mesh 无线电替代卫星通信、组建私有客户团队

    这一轮的钱,除了砸算力和把气球的卫星通信换成自建的 mesh 无线电网,很大一块要拿来组建面向私有客户的销售团队。这恰恰是难的地方。过去十年,做对地观测卫星网络的公司试过无数次想把传感数据卖进企业,大多卡在政府和专业用户手里。私人天气公司能活下来,靠的往往是把政府预报重新包装、或者给飞机除冰、给轮船指路这类窄需求。

    Galvanize 的 Saloni Multani 觉得这次不一样:”把天气预报融进商业决策,过去又贵又难,我们认为 AI 改变了这个等式。”随着极端天气越来越频繁、越来越贵,无论是政府还是企业,都更愿意为提前预警花钱。WindBorne 要回答的问题,其实和前面每一家传感创业公司撞上的如出一辙——更好的数据,这次裹上 AI,到底能不能让足够多的人愿意买单。

  • 语音应用 Wispr Flow 悄悄杀入会议记录赛道

    Wispr Flow 准备推出会议记录功能
    Wispr Flow 借更新条款,透露将推会议记录功能(配图:生成式 AI)

    一条被悄悄写进条款的新功能

    语音听写应用 Wispr Flow 最近没开发布会,也没发官宣,而是借着更新服务条款,悄悄露了底。公司给用户发邮件说条款和隐私政策有变,细心人一翻发现,新增了好几段关于”会议数据”和”会议记录(Notetaker)”的内容。

    按条款原文,Notetaker 会处理会议音频、参会者信息、会议元数据、发言人标签和转录文本,输出则是 AI 生成的会议转录、摘要、行动项和会议洞察。换句话说,它要做的不只是把话转成字,而是顺手把”谁说了啥、接下来该干啥”都整理好。

    它要挤进一条拥挤的赛道

    这个功能一上,Wispr Flow 就直接撞上了 Granola、Fireflies、Read AI、Otter、Fathom 这一票老玩家。市面上其实有两条路线:

    • Granola 那类,靠系统音频在本地转录,不录音、也不以机器人身份入会,存在感最低;
    • Fathom、Fireflies 那类,则以可见的 bot 身份加入会议、把录音存到云端,功能更全但侵入感强。

    Wispr Flow 目前没明说走哪条。这个选择会直接决定它落到用户手里的观感——是轻巧的”隐形秘书”,还是又一款”全程在录”的工具。

    “OpenAI 的计算策略,是搭建一个有韧性的组合,把合适的系统匹配到合适的负载上。”——类似的思路也适用于会议记录:模型再强,也得看它落在哪条工作流里。

    为什么一个听写 app 想做会议

    表面看是品类扩张,骨子里是冲着”上下文”去的。Wispr Flow 本来就架在邮件、文档、消息、CRM 和代码编辑器之上,是个跨应用的语音层,它比别人更清楚你平时怎么写、用什么工具。会议记录能补上它一直缺的一块:会议里的决定、承诺和人脸人名,往往在打开那些 app 之前就产生了。把这些喂给创始人 Tanay Kothari 念叨已久的”懂你个人上下文的 AI 助手”,逻辑就通了。

    钱和隐私,两本账

    底气来自融资。Wispr Flow 至今已拿下超过 8100 万美元,上轮估值 7 亿美元;今年 5 月彭博说它在谈新轮,估值可能冲到 20 亿。估值要翻近三倍,投资人赌的就是产品能长出新东西,而不只是把语音转写做得更顺手。

    但会议记录带来的隐私账,和单纯听写不是一回事。听写通常是一个人主动对着它说话;会议记录处理的却是多方对话,里面可能还有根本不用 Wispr 的人。条款把”录制或转录前取得同意”的责任推给了用户,而 Notetaker 又要求开启 Cloud Sync——这意味着即便你关掉了模型训练,对话依然会进 Wispr 的云。当 AI 助手想更懂你,代价往往是把更多人的对话,也卷进同一片云里。

  • AI 基建狂飙,最不性感的生意反而火了:帮工地填表的 Dili 融了 2170 万美元

    这两年关于 AI 的钱,大头都砸在数据中心和电力设施上。有人从另一头看到了机会:这么多工地同时开工,光是把各类合规文件填对、报齐,就够养活一家公司。

    美国数据中心与基础设施建设现场
    图片来源:Kyle Grillot/Bloomberg / Getty Images

    7 月 30 日,一家叫 Dili 的 AI 合规公司宣布完成 1500 万美元 A 轮融资。加上此前的 670 万美元种子轮,累计融资 2170 万美元。A 轮由 Khosla Ventures 领投,安联(Allianz)、Rebel Fund、Brick and Mortar Ventures 的 Darren Bechtel 以及 Y Combinator 的 Garry Tan 跟投。Dili 出自 YC 2023 年夏季批次。

