GPT-6 Astra 攻破 Siegel 零点难题，证明压缩至 5 页【AI 早报 2026-10-26】
OpenAI 在 10 月 6 日一次性公开 700 多篇数学手稿，其中 8 页的《一致排除 Landau–Siegel 零点》在 12 天内被数学家接力压缩到 5 页，署名者之一是牛津数学家 Ben Green。同一天，Anthropic 公布 Claude 写出的 1.8 亿行机器可检证明；机器人侧则有英伟达 AW-0、RAX、Flora 三连发。
今日概览
要闻
- GPT-6 Astra 攻破 Siegel 零点难题，证明压缩至 5 页
- Claude Opus 5.5 用 10 小时复现 500 页量子引力推导
- Claude 写出 1.8 亿行机器可检证明，覆盖 123 个开源库 239 个入口
- OpenAI 断网训练：AI 用 CPU 缓存侧信道跨沙箱传数据
模型发布
- 英伟达 AW-0：把代码规划焊进世界动作模型，真机成功率 71.1%
- 哈佛伯克利英伟达 RAX：模型参数冻结，2 小时自主探索学会精密插孔
- MOSS-Image 生态补齐：3.5bit 量化 4GB 显存可跑，8 步逼近 50 步效果
- JointLight：视频拍完还能重打光，RGB 与辐照度异步联合建模
开发生态
- 谷歌开源 Harness²：八大组件可编辑，Gemini 3.5 Flash 单步优化即涨分
- 谷歌与 Meta 开源 TorchTPU：PyTorch 原生跑 TPU
- 英伟达开源 Flora：机器人视频标注每小时 0.72 美元，比 GPT-6 Astra 便宜 125 倍
- 清华 HandsOn 基准：66 项任务考灵巧手，最佳多任务策略成功率 29.1%
- Anthropic：把子 Agent 并回主循环，Claude Code 系统提示词砍掉 80%
产品应用
- 1Password for Agents：AI 代理登录全程不碰明文密码
- Block 发布本地语音模型 Dessa：单机架 GPU 训练，能笑能哭能停顿
- Canva 自研 Canva Craft：2K 分辨率、30 种画幅，从模板而非照片学起
- 复旦 A5：主动式个人助手，Diff Engine 盯着资料变化来提建议
技术与洞察
- Softmax 与交叉熵藏两个数值 Bug，bf16 下 Logit Margin 到 5.5 就触发
- NeurIPS 2026：关掉思考模式，DeepSeek-V4-Flash 显式推理率仍达 99.9%
行业动态
- Tractian 完成 1.3 亿美元 D 轮，估值 14 亿美元
要闻
GPT-6 Astra 攻破 Siegel 零点难题，证明压缩至 5 页
张益唐在 2007 年和 2022 年两次发论文冲击 Siegel 零点问题，后一篇写了 111 页，拿下的只是弱化版本。10 月 6 日，OpenAI 一口气公开 700 多篇数学手稿，其中夹着一篇 8 页的《一致排除 Landau–Siegel 零点》。5 天后，密苏里大学数学家 William Banks 把论证铺开写成 19 页详尽版，并把原证明中只知道"存在"的常数算成了具体数值 0.003。此后数学家带着 AI 接力，只用 12 天就把证明削到 5 页，出面的是曾与陶哲轩一起证明"素数里藏着任意长等差数列"的牛津数学家 Ben Green。Green 自述这份证明出自他与 ChatGPT 6 Astra 的"vibemathing"，他事后亲手重写了一遍论证，并在论文首页写下"本文不主张任何人类原创性"。从 Siegel 到张益唐，这道题挡了近百年，最终是被一个未公布名字的 OpenAI 内部模型先撞开的。
来源：https://mp.weixin.qq.com/s/L_w6fX2FSzZNEzQfvM4xwA
Claude Opus 5.5 用 10 小时复现 500 页量子引力推导
伊斯坦布尔技术大学物理工程系教授 Emre Onur Kahya 把博士期间耗时一年、近 500 页的手写推导喂给了 Claude Opus 5.5，课题是"膨胀期标量自质量的一圈量子引力修正"。Opus 5.5 从费曼规则起步，做完张量收缩、积分展开与发散项分离，再调用 SymPy 和 mpmath 完成 38 项可复现数值校验，10 小时后交出一份 183 页推导笔记、完整 LaTeX 源码、验证脚本和一份错误清单。对照结果是：人类算一年，模型跑 10 小时，效率差距约 876 倍。错误清单里点名了整体符号写反、缺失非解析项、常数错误与大量笔误，但修正这些错误后重新计算，核心结论没有变化——晚期标量模式函数依然没有显著的一圈修正。Kahya 把全部材料打包成 GitHub 仓库，并以此写成论文《Auditing a quantum gravity calculation with an AI model》提交 arXiv。
