标签: AI融资

  • OpenAI 自己掏 70 亿美元回购员工股票:估值停在 8520 亿,IPO 看来还得等

    OpenAI 自己掏 70 亿美元回购员工股票:估值停在 8520 亿,IPO 看来还得等

    OpenAI 这周悄悄干成了一件大事:它拿出大约 70 亿美元,把现任和前任员工手里的股票买回去了。这笔交易给公司估了个价——8520 亿美元,和今年三月那轮融资一模一样。那轮融资 OpenAI 进账 1220 亿美元,现在这笔回购相当于让员工在上市之前先套了一笔现。

    最耐人寻味的不是 70 亿,是谁在买

    通常这种员工售股,是公司牵线、外部投资人接盘,股权表上多一个名字。这次不一样——OpenAI 自己掏的钱,把股票买回来注销了。结果就是:上市前夜,股东结构跟上周一模一样,没有新面孔进来,也没人拿到董事席位。

    这不是普通的二级市场交易,是 OpenAI 用自己账上的现金把股票收了回来。能这么干,本身就在说它的资产负债表不缺钱。

    估值这串数字也挺有看头。从 2024 年 10 月的 1570 亿,到 2025 年 3 月 3000 亿、10 月 5000 亿,再到今年 3 月 8520 亿,两年里每次重新定价都在往上走。八月这次没动,是第一次原地踏步。

    IPO 到底还来不来

    六月 OpenAI 已经秘密向 SEC 提交了 IPO 注册草稿,高盛、摩根士丹利、摩根大通据传都在操盘,但日期、交易所、发行条款一个都没定。问题在于:做员工回购,恰恰是为了缓解赶紧上市的内部压力。所以同一件事能读出两种相反的结论——要么快了,要么还远。

    • 2024 年:15 亿美元员工回购
    • 2025 年 10 月:66 亿美元,估值 5000 亿
    • 2026 年 8 月:70 亿美元,估值 8520 亿,公司自购

    对手 Anthropic 据传年初已经盈利,自己也在接触早期投资人,谁先上市成了真问题。Altman 上月刚写过,过去 12 个月不是我们最好的时期,但马上会是。Muse Code 这种产品、企业业务的收缩聚焦,都会是上市前必须交出的成绩单。对员工来说,这 70 亿是实打实的落袋为安;对市场和 OpenAI 自己来说,它买到了一样东西——选时点的主动权。

    OpenAI 员工股份回购
    OpenAI 完成 70 亿美元员工股份回购,估值锚定在 8520 亿美元(图源:TechCrunch / Getty)
  • 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

  • 5C 拿下 14 亿美元,布鲁克菲尔德把赌注压在”AI 工厂”规模化

    5C Group AI 数据中心园区概念图
    5C 要建的”AI 工厂”,把算力、电力、冷却和网络一体打包成园区

    大家都盯着英伟达那桩 5000 亿美元融资计划的时候,另一笔关于 AI”地基”的钱也悄悄落了地。8 月 10 日,蒙特利尔的 5C Group 宣布关闭一笔 6.05 亿美元的新债务融资,由布鲁克菲尔德(Brookfield)牵头。叠上 2025 年拿到的 8.35 亿美元和更早的资本,这家公司的总盘子已经冲过 14 亿美元。

    它到底是干什么的

    5C 不是又一家模型公司,而是大型 AI 数据中心园区的开发者、建设者和运营者。它给自己交付的东西起了个直白的名字——”AI 工厂”:把算力、电力、冷却、网络、软件还有运维,作为一个整体一起设计的大规模园区。官方给出的 roadmap 容量超过 1.5 吉瓦,足以支撑数十万块 GPU 同时跑。

    新资本会加速孟菲斯园区的收购与建设,同时推进俄亥俄和凤凰城园区的开发与扩建——这些都是北美正在成形的 AI 算力重镇。

    钱为什么往”建园区”跑

    这几年 AI 的竞争逻辑变了:早年拼的是谁先买到 GPU,现在拼的是谁能把 GPU 安稳地供上电、供上水、跑出高密度算力。把这件事做成独立园区,比在现成机房里硬塞要划算得多。布鲁克菲尔德这种管着上万亿美元资产的基建巨头愿意牵头,说明资本已经不把 AI 基建看成科技公司的内部开支,而是当成一类能独立估值、能产生长期现金流的基础设施资产。

    • 孟菲斯正变成北美 AI 集群的焦点,xAI 的 Colossus 超级工厂就在那里;
    • GPU 架构、液冷和机柜级系统迭代极快,重资产园区的沉没成本风险不小;
    • 电力与用水压力,正把数据中心推到地方监管和社区审视的聚光灯下。