    它盯上的是一堆没人愿意读的规则

    “用 AI 做合规”现在算不上什么新鲜提法,一抓一大把。Dili 的差异在于它把范围收得很窄——只做美国基建工程的合规,尤其是那些拿了联邦资金的项目。

    联合创始人兼 CEO Anand Chaturvedi 举的例子是 Davis-Bacon 法案,这套规则允许劳工部为特定项目设定现行工资标准。另一套叫 PWA 的现行工资与学徒制规则,适用于《通胀削减法案》资助的清洁能源项目。除此之外,根据施工内容不同,还会牵扯 OSHA 的职业安全条款和 EPA 的环保规定。

    这些要求层层叠叠、互相交错,而且犯一点小错代价就不小。

    “不合规可能让这些项目被罚掉数百万美元。所以能在信息进来的当下就全部核对一遍,而不是抽样检查,这件事的价值非常大。”——Dili 联合创始人兼 CEO Anand Chaturvedi

    抽样和全量的区别,就是这门生意的入口。人工审核只能抽查,成本摆在那儿;机器读得快,才有可能一条不落。

    大模型被关在数据层,不让它拍板

    罚款以百万美元计,可靠性就成了绕不过去的坎。做合规最怕的恰恰是大模型那点”差不多就行”的毛病——它给你一个听起来很像回事的答案,你还不知道错在哪。

    Chaturvedi 说 Dili 的架构从设计上就把这个风险堵住了:AI 模型只在数据层出现,负责把非结构化的文档翻译成结构化数据;再往后,由一套确定性系统按照复杂但静态的合规规则做分拣判定。

    • AI 负责”读懂”——处理 PDF、扫描件、工资表这类乱七八糟的输入;
    • 规则引擎负责”判定”——同样的输入永远得到同样的结论,可追溯、可复核;
    • 结果是过去一整天的工作量,现在几分钟就能跑完。

    这个分工看着朴素,却是当下企业级 AI 里少见的清醒做法。很多产品恨不得把判断权也交给模型,因为那样演示起来更炫;Dili 反过来,把模型能力限制在它最擅长也最不容易出事的环节。

    Chaturvedi 描述过他想要的那个状态:把一家公司所有内部文档、所有供应商文档、所有 ERP 信息、所有工资系统数据放在一起通读,然后精准抽出报表或合规所需要的那部分。


    700 个项目,一半自用一半外包

    这套东西已经跑起来了。Chaturvedi 说软件目前用在”大约 700 个项目”上,从制造工厂到数据中心都有。

    更有意思的是收入结构:大约一半客户把 Dili 当成内部软件工具用,另一半干脆把整个合规流程外包给 Dili,按承包商模式合作。两种合同 Dili 都接,但 Chaturvedi 预计行业未来几年会更多往软件模式偏。

    他的判断是,软件和 AI 会开始吃掉大量专业服务类的工作流,越来越多的公司会把这些活收回自己手里。这话说白了就是:现在的外包收入,本质上是过渡期的红利。

    这轮 AI 淘金热的另一种铲子

    AI 基建的故事讲了两年,主角一直是芯片、机柜、变电站。Dili 提醒了一件常被忽略的事:任何一轮大规模基建,配套长出来的都不只是钢筋水泥,还有一整套文书工作。工地越多,表格越多,罚单风险越大。

    Khosla 愿意领投一家做工地合规的公司,赌的也是这个——AI 泡沫会不会破是一回事,那 700 个工地上的 Davis-Bacon 表格今天就得交。这类需求不依赖模型能力再上一个台阶,也不需要客户相信 AGI,它只需要基建热潮持续开工。在满屏”下一代模型”的叙事里,这可能反倒是更耐摔的一门生意。

  • 玛莎·斯图尔特下场做AI:Hint想当全美房主的AI管家,上线即免费

    84岁的家居女王玛莎·斯图尔特,用一种最”玛莎”的方式跨进了AI软件行业:她成了初创公司Hint的联合创始人。这款周三正式上线的应用,想做的事情说白了就一句话——给每个房主配一个懂行的AI管家,帮你打理房子的一切琐事。

    Hint创始团队,玛莎·斯图尔特担任联合创始人
    Hint创始团队,玛莎·斯图尔特(左二)深度参与产品打磨(图:Kathryn Cooper)

