这家专为物理科学打造Agents的AI公司获700万美元种子轮投资

　　5月6日，总部位于旧金山的AI初创公司Altara近日获得700万美元(约合4768万人民币)种子轮融资。 Greylock Partners领投，其他投资者包括 Neo、BoxGroup 和 Liquid 2 Ventures，以及 Jeff Dean 等天使投资人和 OpenAI 及 AMD 的领导层。

　　Altara 核心思路是聚焦于实际科学和工业应用，从而开发能够分析物理科学领域多模态数据的AI代理。

　　在产品方面，Altara 利用专为物理科学打造的Agents，分析复杂的科学数据，解决碎片化数据集造成了效率低下、偶发故障等问题，加速从研发到制造的整个进程。

　　该公司将AI技术应用于半导体、电池和先进材料等行业的实验室、中试生产线和制造工厂。当前，不少客户已经开始将最关键的工作流程托付给Altara。

　　想象一下，你是一家正在研发用于新型电池应用的下一代材料的公司。研发中的一款电池未能达到规格要求，而快速找出原因至关重要。科学家们可能需要花费数周甚至数月的时间，Altara正在改变这种状况。

　　根据介绍，Altara 的工作流程和通用人工智能完全不同。

　　Altara 专为处理敏感数据而设计：专有研究、制造工艺数据和核心知识产权。

　　Altara 提供多种部署选项以满足企业需求：Altara 可以通过传统的 SaaS 部署运行，也可以直接在客户公司的基础架构中运行。所有这些都从底层开始就将安全性、隐私性和数据所有权构建到系统中。

　　在Altara 看来，现代人工智能系统的一个常见缺陷是缺乏透明度。模型会产生输出，但输出背后的推理过程要么难以获取，要么过于冗长而难以理解。这种模式并不适用于科学工作流程。

　　Altara 被设计成一个透明的玻璃箱系统，其中每个输出都完全可检查。例如：

　　在底层数据源上执行的确切 SQL 查询;

　　智能体的中间推理步骤;

　　对原始数据进行转换;

　　用于生成最终结果的分析流程。

　　这意味着，科学家和工程师可以将结论追溯到基本原理。他们还可以直接修正和修改沿着这条推理链进行的分析。

　　基于大型语言模型的AI系统本质上是概率性的。问题在于，在科学工作流程中，许多环节需要确定性和可重复性。

　　Altara则将这些确定性组件作为核心构建模块集成到其智能体中，以支持特定的科学和工程工作流程。这种混合架构确保了概率性人工智能在处理模糊任务方面的价值能够与核心分析流程所需的稳健性相结合。

　　通用人工智能基准测试不足以满足特定领域的科学研究需求。因此，Altara 致力于开发针对科学和工程领域实际应用场景的评估框架：

　　基于领域相关数据的任务特定评估

　　在新任务和用例中进行持续测量

　　这使Altara能够在真正重要的环境中量化绩效，并随着时间的推移系统地改进。

　　模型已被广泛用于编写代码，而且它们通常比直接预测更能通过代码产生答案。

　　例如，如果让模型通过预测下一个词元来计算两个大数的乘积，可能会失败。但如果模型编写一个函数来计算两个数的乘积，然后再调用该函数，结果则更可靠。

　　Altara 利用代码执行作为提高准确性的机制：

　　模型生成可执行的分析流程

　　计算在受控环境中进行

　　结果来源于可验证的执行过程，而非原始预测。

　　这对于提高数值密集型工作流程的精度尤为重要。

　　同时，Altara 将 LLM 与传统机器学习模型和特定领域模型相结合，最终为复杂的科学和工程挑战带来真正的成果。

　　Altara的创始人为Eva Tuecke和Catherine Yeo。Eva曾身处硬科学的最前沿，从费米实验室的粒子物理研究，到SpaceX的Starlink项目。Catherine曾在Warp构建编程助手，在IBM、MIT和哈佛进行人工智能研究，并且成长于一个拥有五位在半导体行业工作的电气工程师的家庭。她们两人结合带来了罕见的能力组合：人工智能专长、深厚的科学素养，以及对客户团队真正需求的敏锐直觉。

　　本轮的领投方Greylock Partners是硅谷的风投之一，曾在早期投资过Facebook、LinkedIn、Instagram、Pandora、Dropbox、Airbnb、Figma等一系列著名的公司。

　　在领投方Greylock Partners看来，Altara要做的事情机会意义重大。科学和工业数据是当今科技领域最有价值却未被充分开发的资产之一。能够解锁这些数据的公司将行动更迅速、有更多发现，并脱颖而出。