▲ 点击订阅，抓住风口

不知不觉，人工智能热潮即将过去8个月，我们看到了AI技术日新月异，也看到各种AI项目层出不穷。

纷乱复杂中有没有专业一些的思考值得借鉴？

抱着这样的思考，我们升级全新栏目「前哨AI资讯」，定期和你分享AI领域值得关注的技术动态、创业案例、产业变革。

今天，我们翻译了互联网投资人Mario Gabriele的最新纪录，他采访13位硅谷投资人，汇总了红杉、凯鹏华盈等风险机构关注的13家热门企业。

下面，我们和你先分享6家，明天继续看剩下7家都是谁。

Alife

应用人工智能提高试管婴儿成功率

试管婴儿培育中有两个重要的决策，一个是确定女方接受多少剂量的药物，以此促进卵泡生长，这个过程时间掌握的好坏直接影响卵子质量。

另一个是胚胎选择，简单说就是培育的试管婴儿选哪个受精卵。这个过程大多靠临床医生的直觉判断，导致选择的结果好坏差异很大。

Alife公司开发了一套AI工具，通过大量数据训练帮助增强医生的决策能力。

用上Alife，医生只需要输入患者特征就能在关键决策时刻获得建议。

Alife的研究表明，他们的机器学习模型可以帮助医生优化50%药剂使用时间，平均能让客户多获得三个成熟卵子，两个受精卵和一个胚胎。

Alife的产品可以帮助用户降低试管婴儿培育周期和成本，让没有第一手经验的医生也可以表现优异。

Alife工具期待在应用中积累更多的数据，最终让没有专业技能的人也能从事部分工作，通过数据驱动的医疗体系替代人类判断，降低系统噪声。

—丽贝卡·卡登，Union Square Ventures的普通合伙人

Glean

企业搜索及其他

企业随着业务扩大会积累大量的隐性知识，由于没有较好的信息共享模式，导致很多员工无法从过去的积累中获得行业洞见、工作指导。

Arvind Jain 和他的团队构建了Glean工具，由人工智能驱动的工作场所统一搜索平台。

Glean为每位员工配备了一个工作助手，帮助他们在需要时准确找到所需的内容，并主动发现他们应该知道的事情，提高效率还能降低他们的挫败感。

例如，Glean 不仅会搜索您的每一个工作场所应用程序和知识库（Slack、Teams、Google Drive、Figma、Dropbox、Coda 等）；它还理解自然语言和上下文，根据人们的角色和公司间/公司内部的关系个性化每个用户交互。

随着公司组织变得更加分散，知识变得更加分散，像 Glean 这样直观的工作助手不再是可有可无的，而是提高员工生产力的关键工具。

面向企业用户，Glean还提供了本地部署和模型训练服务，解决企业用户的数据隐私担忧。

每个员工需要自己的AI助手，企业同样也需要。

—乔什·科因，凯鹏华盈合伙人

Lance

多模态数据的存储和管理

我们都玩过 Midjourney，并且大多数人都看过GPT-4自动编程。

Midjourney（文本到图像）和 GPT-4（图像到文本/代码）说明了模型成为多模态时的可能性，弥合了文本、图像和音频等不同形式媒体之间的差距。

虽然当前大部分人工智能都基于文字交互，但多模态模型是构建我们所知道的世界的更准确表示的关键，多模态数据如何管理？如何优化？

Lance正是为应对这一挑战而出现的一家公司。

Midjourney 和 WeRide 等公司正在将 PB 级数据集转换为 Lance 格式，与 Parquet 和 TFRecords 等传统格式相比，性能有了显著的改进，增量存储成本也降低了一个数量级。

Lance 并没有止步于存储——他们已经认识到需要重建整个数据管理堆栈，以更好地适应我们正在迈向的世界，在这个世界中，非结构化、多模式数据将成为组织最有价值的资产。

他们的第一个平台产品 LanceDB（现已处于内测阶段）为想要在应用程序中构建多模式功能的开发人员提供无缝的嵌入式体验。

Lance 只是公司将开发人员带入多模式未来的一个例子，我非常兴奋地看到其他技术的出现来突破多模式应用的界限。

–萨尔·古尔，CRV 普通合伙人

Abnormal Security

阻止人工智能增强的网络攻击浪潮

对于生成式人工智能，我是一位毫不掩饰的乐观主义者，但并不天真。

例如，我担心电子邮件钓鱼等“社会工程”攻击大幅增加，这种攻击通常使用电子邮件来提取敏感信息。

Abnormal Security 的数据显示，ChatGPT出现后，每 1,000 人中遭受的攻击次数已从不到 500 起跃升至 2,500 起以上。而且攻击的复杂性正在急剧上升。