    不是站台,是真干活的联合创始人

    名人挂名创业不稀奇,但Hint的CTO Kyle Rush特意强调,玛莎不是那种拍张宣传照就走人的门面人物。她住在附近,Rush每周要去她那儿两趟,两人坐下来一屏一屏过产品:”app说错土壤知识她会当场指出来,讲房屋维护不对的地方她也会提,连设计、品牌和文案她都要过目。”值得一提的是,玛莎没有掏钱投资,而是以真正的联合创始人身份持有相当比例的股权,靠给公司干活换来的。

    这家公司2024年起步时做的其实是另一件事:帮房主搞清楚各种住宅节能减碳补贴怎么领。团队很快发现路子太窄,”为什么不能做整个家的AI?大家根本没有一个用来管理自己房子的应用”,于是干脆转型。

    它到底能帮房主干什么

    上手流程不复杂:输入家庭住址,Hint会基于产权记录、天气、土壤、公用事业等公开数据自动生成一份房屋档案。接着你可以把验房报告、房屋保修单、房贷文件、保险保单、各种发票统统传上去,之后随时用内置AI助手查询。再给家里的大家电拍几张照片,app就能针对你家的具体型号,手把手指导各种保养操作。

    你可能知道冰箱滤芯要换,但你知道有些型号得定期给冷凝器盘管吸尘、否则有起火隐患吗?知道热水器什么时候该冲洗、家用水井的盐位什么时候该查吗?

    这些冷门但要命的细节,正是Hint的价值所在。它会为每栋房子生成个性化的维护日程,到点主动推送提醒,日程还会随着房屋状况和外部环境不断演化——这背后正是玛莎几十年打理宅子攒下的经验在指路。房主也能随手添加一次性任务,比如换纱窗、给踢脚线补胶。app还会给你的房子打一个”家庭得分”,一眼看出你这个房主当得称不称职。

    • 问答范围可浅可深:从”上次空调保养是什么时候”到”每度电花多少钱”,再到”该不该用HELOC房屋净值贷款”;
    • 保险场景是重头戏:免赔额是不是太高、保障有没有缺口、这次维修值不值得出险,都能问;
    • 底层用的是OpenAI的商用模型,图像相关则调用Gemini。

    免费策略与1000万美元弹药

    团队背景不弱:Rush在床垫品牌Casper高速增长期负责工程,当过电商Maisonette的CTO,更早之前给奥巴马和希拉里的竞选团队搭过技术;CEO Yih-Han Ma则是数字媒体公司Red Ventures的前高级副总裁。公司已拿到1000万美元融资,投资方包括Montauk Capital、Slow Ventures、Tusk Venture Partners、能源影响基金等,”积分大神”Brian Kelly也在个人投资者之列。

    商业模式上,Hint打算把AI能力一直免费下去,未来再推面向重度用户的付费订阅,比如管理多套房产。眼下的收入来自服务商合作网络的返佣,Rush强调这套返佣体系与AI推荐之间做了隔离,不会让AI的建议被利益带偏。iOS版现已免费上架,没有订阅也没有广告。用Rush的话说,他们的野心是”让全美每个房主手机里都装上它”。

  • 玛莎·斯图尔特跨界AI:她联合创立的Hint,想当每个房主的AI管家

    玛莎·斯图尔特,这位靠家政生意打造了一个商业帝国的85岁传奇人物,用最”玛莎”的方式踏进了AI软件圈——她成了一家叫Hint的创业公司的联合创始人。这款App于7月29日正式上线,定位很直接:给房主配一个管家式的AI助手,帮你打理房子的大小事务。

    Hint创始团队与玛莎·斯图尔特
    Hint创始团队,玛莎·斯图尔特深度参与产品打磨 | 图源:TechCrunch / Kathryn Cooper

    她不是站台的,是真干活的

    很多名人挂名创业公司,基本就是出个脸。但Hint的联合创始人兼CTO凯尔·拉什(Kyle Rush)专门澄清了这一点:玛莎持有实打实的股权,不出资金,但每周他要去她家两次,两人坐下来一屏一屏过App。土壤信息说错了,她当场指出来;关于房屋维护的内容不对,她也会讲;连设计、品牌和文案措辞她都要提意见。

    “她是动真格的联合创始人,不是吉祥物。App里关于房屋管理的知识,很多都过了她几十年经验的筛子。”——Hint联合创始人兼CTO 凯尔·拉什

    这家公司2024年起步时做的其实是另一件事:帮房主搞清楚各种住宅节能减碳补贴。做着做着团队发现,人们手机里管钱有银行App、管健康有运动App,唯独没有一个管房子的App,于是干脆转型,把盘子做大。

    它到底能帮你干什么

    上手流程不复杂:输入家庭住址,App会从产权记录、天气、土壤、水电公用事业等公开数据里自动拼出你家房子的档案。然后你可以把验房报告、房屋保修、房贷文件、保险单、发票这些材料统统传上去,之后有任何问题直接问内置的AI助手就行。