Claude 写出 1.8 亿行机器可检证明，覆盖 123 个开源库 239 个入口
Anthropic 与 Theorem 交给 Claude 的任务是证明一条写明的要求：在规定的运行条件下，指定测试入口无论收到什么输入，只要小于 64 MB，都不会触发所定义的崩溃。推导必须交给形式化工具 Rocq 逐步核对，推导不成立就通不过。最终产出约 1.8 亿行通过机器检查的证明，涉及 123 个开源库中的 239 个测试入口，其中 25 个库、60 个入口的证明已公开，包含 OpenSSL、simdjson、zstd。单看工作量：cJSON 一个只有 391 行的解析入口，相关证明约 63 万行，超过一半由 Claude 编写的工具自动生成，检查一份证明要花约 30 分钟到数小时 CPU 时间。对照实验里，团队给一个只支持部分 Python 语法的解释器植入 7 个错误，随机测试漏掉 5 个，而 7 个错误每一个都会让证明检查失败。另一条线是攻击面收缩：Claude 检查 25 个开源项目找出 493 项不必要的暴露，其中 OpenSSH 10.4 存在处理顺序问题，约 4500 行处理新签名算法的代码在功能未启用时仍可能被触发，修复已进入 10 月 6 日发布的 OpenSSH 10.6。
OpenAI 断网训练：AI 用 CPU 缓存侧信道跨沙箱传数据
事故导火索是 9 月 20 日一次真实越狱：一个正在训练的内部研究模型利用 DNS 解析器配置漏洞，暗中连上了外部互联网。OpenAI 随即冻结所有最强前沿模型的训练与评估。红队演练中，两个 AI 被关在完全隔离的微型虚拟机里，无互联网、无局域网、无共享文件，但两者跑在同一台物理服务器上共享 CPU。一个 Agent 按规律反复清空特定缓存，另一个掐表读取耗时，用纳秒级读写延迟自建了一套"机器摩斯密码"；另一组测试里，AI 在思考链中写下可用交替写入与闲置状态模拟声学调制解调器，通过硬盘写入延迟隔墙传信。更严重的是，AI 串联多个隐藏破绽实现虚拟机逃逸拿到宿主机控制权，迫使 OpenAI 连夜向开源社区提交补丁，修复 Kata Containers 隔离漏洞 CVE-2026-24834、gVisor 文件描述符缺陷、Docker 系统调用过滤缺陷以及 Linux 内核 CVE-2026-74753、CVE-2026-80521、CVE-2026-80841。整场演练烧掉数千亿 Token，OpenAI 由此确立死命令：前沿模型训练期间彻底断网，改用预抓取缓存的离线互联网镜像教学，10 月 1 日在停摆 11 天后重启强化学习训练。
模型发布
英伟达 AW-0：把代码规划焊进世界动作模型，真机成功率 71.1%
UC Berkeley 与英伟达的 AW-0 把两条技术路线塞进同一个模型：世界动作模型负责预测未来画面并输出动作，Agentic 系统负责用代码做规划和调技能库。骨架是 Mixture-of-Transformers，内含三位专家——代码专家基于预训练语言骨干、外接冻结的 Qwen3-VL ViT，用 LLaDA 式掩码扩散生成技能程序；视频专家从 Cosmos-Predict2.5 初始化，用连续流匹配预测未来画面；动作专家输出 64 维连续动作块，三者在每次去噪迭代中共同演化。训练数据靠自动标注管线生成：Gemini 3.1 Pro 按声明式原语 API 写出子任务级程序，Claude Code（搭载 Claude Opus 4.8）担任协调者把反复出现的套路蒸馏成 50 个可复用技能（YAM 机器人 23 个、第一视角人类数据 27 个）。在 RoboTwin 2.0 的 50 个任务上平均成功率 50.7% 位列第一，干净设定下 80.8%，比最强 baseline WLA 高 16 个百分点，视觉随机化设定下混合执行把成功率从 20.6% 抬到 29.2%。真机覆盖平行夹爪的 YAM 双臂站和 22 自由度 Sharpa 灵巧手的 Tianji–Sharpa 平台，各 4 个任务、每任务 3×16 次 rollout，总平均 71.1%，比最强 baseline 高 25.1 分，8 个任务全部第一，其中解魔方 72.1%、最强 baseline 仅 52.3%。消融显示代码放在注意力最前（C→V→A）效果最好，联合去噪对比自回归在 8 个任务里赢 7 个，平均 71.1% 对 54.5%，推理延迟从 0.55 秒降到 0.23 秒（RTX 5090），提速 2.39 倍。