正如任何学生都可以使用 ChatGPT 写出一篇完美的论文一样，它也可以用来炮制出语法完美且危险的个性化欺诈消息。

据 FBI 称，自 2013 年以来，此类有针对性的“商业电子邮件泄露”攻击已造成超过 500 亿美元的损失。而且情况还会变得更糟。

每天，无数网络犯罪分子和其他不良行为者都会使用“WormGPT”等黑帽工具，“WormGPT”是一种聊天机器人，旨在挖掘恶意软件数据，以制定最令人信服且可扩展的欺诈活动。

幸运的是，Abnormal 联合创始人 Evan Reiser 和 Sanjay Jeyakumar 正在努力利用人工智能来应对这一威胁。把它想象成用人工智能来防御人工智能。

从历史上看，电子邮件安全系统会扫描已知不良行为的签名，例如特定的 IP 地址或尝试访问员工的个人身份信息 (PII)。

借助人工智能的力量，Abnormal彻底颠覆这一现状。

Abnormal 使用大型语言模型来理解人们的交互模式，预防可能的欺诈行为。

例如人们通常互相交谈的内容以及他们可能围绕什么进行互动。如果我的搭档 Reid Hoffman 给我发了一封电子邮件，内容是：“嘿，请给我发送 Inflection.AI 的最新套牌。”Abnormal 的 AI 引擎很快就会注意到 Reid 很少以“Hey”开头，也很少发送单句笔记，据此提醒我这封邮件有问题。

用AI来对付AI，这种新方式给了我们新启发和新希望。

– 山姆·莫塔梅迪，Greylock 合伙人

Dust

增强知识型员工

大型语言模型（LLM）将提高知识工作者的生产力。但目前还不清楚具体如何。

Dust 的使命就是解决这个问题。

Dust 构建了一个平台，可以对公司的实时内部数据（Notion、Slack、Drive）进行索引、嵌入和保持更新。

Dust 联合创始人 Gabriel Hubert 和 Stanislas Polu 将一家公司卖给了 Stripe，并在那里工作了五年。他们亲眼目睹了快速增长的公司如何与规模作斗争。

Dust可以自行更新文档，每当公司中出现一条需要更新其文档的信息时，文档所有者都会收到通知和预先制定的建议。

结构化事件提取，根据预定义的模板从非结构化数据（例如 Slack 线程）生成结构化事件。

内部数据监控，使用智能规则监控企业数据。例如，如果个人身份信息 (PII) 无意中出现在不该出现的地方，您就会收到警报。

 Dust 的创始人相信众多功能组合到一起，最终能打造一款连贯好用的产品。

Dust仍处于探索的早期阶段，基于最初的迭代，他们相信已经证实了自己的核心假设：知识型员工可以通过能够访问公司数据的 LLM 应用程序来增强自己。

– 康斯坦丁·布勒，红杉资本合伙人

Labelbox

解锁业务数据

“大数的兴起”已经是二十多年前的事了，尽管公司不断吸收比以往更多的数据，但许多公司仍然难以利用这些数据从人工智能模型中生成见解。

数据处理和注释仍然是人工智能过程中最繁琐和最昂贵的部分，即使预先训练的大型语言模型有所增加，企业也需要专注于使用其专有数据（跨多种模式）来创建生产人工智能，从而带来差异化的服务、洞察力和提高运营效率。

Labelbox 通过简化数据集输入解决这个问题。

Labelbox可以帮助数据和机器学习团队找到正确的数据，对其进行处理和注释，将模型投入生产，并持续衡量和提高性能。

Labelbox 的新平台利用了生成式人工智能驱动，只需点击几下即可预先标记数据并快速进行试验，了解哪种模型在他们的数据上表现最好。

传统上，人类需要几天的时间才能完成一项简单但耗时的任务，例如对具有多个文本段落的电子商务列表进行分类，使用 GPT-4，该任务可以在数小时内完成。

早期结果表明，超过 88% 的标记任务可以通过一个或多个基础模型得到有意义的加速。

Labelbox 无需编码和构建管道来将数据输入模型，而是让任何人只需点击几下即可预先标记数据。它旨在使团队能够协作工作并吸收跨职能的专业知识，以维持数据质量保证的人工监督。该功能允许机器学习专家和中小企业轻松评估模型、丰富数据集并协作构建智能应用程序，从而实现人工智能的普及。

– 罗伯特·卡普兰，软银合伙人

剩下7家AI创业企业，我们明天继续分享。