@realBigBrainAI:这家获得 2900 万美元种子轮融资的迈阿密初创公司声称,它能将整个代码库、数月的 PR 以及 900 万单词塞进单个提示词中……

X AI KOLs Following 新闻

摘要

一家位于迈阿密的初创公司获得了 2900 万美元的种子轮融资,并声称其 AI 能够在单个提示词中处理整个代码库和数百万单词。

这家获得 2900 万美元种子轮融资的迈阿密初创公司声称,它能将整个代码库、数月的 PR 以及 900 万单词塞进单个提示词中。 https://t.co/ZlahxJ6jTX
查看原文
查看缓存全文

缓存时间: 2026/05/10 04:23

一家来自迈阿密的初创公司刚刚宣布,凭借2900万美元的种子轮融资,它可以将你的整个代码库、数月的PR以及900万单词放入单个提示中。https://t.co/ZlahxJ6jTX

相似文章

杰夫·贝佐斯正在资助一场寻找大脑"核心算法"的疯狂探索 ====== 去年秋天,一家名为 Convergent Research 的初创公司悄然筹集了一笔资金,用于资助一个听起来近乎科幻的项目:找出大脑学习的核心算法,并将其植入机器。 这家公司是所谓"专注研究机构"(Focused Research Organization,简称 FRO)的典型代表——这是一种介于学术实验室与初创公司之间的新型研究实体,专门攻克那些传统科研模式难以触及的难题。Convergent Research 由 Adam Marblestone 创立,他是一位计算神经科学家,曾任职于 Google DeepMind,也曾深度参与 Neuralink 的早期工作。 这笔资金来自贝佐斯探索基金(Bezos Expeditions)——这是杰夫·贝佐斯用于个人投资的载体之一——以及 Open Philanthropy,后者是由 Facebook 联合创始人 Dustin Moskovitz 支持的慈善机构。 --- **寻找"奥秘中的奥秘"** 大脑如何学习,至今仍是神经科学中最深刻的未解之谜之一。 人类大脑拥有约 860 亿个神经元,这些神经元通过数以万亿计的突触相互连接。当我们学习新事物时,这些连接会不断改变——有些增强,有些减弱。但这一切究竟是如何协调运作的?背后是否存在某种统一的逻辑,某种可以被提炼、被复制的"核心算法"? 这正是 Convergent Research 试图回答的问题。 该机构的核心假设是:大脑皮层——负责感知、思维和语言的脑区——在执行各类任务时,依赖一套共通的计算原理。如果能够破译这套原理,不仅可以加深我们对人类智能的理解,还可能为人工智能带来革命性的突破。 "这是神经科学领域的'奥秘中的奥秘'," Marblestone 曾表示,"我们之所以还不知道答案,并不是因为这个问题不重要,而是因为解决它需要一种特殊的研究方式。" --- **为何需要新型研究机构** 传统学术研究的资助体系倾向于奖励短期内可发表的成果,而像"破解大脑学习算法"这样的宏大目标,往往需要数年乃至数十年的持续投入,并且要求来自神经科学、物理学、工程学和计算机科学的研究者紧密协作。 这正是 FRO 模式的出发点。与普通创业公司不同,FRO 不以盈利为首要目标,而是聚焦于具有重大公共价值但市场回报不明确的基础研究。与学术实验室不同,它拥有更稳定的长期资金和更灵活的运作方式。 Marblestone 将这种模式比作曼哈顿计划或贝尔实验室——在一个清晰的使命驱动下,汇聚顶尖人才,打破学科壁垒,集中力量解决一个"大问题"。 --- **对人工智能意味着什么** 这项研究的潜在影响,远不止于神经科学本身。 当前最先进的人工智能系统,包括 GPT 系列大语言模型,都依赖一种叫做反向传播(backpropagation)的训练算法。这一算法虽然强大,但与大脑的工作方式相去甚远——它需要海量数据和巨大的计算能量,而人类婴儿只需看几次就能认出一只猫。 如果研究者能够找到大脑皮层用于学习的真实算法,并将其转化为可工程实现的形式,理论上就可以构建出更高效、更通用的 AI 系统——能够像人类一样,从少量样本中快速学习,并将知识迁移到全新的场景中。 这一愿景,吸引了贝佐斯和 Moskovitz 押注于这场听起来疯狂却又无比诱人的探索。 --- 这场探索能否成功,没有人知道。但在 Marblestone 看来,值得一试——因为如果成功,将彻底改变我们对智能本质的认知。

Wired

Jeff Bezos 已向 Flourish 投资,这是一家神经 AI 初创公司,估值达 25 亿美元,已获得 5 亿美元融资。该公司由前 Amazon 高管 Rob Williams 和神经科学家 Thomas Reardon 共同创立。公司致力于构建名为 Cortex AI 的脑启发式 AI 系统,该系统可在 50 瓦或更低的功耗下运行,并具备持续学习能力,旨在解决当前大语言模型(LLM)的关键局限性。