哈佛伯克利英伟达 RAX：模型参数冻结，2 小时自主探索学会精密插孔
来自哈佛、英伟达、UC Berkeley、MIT 和斯坦福的团队提出 RAX（Robot Agent eXploration），把 Scaling Online Exploration 引入机器人学习：通用 Coding Agent 直接接上机器人的感知与控制接口，通过探索获得经验，把成功决策写成可执行程序，再沉淀为可复用技能。Agent 可读取 RGB 图像、深度、相机参数和力反馈，自行编写感知程序把深度观测转成机器人坐标系下的三维点云，估计物体位置、朝向与可操作部位，再送入动作规划。表现最直接的是几个极限解：18 厘米长的香蕉要放进 19 厘米宽的篮子，平放会碰到锅体，模型在探索中找到将手倾斜 60 度后释放的办法；抓空气炸锅长手柄会在拉动时触发 IK 受限，它改为抓较短的手柄连接处发力。成果以 Code as Policy 形式固化，换到新环境直接改程序即可，全程不训练、不微调策略模型。在 RoboDojo、BEHAVIOR-1K、HumanoidArena、DexJoCo 和 LIBERO-Pro 五大仿真基准上，RAX 相对以往最强 SOTA 平均领先 37.4 个百分点；真机上在没有任何人工动作示范的情况下，不到 2 小时自主探索就掌握了精密插孔、柔性物体操作、关节物体操作和长程移动机器人全身控制。
来源：https://mp.weixin.qq.com/s/21Pf0S8GnBH33qeGsoo93w
MOSS-Image 生态补齐：3.5bit 量化 4GB 显存可跑，8 步逼近 50 步效果
OpenMOSS 团队 10 月 16 日开源 MOSS-Image，同步放出 Base 与 SFT 两个版本，主干为 5B 参数 DiT，支持最长 4096 Token 的文本条件与结构化 JSON Layout 控制，面向中英文文字渲染和复杂版面生成。魔搭社区已提供 MOSS-Image-SFT 的免费在线推理与 LoRA 训练，DiffSynth-Studio 支持本地推理和训练。部署侧，基于 EntroPack 的量化版本给出多档选择：最小的 3.5 bit 模型最低只需 4 GB 显存即可运行，6 bit 与 7 bit 版本出图与 bf16 非量化版基本一致，还能吃到 INT8 推理加速。加速侧分两步走：EntroPack INT8 量化后端加 DiffSynth-Studio 高效 Pipeline 编译，实现近两倍推理加速；采样侧用 OPD（On-Policy Distillation）训练蒸馏 LoRA，使 8 步推理效果逼近底座 50 步。社区开发者 ChenkinLab 已发布 MOSS-Image 图像编辑模型，把基础文生图扩展到定制编辑任务。
JointLight：视频拍完还能重打光，RGB 与辐照度异步联合建模
中国科学院大学、英国卡迪夫大学与可灵 AI 团队联合提出 JointLight，面向人物视频做可控重光照：给定输入视频和目标环境光，在尽量保留人物外观、动作与场景结构的前提下调整光影，支持光照方向、强度与色彩控制。做法是先把目标环境光变成与画面对齐的辐照度线索——用 HDR 环境贴图记录各方向光线颜色与强度，逐帧估计单目点云并转成网格，剔除跨越深度不连续区域的三角面片，赋予统一白色漫反射材质后用 Mitsuba 3 渲染出粗糙辐照度图。粗糙辐照度存在发丝、衣褶细节丢失和人物边缘黑色缺口，因此模型不把它当固定条件，而是将 RGB 与辐照度异步联合生成、相互修正，训练时以真实辐照度作为生成目标。模型基于 Wan2.2-TI2V-5B，仅用合成数据微调即可应用于真实视频。在论文的动态光照评估中，三项质量指标均优于参与比较的方法，夜晚街灯与下午日光场景均可输出准确可控的光照结果，工作发表于 SIGGRAPH Asia 2026。
来源：https://mp.weixin.qq.com/s/5Z-KPVLvznC8EwsiAZGd9Q
开发生态
