Probably 获得 900 万美元融资，构建更可靠的人工智能

# Probably 融资900万美元，构建更可靠的AI | TechCrunch 来源：https://techcrunch.com/2026/06/16/probably-raises-9m-to-build-a-more-reliable-kind-of-ai/ 随着LLM越来越强大，幻觉问题却顽固地难以根除。即使最聪明的模型也会出现错误，虽然有一些方法可以捕捉这些错误，但业界仍在摸索最佳方案。 刚刚从Andreessen Horowitz获得900万美元种子轮融资的** Probably**（https://www.probably.dev/ ）正试图构建一种更严谨的错误捕捉方法。 正如创始人Peter Elias（上图所示）所说，公司的目标是防止幻觉和简单事实错误传播到用户端，并实现确定性系统中常见的99.99%准确率——这一水平在AI中要难得多。事实证明，要让LLM达到这一准确率，需要重新思考AI工程的许多基本假设。 Probably的首款产品是一款数据科学工具，旨在从复杂数据集中快速给出答案。每个结果都附带引用和生成路径的审计追踪，这在AI工具中已越来越常见。 但要防止错误混入这些摘要，需要一套精密的约束系统——Elias将其描述为“数据科学机甲套装”。LLM的初步答案会与一个确定性验证系统进行核对，任何与数据集不符的结果都会被驳回。该公司表示，关键在于LLM已经过验证器的训练，并且整个系统针对快速准确的答案进行了优化。 “我们在构建过程中学到的是：约束工程做得越好，模型就可以越弱，”Elias说。“如果能把上下文提炼得足够充分，模型就不需要费太大力气去做正确的事。基本上，这是一个减少模糊性的过程。” 这使得Probably的数据科学工具可以在明显更小的AI模型上运行。Elias表示，当前版本运行的模型“比前沿模型弱四个级别”，这意味着它可以在本地硬件（即台式电脑而非数据中心）上运行，从而大幅降低与AI使用相关的token成本。 在token成本上升、许多客户重新评估AI预算（https://techcrunch.com/2026/06/09/can-tech-companies-learn-to-love-cheaper-models/ ）的当下，这是一个受欢迎的理念。而且，Elias的想法不止于数据科学——同一引擎可以扩展到会计或医疗服务等用例，按Elias的说法，就是“任何对精度敏感的用例”。 “我认为非常有趣的是，大型AI实验室甚至都没有尝试过这条路，”Elias说。“他们没有动力去做，因为模型需要你多次纠正，他们才能赚到更多钱。” *通过我们文章中的链接购买产品，我们可能会获得少量佣金（https://techcrunch.com/techcrunch-affiliate-monetization-standards/ ）。这并不影响我们的编辑独立性。* Russell Brandom自2012年开始报道科技行业，重点关注平台政策与新兴技术。他曾任职于The Verge和Rest of World，并为Wired、The Awl以及MIT Technology Review撰稿。联系方式：[email protected]，或通过Signal联系：412-401-5489。 查看简介（https://techcrunch.com/author/russell-brandom/）