    5C 这 14 亿美元,表面看是又一笔融资,背后其实是同一件事:当算力成为和电力一样的基础资源,谁能先把”建园区”这件事跑通,谁就握住了下一阶段 AI 竞赛的入口。布鲁克菲尔德赌的不是某个模型能不能火,而是 AI 对电和土地的需求,短期内只会更饥渴。

  • Mirendil 砸 1 亿美元找 Google 买算力,押注会自己进化的 AI

    就在上周,一家叫 Mirendil 的 AI 实验室和 Google Cloud 签了一份价值超过 1 亿美元的多年期协议。单看金额不算天文数字,但这笔交易的意味挺特别:一家成立没多久、还没任何产品的公司,愿意把种子轮里差不多一半的钱直接换成算力,去追一个听起来有点科幻的目标——造一个会自己改进自己的 AI。

    钱从哪来,人又是什么来头

    Mirendil 今年 6 月底才以 10 亿美元估值完成 2 亿美元种子轮,由 a16z 和 Kleiner Perkins 领投,Nvidia 也掺了一脚。而公司的两位创始人 Behnam Neyshabur 和 Harsh Mehta,都是从 Anthropic 出来的。Neyshabur 早先在 Google 做过 AI for Science,后来去了 Anthropic;Mehta 则在 Anthropic 内部搭起了第一版自动研究平台——那套工具本来就是 Anthropic 用来给自己加速研究的。团队里还有从 xAI、DeepMind、OpenAI 挖来的人。

    递归自我改进 AI 的循环进化概念图
    Mirendil 押注的递归式自我改进 AI,目标是把前沿实验室的研究工作自动化

    他们嘴里的”自我改进 AI”到底指什么

    业内管这叫递归式自我改进。普通模型靠人一遍遍调参、重训;自我改进 AI 则能自己找出短板、设计改进方案、再把自己迭代一遍,中间不需要每次都等人来推。Mirendil 把这事框定在”AI for AI for Science”:它不打算做一个跟 Claude、GPT 抢市场的通用大模型,而是想搭一个平台,让医学、生物、材料这些领域的研究团队,能开发并持续打磨属于自己专业的 AI 模型。

    “你可以拥有一个自我改进的 AI,把某个问题指派给它,它会随着时间推移不断精进。”—— Behnam Neyshabur 描述递归自我改进的愿景

    为什么非得找 Google 买 1 亿美元算力

    因为这类 AI 实在太能吃算力了。一个系统要反复评估自己、提出改进、再跑训练循环,消耗的基础设施远不是跑一次训练能比。协议让 Mirendil 同时用上 Google 的 TPU 和 Nvidia 的 GPU,还有托管的训练集群。Mehta 说,他们的模型很擅长把合适的工作负载分配到合适的芯片上,而 Google 手里芯片种类多,这种灵活性正好能压低成本——不光是给自己省,也给用他们系统的客户省。

    Google 打的什么算盘

    站在 Google 这边,这笔买卖也不亏。AI 与基础设施高级副总裁 Amin Vahdat 就说,AI 的进步早就不止是比谁的芯片快,”更在于怎么编排整个智能系统,突破规模化扩展的物理天花板”。Mirendil 成了 Google 在递归自我改进这条前沿赛道上提前卡位的一个战略伙伴。更有意思的是,就在同一周,Jeff Dean 等人带着几乎一模一样的”自动化研究循环”论点宣布了 Discovery Loop——Google 投了那边,又给 Mirendil 当算力房东。说白了,不管哪边先跑通,Google 这边的租金都收着。

    • 它说明前沿人才的赌注,正从”再训一个大模型”转向”造一个能自己研究的循环”。
    • 如果递归自我改进真按描述跑通,AI 能力增长会从外部训练变成自我复利。
    • Nvidia 一边投资、一边通过 Google Cloud 供算力,这条产业链的绑定只会越来越深。

  • 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。

  • 韩国AI芯片独角兽DeepX估值飙至22亿美元,端侧推理成资本新宠

    端侧AI芯片概念图
    概念图:低功耗端侧AI推理芯片(配图由AI生成)

    8月3日,韩国AI芯片设计公司DeepX传出新一轮融资消息,估值从上一轮暴涨约4倍,来到约3.14万亿韩元,折合22亿美元。这轮它先从老股东BNW Investment和DS Asset Management手里拿到420亿韩元,后面还在谈,目标9月前再募最多3000亿韩元,投后估值最高摸到3.5万亿韩元。