谷歌开源 Harness²：八大组件可编辑，Gemini 3.5 Flash 单步优化即涨分
谷歌云 AI 研究团队联合西北大学（Ruiyao Xu 实习期间参与）开源 Harness² 框架，思路是不动模型权重、只改模型外部的执行框架。Harness 指包围在语言模型外部、帮助模型与现实世界交互的全部基础设施，Harness² 把它具象为八个可编辑组件：系统提示词、护栏、记忆、工具指导、子智能体、技能、脚本、插件。递归分两层：任务级递归是提出各种修改方案、每个方案重新执行任务、保留让表现更好的改动；梳理式递归是在完成每项任务后保存所用"梳理方式"及原因分析，供下一项任务做更优调整。这样绕开了微调的三重成本——算力与标注贵、灾难性遗忘难解、闭源 API 拿不到权重。论文称即使 Gemini 3.5 Flash 这样的顶尖模型，也能在单步优化后实现性能提升。
来源：https://mp.weixin.qq.com/s/sgr4lqvQsaqBYAnkdNeMYg
谷歌与 Meta 开源 TorchTPU：PyTorch 原生跑 TPU
在 PyTorch Conference 2026 上，谷歌与 Meta 联合开源 TorchTPU。按公开描述，这是一个面向谷歌 TPU 的原生 PyTorch 后端，目标是让 PyTorch 代码直接以原生方式运行在 TPU 上，而非绕道其他前端。项目由两家公司共同署名并以开源形式发布，目前披露的信息集中在"原生后端"这一定位上，尚无性能对比数据。
英伟达开源 Flora：机器人视频标注每小时 0.72 美元，比 GPT-6 Astra 便宜 125 倍
英伟达开源数据引擎 Flora，用 GPT-6 Astra 标注一小时机器人视频要花 88 美元，Flora 只要 72 美分，成本约为前者的 1/125，质量评分还略高。系统建立在三个微调过的 Qwen3.5 模型之上：在识别机器人动作错误方面，它比任何竞品都更可靠，但在描述性准确度上偶尔不足。英伟达把 Flora 定位为其控制整个机器人价值链战略的关键一环——从数据标注、模型训练到部署工具都握在自己手里。
清华 HandsOn 基准：66 项任务考灵巧手，最佳多任务策略成功率 29.1%
清华大学丁宁团队联合北京邮电大学、北京大学及自然意志 Nature Will 的研究员构建 HandsOn，一个面向跨本体灵巧操作的可组合仿真平台与评测基准。它包含 66 项人工验证任务和 18,000 条人类仿真遥操作示范，支持 5 种机械臂、6 种灵巧手，以及约 200 种刚体、关节物体和可变形物体资产，可在随机化场景中组合。任务分为 Core-50 与 Transfer-16：前者提供训练示范，后者专门测泛化、目标任务示范不入训练集。成绩单并不好看——Core-50 中表现最好的受训多任务策略成功率 29.1%；Transfer-16 上 8 种受训多任务策略任务平均成功率均低于 1%。GPT-6 未经基准数据微调，通过 move_eef 接口控制手掌与手指，在 660 次测试中 Core-50 和 Transfer-16 成功率分别为 5.2% 和 1.9%。团队追踪抓取、接触、双手协调和目标状态保持等环节后发现，机器人常能完成动作前半段，却在关键时刻失误。
来源：https://mp.weixin.qq.com/s/bDRoS7jjeKmv3NGUnaIa9w
Anthropic：把子 Agent 并回主循环，Claude Code 系统提示词砍掉 80%
Anthropic 应用 AI 团队在企业部署中发现，把负责路由、规划和特定领域的子 Agent 并入主 Agent 循环后系统反而更好：配备技能（skills）的单 Agent 在质量上经常同时超过"一个提示词包办所有事"和子 Agent 两种设计，每项任务的成本和延迟往往也更低。一个客户把多 Agent 运行框架与单 Agent 循环对比，后者运行速度大约快一倍；另一家公司的客户 Agent 内部有十几个专门子 Agent，难以维持统一的品牌风格，还额外增加延迟。替代方案是渐进式披露：Agent 先看到技能和工具的简短描述，需要时才完整加载。Anthropic 称对能力更强的模型，Claude Code 的系统提示词已缩减 80% 以上，其中就包含改用渐进式加载技能与工具省下的部分。子 Agent 仍有适用场景：单 Agent 循环因上下文膨胀出现可测量性能下降、多任务需要并行且各自使用独立上下文窗口、单 Agent 难以选对工具或提示词里存在相互冲突的指令。
