Plurai 完成 1300 万美元种子轮融资,将自动驾驶仿真方法用于 AI 智能体测试
Former Nexar AI researchers raise $13 million Seed to bring autonomous-driving simulations to AI agents
AI 公司 Plurai 结束隐身状态,宣布完成 1300 万美元种子轮融资,由 Team8 领投,Velocity、U&I 和 Mercer 参投,同时其平台正式开放。该平台为 AI 智能体构建数字孪生和隔离沙箱,用数千个模拟用户测试真实与对抗场景,并自动生成修复方案;据 Plurai 称,早期客户将智能体开发周期从数月缩短到数小时,到达真实用户的故障减少 82%,运行可靠智能体的成本降低 97%。平台可通过 Claude Code、Codex、GitHub Copilot 和 Cursor 等工具接入,并提供免费层。
正文 · AI 翻译
人工智能公司Plurai已结束隐身状态,完成1300万美元种子轮融资,并宣布其平台正式全面可用。该公司的技术旨在实现AI智能体的测试与改进自动化,既包括部署前的测试,也包括上线后的持续测试,目标是确保其可靠性和性能。Plurai表示,与早期客户的合作已将智能体开发周期从数月缩短至数小时,使到达真实用户的故障减少了82%,并将运行可靠智能体的成本降低了97%。2026年以色列高科技融资轮次完整列表本轮融资由Team8领投,Velocity、U&I和Mercer参投,另有20多位天使投资人和行业领袖参与。Plurai的投资方包括CyberArk创始人Udi Mokady,以及Google Cloud的Google Models高级总监Reah Miyara,后者此前曾在OpenAI领导模型评估工作。Microsoft 365 Copilot首席技术官Eyal Carmi博士已加入该公司顾问委员会。
1 查看图库 Plurai创始人。(照片:Guy Hamui)Plurai由首席执行官Ilan Kadar博士和首席技术官Elad Levi博士于2025年创立。Kadar拥有计算机科学和机器学习博士学位,Levi拥有数学博士学位。两人都是AI研究人员,拥有十多年为全球组织开发和部署大规模AI系统的经验。他们此前曾在Nexar共事,Kadar担任AI副总裁,Levi担任AI架构师。他们的工作包括为Waymo等自动驾驶公司构建系统,这些系统依赖仿真在自动驾驶技术上路前对其进行测试。该公司最近宣布与Nvidia和Nebius开展联合工作,据该公司称,在其中一项工作中,Plurai为一家全球企业客户后训练的模型在准确率上超过了OpenAI和Anthropic的领先模型,成本分别低40倍和44倍。Plurai的技术使开发者能够在大约20分钟内将开放AI模型转变为针对特定任务的专用模型。Plurai目前在以色列和美国拥有约12名员工。该公司计划到2026年底将员工人数翻倍,并扩大其美国业务。新资金将用于扩展其研发团队、深化其企业市场布局,并加速其在美国的增长。该平台此前仅向部分合作伙伴和客户开放,现已向开发者开放,包括通过免费层提供。 可通过Claude Code、Codex、GitHub Copilot和Cursor等工具访问,也可用于测试基于Salesforce Agentforce等企业平台构建的智能体。开发AI智能体的公司面临的主要挑战之一,是从成功的演示走向真实生产环境中的部署,同时保持大规模采用所需的可靠性。如今,构建一个能在演示中运行的智能体可能只需几个小时。更难的部分在于,它必须在企业内部运行,与不同用户、内部系统、外部工具和敏感数据交互,同时处理各种场景和意外情况。与传统软件不同,AI智能体自主做出决策,并且可能对同一请求做出不同响应。即使对提示词、模型或数据集做出相对较小的更改,也可能改变智能体的行为。现有测试方法往往依赖人工或预定义场景,因此难以预判智能体可能遇到的完整情况范围。结果,一些故障只有在系统到达最终用户后才会显现。Plurai引用的一项近期VentureBeat Pulse Research调查发现,半数企业曾部署过通过内部评估的AI智能体或大语言模型功能,但这些功能仍在生产环境中导致了面向客户的故障。 识别问题只是挑战的一部分。修复问题通常涉及通过反复试验手动调整提示词和配置,而且无法保证这些更改不会在其他地方引发问题。与此同时,许多智能体依赖大型、昂贵的语言模型,随着使用量增长,评估每一次交互的成本越来越高。这使得企业投入巨资开发的AI智能体仍停留在试点项目中,而无法实现全面部署。Kadar和Levi开发的解决方案借鉴了自动驾驶汽车领域一个熟悉的原理。在自动驾驶系统面对真实世界条件之前,它们会在旨在复现各种情况的仿真中接受测试和优化,包括常规测试中可能不会出现的异常场景。这一经验为Plurai奠定了基础。该公司的平台利用组织自身的知识库、工具和政策,创建AI智能体及其预期运行环境的数字孪生。随后,它在隔离沙箱中让数千个模拟用户与该智能体交互,测试其对现实场景和对抗性场景的响应。
相关文章:
从隐身到5亿美元估值:前微软工程师融资7000万美元,挑战数据巨头
Spines融资6400万美元,用AI实现图书出版自动化
该流程旨在部署前识别潜在问题,包括违反政策、不准确或捏造的回复、不安全操作、使用外部工具时的错误、任务失败以及敏感数据泄露。Plurai的平台还旨在超越仅仅识别问题。它会针对发现的故障生成修复方案,并让智能体再次运行模拟,以检查其性能是否有所改善,同时未在其他地方引入新问题。模拟数据还被用于创建针对每个智能体特定任务定制的小型语言模型(SLM)。这些较小的模型可以在生产环境中充当持续监控器,检查每一次交互并以远低于大型前沿模型的成本执行公司政策。这旨在让企业能够监控所有智能体活动,而不是仅依赖对一小部分交互样本的评估。Plurai表示,其研究表明,数百个此类专用模型可以在单个GPU上实时提供服务,使该方法在大规模下具有经济可行性。Plurai联合创始人兼首席执行官Ilan Kadar博士表示:“AI系统在遇到无人预料到的后续挑战时会失败。Waymo通过在超过200亿英里的模拟里程(约为其真实世界驾驶里程的100倍)中进行测试和训练来建立信任。Plurai将同样的方法带给AI智能体:在它们接触用户之前,持续用最困难的情况和最罕见的事件挑战它们,从失败中学习,并在这些失败于现实世界中发生之前加以改进。”