    不是GPU,是端侧的大脑

    DeepX做的不是通用GPU,而是面向AI任务的专用半导体,重心不在云端数据中心,而在功耗和成本极其敏感的边缘场景——机器人、智能电子设备这些地方。它走的是NPU架构的Fabless路线,靠低功耗、高能效的推理芯片,去绕开通用GPU在耗电和价格上的瓶颈。

    客户已经开始买单

    光讲故事不够,商业化进展才是这轮高估值的关键支撑。今年4月,公司说已经从八个国家的客户手里拿到超过30份量产合同。6月它在Computex 2026上跟研扬科技(AAEON)签了三年全球量产合作,把它的NPU芯片塞进工业计算机产品线。现代汽车还拉它一起开发机器人AI计算平台,POSCO DX也在工厂自动化里用它的架构。

    “一级市场高达22亿美元的估值,给二级市场同类型科创板块立了一个更高的估值上限。”——市场对端侧AI商业化爆发力的一次直接投票

    为什么是现在

    这轮飙升背后,是AI产业从云端往终端设备扩散的大趋势。DeepX的崛起,刚好踩中”端侧AI”商业化起量的节点。它用三星先进晶圆代工工艺,同时推进IPO筹备,跟Rebellions这类韩国AI芯片独角兽一起,把韩国半导体估值的重心从存储芯片往系统级芯片(SoC)拉。

    热钱之下的两难

    估值4倍跳涨不是孤例。大模型军备竞赛逼着大家去抢专用算力,AI芯片设计成了资本眼里的香饽饽。但老股东先追投、后续才引新资方的节奏,一边是融资窗口红利,一边是兑现商业交付和规模化营收的硬约束。潮水退去之前,市场愿意为”端侧AI的故事”付多高的价,还得用真金白银的出货量来证明。

    • 估值约3.14万亿韩元(22亿美元),较上轮涨约4倍
    • D轮首批420亿韩元来自BNW Investment、DS Asset Management
    • 已签30+量产合同(8国客户),与AAEON达成三年量产合作
    • 现代汽车、POSCO DX已落地合作,采用三星代工,正筹备IPO

    📎 原文来源:综合财联社、界面新闻、智通财经报道(2026-08-03)及DeepX公开融资信息
  • 一家做「AI 审美裁判」的公司融了 790 万美元,530 万用户在给模型打分

    去年还没毕业的时候,Grace Li 和几个大学同学捣鼓一个 AI 游戏引擎。模型能把游戏跑起来,功能也都齐全,可问题是——没一个好玩。这下把他们难住了:一个游戏好不好玩,到底该怎么判断?

    他们最后想明白一件事:这种判断没法交给机器,只能靠人。于是几个年轻人开始琢磨,怎么把”真实人类的好恶”大规模收集起来。这个念头后来长成了 DesignArena,一个今天在全球有 530 万人在用的 AI 工具。

    “它是很多模型在设计这件事上往前走时卡住的那个瓶颈,”Li 说,”大概一周后,我们就和一家前沿实验室签下了第一笔大单,后面的事基本就成了。”

    把”哪个更好看”做成一门生意

    普通用户用 DesignArena,感觉有点像在用高级版的模型路由。你在一个类似 ChatGPT 的窗口里写下需求,再选好格式和风格,系统就会甩出一组”A 还是 B”的二选一,让你一路比下去,直到把几个产出从好到差排个序。

    真正值钱的其实是面向企业那一侧。正在被评估的模型可以把这个平台当成源源不断的即时反馈源——用来打磨自己生成图片、网页这类”媒体”的能力。而打分的人往往根本不在乎自己评的是哪个模型,他们只想要最好的那个结果。这种”无偏见”的排序,正好能告诉实验室:用户到底想要什么。

    DesignArena 的 A/B 评分界面
    DesignArena 的 A/B 评分界面(图源:TechCrunch)
    • 公司主体叫 Intelligence,本轮 790 万美元种子轮由 Index Ventures 领投,Conviction、A*、Valkyrie 等跟投。
    • 平台目前年经常性收入(ARR)已达 6000 万美元,成了行业里关键的人类主导评估数据源。
    • 用户必须登录才能拿到产出,于是公司还能追踪不同大洲、不同时间的”口味”变迁——比如亚洲的网页仪表盘普遍更追求满屏的信息密度。

    人肉打分能补上自动评测的漏洞

    这套玩法是对自动基准测试(benchmark)的重要补充。跑分可以铺得很大,但也容易被刷、被钻空子——上周那起 Hugging Face 被黑的事件,就把这种脆弱演示得淋漓尽致。不过,靠众包人类反馈也不是稳赢的买卖。