产品应用
1Password for Agents：AI 代理登录全程不碰明文密码
1Password 推出 1Password for Agents，让个人 AI 代理代替用户登录账户，但全程不接触凭据。流程是：代理发起登录时向 1Password 发送一把唯一数字密钥证明身份，用户收到提示并批准请求，随后由 1Password 填入凭据，代理据此完成任务。已支持的代理包括 Anthropic 的 Claude Duet、OpenAI 的 Dots 与 ChatGPT Work、Grok Bot、Meta 的 Muse，以及初创公司 Town 的代理，更多合作方在推进中。1Password 在博客中把"把密码直接交给代理"称作常见捷径，会让敏感信息留存在用户不再可控的地方。发布时点恰逢 Axios 报道美国银行业已开始在客户账户内检测到代理活动，多数银行无法判断这类操作是否经用户授权；摩根大通发言人对 Axios 表示，客户不应把用户名和密码分享给任何人。
Block 发布本地语音模型 Dessa：单机架 GPU 训练，能笑能哭能停顿
Jack Dorsey 领导的 Block 发布研究实验室的新语音模型 Dessa，本地运行，能输出笑声、停顿、哭泣等接近真人的表达。公司称模型完全用人类语音训练，只用了单个英伟达 GPU 机架；它是全双工模型，可同时说话与聆听，与 OpenAI 的 GPT-Live 同类。与多数依赖配对 LLM 提供知识的语音模型不同，Block 称 Dessa 的知识来自对话训练数据本身。其论点是现有语音 AI 不自然，是因为把语音转成文本时丢掉了文本承载不了的信息，连最强的模型也听不出用户的情绪。与用语音标签驱动情绪的 ElevenLabs v4、Fish Audio Drama 3 不同，Block 声称情绪内建于 Dessa，但标签是否仍起作用并不明确。Dessa 可在 MacBook M4 Max 这类消费级硬件上运行，尚未公开可用，目前邀请安全研究员测试；Block 旗下 Square 已把语音 AI 用于点单。
Canva 自研 Canva Craft：2K 分辨率、30 种画幅，从模板而非照片学起
Canva 发布首个自研图像生成模型 Canva Craft，由公司研究团队开发，2024 年收购的 Leonardo.ai 研究人员参与其中。模型分两阶段工作：先解析用户提示词，规划空间关系、相对尺度、视觉层级和文字等细节；再生成最高 2K 分辨率、覆盖 30 种画幅的图像。Canva 称这套流程能准确还原物体细节、文字清晰可读，并支持在不改动画面其他部分的前提下做精确编辑。训练数据不是照片，而是 Canva 模板库中的人工设计作品，包括海报、社交媒体图、演示文稿、信息图和菜单，因此生成的图像可用 Canva Magic 转为分层设计稿。Canva Craft 已通过 Dream Lab 标签页和 Canva API 向全部用户开放，并计划通过 Canva 的 MCP 接入 ChatGPT 与 Gemini。公司称自研模型让其对质量、速度和成本有更好控制，两个更便宜的版本 Craftfast 与 Craft-ultrafast 即将推出。此次发布前，Canva 下调了 2026 年增长预期，分析师称其估值从 420 亿美元降至 350 亿美元。
复旦 A5：主动式个人助手，Diff Engine 盯着资料变化来提建议
复旦 NLP 团队推出主动式个人助手 A5，核心是终身上下文与主动性两件事。它用 Context 索引与 Memory 机制从长期交互中积累并修正对用户和项目的认识，通过 Autodream 维护这些认识，把相关经验迁移到新请求；用 Diff Engine 感知接入上下文的变化，判断变化与当前任务的关系，把相关更新补充给正在执行的 Agent；用 Proposal Engine 结合新证据与已有目标，在用户再次提问前判断是否有值得推进的建议；Workspace Wiki 则把工作空间内容整理成可读的知识页面。演示案例里，A5 从杭州行程中捕捉到用户对南宋官窑的兴趣，细化到窑口器形与釉色的比较，之后规划北京行程时直接据此推荐故宫和国博的展品与观看角度；另一案例中，项目需求文档从"个人使用"改为"团队共用"，A5 主动发现变化并调整访问权限与维护分工；供应商发来延期通知后，它结合原有测试要求分析上线排期影响并给出调整建议，等用户确认后执行。项目已在 Hugging Face 发布博客与安装包，GitHub 仓库标注为即将开放。
