鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

超5000万!宠物情感AI创企获新融资,华人创办,要做宠物行为“翻译”项圈

编程导航
编程导航
2025-12-31 23:51
阅读 225
编程导航
2025-12-31 23:51
阅读 225

智东西(公众号:zhidxcom)
作者 |  王欣逸
编辑 |  程茜

智东西12月31日消息,12月29日,硅谷宠物情感AI创企Traini宣布完成750万美元(约合人民币5240.7万元)新一轮融资,融资完成后,该公司将推出全球首款用于宠物的认知型可穿戴设备。

本轮融资由榕树资本、Silver Capital、ZhaoTai Group和NYX风投领投,Starting Gate Fund、Jade Capital及多位科技领域知名投资者跟投,包括英伟达的多位副总裁、Anthropic技术团队成员Julian Qian、高榕资本创始合伙人郑伟鹤、南山资本创始合伙人何佳、Plug and Play中国首席执行官徐洁平以及Edgewater Investments创始合伙人Zach Zhang。Traini现有投资者陶石资本、小米联合创始人洪锋持续加注。

本轮资金主要用于多模态情感模型的研发、软硬件产品迭代及海外市场拓展。

Traini创立于2022年,是全球首家也是目前唯一一家运用多模态生成式AI翻译宠物行为的技术公司,由联合创始人孙邻家(Arvin Sun)和洪杰森(Jason Hong)创立,该公司的核心软件产品PEBI(Pet Empathic Behavior Interface,宠物共情行为接口)支持文本、图像、视频、音频多模态交互,能通过分析宠物的叫声、表情和行为,精准理解宠物的心理情绪状态。

此前,Traini还获得来自谷歌、Meta及Palo Alto Networks等公司的高管个人投资,并获FutureX Capital、蓝驰创投、陶石资本等机构注资。

一、硅谷华人创始团队,模型覆盖近120种犬,能翻译犬类行为、情感

孙邻家是Traini的首席执行官,是一位华人连续创业者,据领英主页,他毕业于三峡大学,曾在国内创立了美容养生服务公司易美佳人、物流平台公司闯客行、餐饮服务公司蒙奇奇咖啡等企业,随后前往硅谷,创立了北美华人即时配送平台Gesoo。2022年,孙邻家创立了Traini,最初其定位是AI互动宠物训练平台,提供数字课程和在线培训师,并融合部分AI功能。

超5000万!宠物情感AI创企获新融资,华人创办,要做宠物行为“翻译”项圈

▲Traini联合创始人兼首席执行官孙邻家(图源:Traini)

洪杰森现任Traini的AI负责人,曾在AI数据标注公司Scale AI、OpenAI和百度美国工作,积累了模型开发经验。

超5000万!宠物情感AI创企获新融资,华人创办,要做宠物行为“翻译”项圈

▲Traini联合创始人兼AI负责人洪杰森(图源:Traini)

在产品上,Traini曾于2022年推出了智能化宠物培训互动平台Traini App,并于2023年推出了自然语言行为分析模型PetGPT,该模型在其覆盖用户中使用率超过99%,相关服务使用率提升了70%;该公司还于今年初推出了AI产品推荐采购系统T-Agent,这一模型能够自主识别犬只的真实需求。

超5000万!宠物情感AI创企获新融资,华人创办,要做宠物行为“翻译”项圈

▲PetGPT模型(图源:Traini)

Traini攻克了数据稀缺与环境复杂两大难题,并通过多模态融合技术,整合图像、视频、音频数据来训练其PPI(宠物感知交互)模型。

在数据上,该公司引入了用户人宠交互数据,匿名反馈到模型训练中,这让该公司得以构建多品种、多场景、多情绪的音视频数据集。此外,Traini不仅与宠物行为专家合作进行大规模数据标注,还创新性地采用了“人宠声谱图对比”方法,以人类在表达相应情绪和意图时的语音频谱图为基准,与宠物的发声模式进行比对,从而提升情绪映射的精度。

Traini的模型能够覆盖近120种犬类,情绪翻译准确率最高可达94%。在应用场景上,PEBI可应用于行为翻译、情绪识别、个性化服务匹配以及宠物辅助医疗诊断。此外,Traini还向宠物诊所和硬件公司提供API接口,以赋能医疗服务与智能设备之间的交互。公司已与头部智能手机及电动汽车品牌建立深度合作,未来用户将能直接通过手机操作系统和车载娱乐系统与宠物进行实时交流。

Traini和全美近4万家本地宠物商店建立了合作,已服务超过200万只犬,相关视频在YouTube上的播放量已突破7000万次。目前,Traini智能项圈已在Traini官方应用(Traini App)及官网traini.app开放预订。

二、将推出全球首款认知型宠物类可穿戴设备,还可用于健康监测

本轮融资后,Traini将推出其首款智能硬件产品——认知型宠物智能项圈。这是全球首款认知型宠物可穿戴设备,同时,它也是首个基于生成式AI、能实现人狗“语言”翻译的装置。

Traini智能项圈融合了AI与实时情绪追踪技术,搭载了自研的情感唤起模型、3D宠物情绪模型及即时情绪向量。该模型基于900余项动物行为学术研究,并利用超过200万只犬的行为数据训练而成。

值得一提的是,这款项圈能够自主识别并追踪犬类的喜悦、焦虑、兴奋、痛苦等情绪状态,并将其转化为人可理解的语言,实现涵盖叫声、情绪、行为乃至“想说的话”的实时双向沟通。通过分析犬吠声以及心率、体温、肢体活动等生命体征,AI项圈能够综合解读数据,生成完整的宠物情感画像,并提供可操作的互动建议。

除了日常关怀,该设备还可应用于宠物健康监测领域,它能持续追踪情绪与生理信号,有助于早期发现健康问题。

结语:AI正深度融入垂直生活场景

据VentureBeat,有投资者称Traini是垂直领域AI应用的突破典范。Traini再获一轮融资,其中不乏有英伟达、Anthropic的科技从业者等在内的资本背书,意味着该公司的技术路径和应用场景得到了业内人士的认可。

孙邻家称:“我们的使命是开发一种智能技术,重新激发‘毛孩子们’的天性本能,在宠物与人类间建立真正的心灵纽带。”随着多模态AI技术的不断成熟,AI正以前所未有的深度融入并改变着诸如宠物情感陪伴这样的垂直生活场景,

来源:VentureBeat、Traini

原文链接: 超5000万!宠物情感AI创企获新融资,华人创办,要做宠物行为“翻译”项圈
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230