來源類型: 新聞
「新聞」來源類型(news=新聞 / paper=論文 / blog)的 AI 內容。
-
Gumloop 获得 Benchmark 5000 萬美元資金，將每個員工轉化為 AI 代理建構者
Max Brodeur-Urbas 於 2023 年中共同創立 Gumloop，旨在協助非技術人員利用 AI 自動化重複性工作。隨著 AI 技術成熟，Gumloop 現在已能協助 Shopify、Ramp、Gusto、Samsara、Instacart 及 Opendoor 等組織部署可靠的 AI 代理，無需工程師即可自主處理複雜的多步驟任務。員工可分享所構建的代理，產生累積效應加速內部自動化。Benchmark 合夥人 Everett Randle 認為賦予每位員工 AI 超能力是成功關鍵，因此他於去年十月從 Kleiner Perkins 加入 Benchmark 後，主導了對 Gumloop 的 5000 萬美元 B 輪投資。該交易由 Nexus VP、First Round Capital、Y Combinator、BoxGroup、The Cannon Project 及 Shopify 參與。儘管 Gumloop 未積極尋求資金，但決定今年加速擴張。Brodeur-Urbas 原本計劃建立一家 10 人規模的百億美元公司，但企業客戶需求激增迫使他建立專職銷售團隊並擴大工程團隊。Gumloop 面臨 Zapier、n8n 及 Dust 等競爭對手挑戰，甚至 Anthropic 的 Claude Cowork 也進入市場。Randle 認為 Gumloop 更優越，因其在客戶測試中展現出顯著優勢，員工在使用 Gumloop 的同時，競爭對手工具卻未被使用。Gumloop 獲勝原因在於學習曲線極低，且採用模型無關方法，允許企業根據任務選擇最佳模型，並有效管理 OpenAI、Gemini 及 Anthropic 等平臺的信用額度成本。Randle 認為企業自動化是企業 AI 中最大的類別，潛力巨大。
-
Alexa Plus 新增「成人專屬」人格選項，會詛咒但不提供不雅內容
亞馬遜宣佈其 AI 助手 Alexa+ 新增「Sassy」人設選項，該功能僅限成人使用。在啟用此選項前，使用者必須在 Alexa 應用程式中透過額外的安全檢查，iOS 系統則需進行 Face ID 掃描。此選項不可在啟用 Amazon Kids 時使用，並與上月推出的 Brief、Chill 和 Sweet 等人設一同推出。啟用後，系統會提示該風格會使用明確語言及成熟主題。Sassy 風格宣稱遵循「先幫助，再評判」的原則，回答會夾雜幽默與尖銳評論，提供帶有魅力的現實檢查和令人意外的溫暖，同時保持誠實、犀利且有趣。儘管被描述為成人向，亞馬遜強調此功能不會涉及露骨性內容、仇恨言論、違法活動、人身攻擊或任何可能對他人或自己造成傷害的內容。此舉是亞馬遜為適應生成式 AI 時代，讓 Alexa+ 更具可定製性的一部分，透過提供不同語氣和風格來增強使用者體驗，符合業界透過調整 AI 人設來提升互動性的趨勢。
-
溫特福獲1.5億美元B輪融資，企業估值達20億美元
以色列人工智慧代理公司 Wonderful 近日完成 B 輪融資，籌得 1.5 億美元，估值達 20 億美元。此輪融資僅在四個月前公司完成 A 輪 1 億美元融資後不久即告達成，目前公司總籌資額已達 2.86 億美元。本輪由 Insight Partners 領投，現有投資者包括 Index Ventures、IVP、Bessemer Venture Partners 及 Vine Ventures。成立僅 13 個月，Wonderful 表示其客戶服務 AI 代理平臺在電信、金融、醫療及製造業等領域需求強勁。公司專注於非英語市場，並宣稱針對各服務市場進行客製化，包括調整語言、文化規範及法規環境，並派遣當地團隊管理部署。公司表示，透過派遣工程團隊與客戶合作，有時甚至駐點現場，協助將 AI 技術整合至其工作流與系統中，並根據市場需求進行調整，已取得良好成效。Wonderful 目前營運於歐洲、拉丁美洲及亞太地區共 30 個國家，表示將利用新資金拓展更多國家業務，並將員工人數從現有的 300 人增加至 900 人，以加倍投入協助客戶快速部署技術的策略。Wonderful 執行長兼共同創辦人 Bar Winkler 指出，2026 年企業將決定與誰合作以在組織內運營 AI，此決策將取決於誰能交付跨複雜基礎設施的深層整合並針對各組織獨特環境量身打造解決方案。公司表示其平臺與營運模式正是圍繞此現實建立，全球需求反映此點，而此次資金將提升其支援企業實現 AI 願景的能力。
-
Google 借助舊聞報導與 AI 預測瞬間洪水
閃濫洪災是全球最致命的天氣事件之一，每年造成超過 5,000 人死亡，且極難預測。由於閃濫洪災發生時間短、範圍小，難以像溫度或河川流量那樣進行全面監測，導致資料缺口使得深度學習模型無法準確預測。為解決此問題，Google 研究人員利用 Gemini 大型語言模型，整理全球 500 萬篇新聞文章，篩選出 260 萬起不同洪災報告，並將其轉化為名為「Groundsource」的地理標記時間序列資料。這是 Google 首次將語言模型應用於此類工作，該研究與資料集於週四上午公開。 基於 Groundsource 作為真實世界基準，研究人員訓練了一個基於長短期記憶（LSTM）神經網路的模型，用於攝取全球天氣預報並生成特定區域閃濫洪災發生的機率。目前，Google 的閃濫洪災預測模型已在 Flood Hub 平臺上為全球 150 個國家的城市地區標示風險，並將資料與世界各地的緊急應變機構分享。南部非洲發展共同體（Southern African Development Community）的緊急應變官員 António José Beleza 表示，該模型協助其組織更快應對洪災。 儘管模型存在限制，例如解析度較低，僅能識別每 20 平方公里的風險，且不如美國國家氣象局的洪水警報系統精準，部分原因在於 Google 的模型未納入本地雷達資料以進行即時降雨追蹤。然而，該專案設計初衷便是針對無法負擔昂貴天氣感測基礎設施或缺乏氣象資料記錄的地區運作。Google 的 Juliet Rothenberg 指出，透過聚合數百萬份報告，Groundsource 資料有助於平衡地圖資訊，並推斷到其他資訊較少的地區。團隊希望未來能將大型語言模型應用於從書面定性來源開發定量資料集，以處理其他短暫但重要的預測現象，如熱浪和泥流。Upstream Tech 執行長 Marshall Moutenot 認為，Google 的貢獻是為深度學習天氣預測模型組裝資料的成長努力之一，並指出資料匱乏是地球物理學中最具挑戰性的問題之一。