    • 它能告诉你地基下面的土壤状况会不会影响排水、有没有地基位移风险,还能看周边空气质量和干旱洪涝对保费的潜在影响;
    • 拍下家里大型电器的照片,它会生成个性化维护日程,主动推送提醒——比如冰箱不光要换滤芯,有些型号还得定期吸走线圈上的灰,不然有火灾隐患;
    • 保险方面也能帮着参谋:免赔额是不是设高了、保障有没有缺口、这笔维修到底值不值得走理赔;
    • 还有一个总览式”房屋评分”,一个数字告诉你这房子被你照顾得怎么样。

    免费策略背后的账

    技术底层用的是OpenAI的模型,图像处理搭配Gemini,没有自研大模型的包袱。商业模式也想清楚了:AI功能坚持免费,未来靠高级订阅(比如管理多套房产)赚钱,现阶段收入来自服务商合作伙伴的分成。拉什特意强调,推荐环节和分成体系之间做了隔离,AI不会为了佣金乱推荐。

    公司已经拿到1000万美元融资,投资方包括Montauk Capital、Slow Ventures、Tusk Venture Partners等,”积分大神”布莱恩·凯利也在个人投资人名单里。拉什的履历也够硬:他曾在床垫品牌Casper高速扩张期负责工程团队,更早之前给奥巴马和希拉里的竞选团队做过技术。iOS版现在免费可下,没有订阅也没有广告。用拉什的话说,他们想让全美国每个房主手机里都装上它。

  • 试用快一年、连源码都看了,最后自己造一个:MCP创企Runlayer把Rippling告了

    想象一下这个场景:一家大客户来试用你的产品,一试就是快一年,你把产品路线图、甚至源代码都掏出来了。最后价格没谈拢,客户走了。几个月后有内部人士给你发短信:他们在内部搞了个项目,做的东西”几乎是你家产品的1:1复制”。

    这就是MCP安全网关创企Runlayer的遭遇——至少是它在起诉书里讲的版本。被告是估值百亿级的HR软件公司Rippling,TechCrunch看到了这份诉状。

    法律诉讼概念图
    Runlayer指控Rippling商业秘密盗用、不正当竞争与违约。图源:TechCrunch

    签了NDA,看了源码,然后自己造了一个

    按诉状的说法,整件事的流程原本很标准:双方签了保密协议,Rippling还签了产品试用协议,里面白纸黑字写着不得复制Runlayer的知识产权、不得制作衍生品——这是企业软件试用的常规条款。试用期间双方进行了”近一年的密集工程协作”,Runlayer几乎是敞开了给。

    结果价格谈崩,Runlayer终止试用。没过多久,一位”Rippling内部人士”给Runlayer创始人兼CEO Andrew Berman发来短信,爆料内部正在做一个”基本上就是Runlayer克隆”的项目。于是就有了这场官司:商业秘密盗用、不正当竞争、违约,三项指控一起上。

    Rippling发言人的回应火药味十足:”Runlayer靠编造指控来逃避竞争,掩盖不了它生意上的失败。我们只用自有信息打造了更优秀的产品,这个市场我们完全有理由赢。”

    Rippling向TechCrunch确认,确实要推出自家的MCP网关,但坚决否认动过Runlayer的知识产权。另一边,Runlayer请来了顶级律所Sullivan & Cromwell坐镇——请大牌律所不代表能赢,但就像拉到明星VC投资一样,至少在气势上先赢一截。


    卖AI基础设施给科技公司,本身就是走钢丝

    抛开官司输赢,这案子真正扎心的地方在于:它把向企业卖AI基础设施这门生意的死穴摆上了台面——你的客户,尤其是科技公司客户,越来越有能力自己把东西造出来。

    • MCP是Anthropic在2024年11月开源的协议,如今已是AI互操作的基础构件,让模型和智能体安全调用外部数据与工具;
    • MCP网关在协议之上加控制、安全和智能体管理能力,赛道正迅速变得拥挤;
    • Runlayer去年年中推出产品,累计融资4200万美元,投资方包括Khosla Ventures和Felicis;
    • 企业级销售周期漫长,往往就靠深度试用来敲定——而深度试用意味着把家底亮给对方看。

    这就是两难:不开放试用,单子签不下来;开放试用,等于教会客户怎么造你的产品。哪怕NDA和试用协议签得再全,对方真要”自研”一个,举证和维权的成本全在你这边。这场官司怎么判还很远,但每一家做AI基础设施的创业公司,恐怕都该把Runlayer的遭遇当成一堂风险课。