    和它思路相近的 Yupp,今年早些时候就关门了。Yupp 同样拿下了几家前沿模型当客户,号称用户超 130 万,背后还有 a16z crypto 的 Chris Dixon 投的 3300 万美元,最后却没撑起一门长久的生意。反观走文字路线的 LM Arena,年初刚拿下 1.5 亿美元 A 轮,正式上线付费产品才四个月。

    说到底,AI 现在最不缺的是”能干活”,最缺的是”知道什么是好”。DesignArena 想做的,就是把这个模糊的审美判断,变成可以规模化的商品。

  • 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。

  • AI客服一开口就露馅,这家公司想用小模型让你分不清人机

    打客服电话,对面接起来的是个AI,大部分人三秒钟就能听出来。露馅的地方往往不是音色——现在的合成语音已经足够干净了——而是节奏。你说完一句,它要顿一下才回;你想插一句,它照着自己的稿子往下念。那种”轮到你了、现在轮到我了”的机械感,一下就把幻觉戳破。

    Smallest.ai 联合创始人团队
    Smallest.ai 创始团队,左一为创始人兼CEO Sudarshan Kamath|图片来源:TechCrunch

    一家叫 Smallest.ai 的公司,正是冲着这半秒钟的尴尬去的。它2024年底才成立,刚刚拿到1300万美元A轮,由 Seligman Ventures 领投,Sierra Ventures 和 3one4 Capital 跟投,累计融资超过2100万美元。

    它赌的不是大模型跑得更快,而是换一条路

    行业里解决语音延迟的主流思路,是想办法把大语言模型的推理压得更短。Smallest.ai 的判断反过来:下一跳不会来自把大模型加速,而是来自专门为人类对话造的小模型。

    创始人兼CEO Sudarshan Kamath 解释他们的模型是怎么设计的时,用了一个特别日常的比方。

    我跟你说话的时候,你其实已经在想了,如果我讲太久,你甚至会打断我。

    听、想、说这三件事,人是同时干的。而大模型不是。Kamath 说,大模型的工作方式是你把一整段提示词交给它,它才开始思考。这点延迟放在文字聊天里没人在意,放到语音对话里,哪怕一小段静默都显得不自然——”你想想我们现在怎么讲话的,我不会把一大段音频剪好丢给你,你再开始想。”

    小模型顶前台,大模型在后面待命

    Smallest.ai 的产品结构是这样的:小语音模型充当实时智能层,负责在特定话题范围内跟客户自然对话,响应几乎没有延迟。一旦碰到超出它知识边界的问题,就把这个问题移交给大型基础模型,同时礼貌地请客户稍等,说自己去”查一下”——跟真人客服的处理方式一模一样。

    Kamath 相信这会变成所有语音智能体的标准架构:一个负责实时交互的小语音模型,加一个按需唤起、解决复杂问题的”离线”大模型。

    因为只做语音,它优化的东西也跟通用大模型不一样,全是些细碎但要命的场景:

    • 各种口音都能听懂,不挑发音标准的用户;
    • 支持几十种语言;
    • 在有背景噪音的环境里照样工作。

    客户名单里已经有 RingCentral 和 Truecaller

    目前 Smallest.ai 的客户主要是语音领域的公司,包括 RingCentral 和 Truecaller。Kamath 认为,任何做客服的公司都是潜在客户,包括 Sierra、Decagon 这类新兴的AI客服创业公司。

    有人会问:这些公司自己融了那么多钱,为什么不顺手把语音模型也做了?Kamath 的回答挺实在——对客服创业公司来说,把语音这一件事做到极致,是对主业的分心。

    它要面对的对手也不轻松。语音AI这条赛道上,ElevenLabs 是公认的头部,另外还有 Cartesia,以及像 Sarvam 这样专注本地语言的区域玩家。不同之处在于,一些对手把语音AI用在配音、播客这类内容生产场景上,而 Smallest.ai 只盯着面向企业的实时对话智能体,别的一概不碰。

    我们想让模型打破图灵测试。你跟它说话,应该分不出对面是人还是AI。这是公司唯一的目标。

    这条路走不走得通

    把话说回来,语音交互的瓶颈从来就不是知识储备。一个客服机器人需要懂的东西其实很有限,它输就输在反应的时间差和对话的节奏感上。行业主流还在往参数上加码,而 Smallest.ai 挑的是另一个维度——谁能先把那零点几秒的空白抹平,谁就先摸到这块市场的门。

    风险当然也在这里。小模型意味着能力边界明确,一旦频繁触发”请稍等我查一下”,那种真人感照样会碎掉。移交给大模型的那个瞬间处理得够不够顺滑,可能才是这家公司真正的技术门槛。

  • 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”。