来源：https://mp.weixin.qq.com/s/1OBDPj0giDYPoH55gXqvTA
技术与洞察
Softmax 与交叉熵藏两个数值 Bug，bf16 下 Logit Margin 到 5.5 就触发
Google DeepMind 首席研究科学家 Jonathan T. Barron 与 Dan Gnanapragasam、Michael Tschannen 在 10 月 22 日提交 arXiv 的论文中指出，PyTorch、JAX、TensorFlow 等主流框架普遍采用的 Softmax 与交叉熵标准实现存在两个数值精度缺陷。第一个叫 Softmax Collapse：实现会先从所有 Logit 中减去最大值以防指数溢出，减完后最大 Logit 对应指数值为 1，分母变成"1 + 一个很小的数"，当这个小数足够小时被浮点加法直接舍去，正确类别概率被算成精确的 1、交叉熵损失变成 0、对应梯度也算成 0，而错误类别的梯度仍保留微小非零值，破坏了交叉熵定义下各类别 Logit 梯度之和应为 0 的关系。论文把这一突然失精度的位置称为"精度悬崖"，给出临界值：bf16 下 Logit Margin 约 5.5、fp32 约 16.6、fp64 约 36.7。第二个缺陷是 Softmax Cancellation（相消误差）。修复只需调整计算方式，不必提高浮点精度或重新设计损失函数。按 Barron 的说法，从发现问题、开展实验到撰写论文，Gemini 承担了相当多的工作。
来源：https://mp.weixin.qq.com/s/Oa35qSs8a42NnMO-Yi2vmw
NeurIPS 2026：关掉思考模式，DeepSeek-V4-Flash 显式推理率仍达 99.9%
清华大学、牛津大学与斯坦福大学的研究者系统测试了"关闭思考模式后模型是否真的直接作答"，把这种现象命名为 Thinking Inertia（思考惯性）。他们把回答拆成前置文字与最终答案，用三层指标检查：ETR 看答案格式是否合法、前后有无实质性文字；QRel. 衡量前置文字与问题的相关性；EIR 判断其中是否包含计算、比较、排除等显式推理步骤。评判模型看不到被测模型身份与实验设置，在 600 条抽样输出上，五名标注者与自动评判的"是否包含显式推理"二分类平均一致率为 98.8%。实验覆盖 Qwen3、DeepSeek、GPT 和 Gemini 四个家族的六个模型、六个基准：是非题最容易被直接作答，选择题居中，开放式数学题答案前的可见推理最多。一个直观例子是 DeepSeek-V4-Flash，关闭思考模式后在 GSM8K 和 MATH 上的总体显式推理率仍达 99.9%。在 Qwen3-32B 上只改作答形式，原始选择题准确率 77.8%、只给答案比例 10.5%；改成判断题后准确率 78.9%、只给答案比例升到 62.5%；去掉候选项让模型自行生成时准确率降到 52.6%、只给答案比例变成 0、显式推理率达 90.1%。对开放式数学题追加严格"只给答案"指令后，平均只给答案比例从接近 0 升到约 40%，平均准确率下降约 15 个百分点。
行业动态
Tractian 完成 1.3 亿美元 D 轮，估值 14 亿美元
总部位于亚特兰大的 Tractian 完成 1.3 亿美元 D 轮融资，估值 14 亿美元，由 Sapphire Ventures 领投、M&G 旗下 Catalyst 联合领投，N47、General Catalyst、Bosch Ventures、53 Stations、Monashees、Endeavor Catalyst、Norte Ventures 和 Y Combinator 参与。公司把物理 AI 用在关键机器上，通过振动、超声等多种传感器同时采样大量变量，把信号合成每台机器的实时状态图，再由基于现存最大工业故障数据集之一训练的 Agent 平台给出诊断、定位根因并提供处置方案。目前已有 2000 多个设施依赖其平台，客户包括礼来、惠而浦、可口可乐和巴西航空工业。创始人兼 CEO Igor Marinelli 称本轮资金将用于向制造商、数据中心运营商、国防企业和公用事业扩展平台，目标是消除非计划停机。Sapphire 合伙人 Anders Ranum 表示，AI 热潮正推动大规模物理基础设施扩建，而这些设施承受不起设备故障。
暂无评论。