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

英伟达谷歌抢投AI独角兽新秀,欧洲史上最大种子轮诞生

编程导航
编程导航
2026-04-28 23:51
阅读 109
编程导航
2026-04-28 23:51
阅读 109

智东西(公众号:zhidxcom)
编译 | 刘煜
编辑 | 陈骏达

智东西4月28日消息,今天,据路透社报道,由前谷歌DeepMind首席科学家戴维·席尔瓦(David Silver)创立的英国AI独角兽Ineffable,已完成11亿美元(约合人民币75.14亿元)的种子轮融资,估值达到51亿美元(约合人民币348.31亿元)。本轮融资由美国红杉资本与光速创投领投,英伟达、谷歌和英国国家AI风投基金Sovereign AI等企业和机构共同参投。Ineffable称,该轮融资为欧洲迄今为止金额最高的种子轮融资。

目前,这家初创企业的盈利模式、产品落地时间及收益规模均尚不明确。

Ineffable成立于2025年11月,其目标是打造一个超级学习系统(Superlearner)。该系统无需依靠人类数据,将通过自主实践探索一切知识,覆盖基本的运动技能(motor skill)到高阶智力突破的全部范畴。

Ineffable的创始人兼CEO Silver最广为人知的身份,是AlphaGo背后的核心研究员。他主导了AlphaGo、AlphaZero以及AlphaStar的研发,全程参与了DeepMind强化学习体系的搭建与迭代。

Silver与谷歌DeepMind联合创始人兼CEO德米斯·哈萨比斯(Demis Hassabis)是大学同学,二人都曾就读于剑桥大学。在剑桥学习期间,Hassabis教会了Silver下棋,其中包括围棋。

在拿到剑桥大学文学学士学位后,Silver前往加拿大阿尔伯塔大学攻读计算机科学博士学位,师从图灵奖得主、强化学习之父Richard Sutton。

英伟达谷歌抢投AI独角兽新秀,欧洲史上最大种子轮诞生

▲David Silver(图源:Silver个人网站)

本科毕业后,Silver于1998年与Hassabis共同创办了游戏公司Elixir Studios,同时出任CTO与首席程序员。之后,Hassabis与另外二人联合创办了DeepMind。在DeepMind成立之初,Silver便担任该公司顾问,并于2013年正式加入,任职10余年之久。

在DeepMind任职期间,Silver的研究重点是深度强化学习,这是一个将强化学习与深度学习相结合的领域。他参与了多款智能程序的研发,其中,由Silver主导研发的AlphaGo,是首个在围棋比赛中击败顶级职业棋手的程序。

之后,他带队打造出AlphaZero,该程序依托同源AI架构从零自主研习围棋,后续以相同训练逻辑掌握国际象棋与将棋,综合实力远超同期所有同类程序。此外,他联合主导了AlphaStar项目,该款程序能够在高难度策略游戏《星际争霸Ⅱ》中,达到人类职业电竞选手的竞技水准。

在工业界之外,Silver还在伦敦大学学院(UCL)担任教授。

创立Ineffable之初,Silver在该公司博客发布个人随笔称:“世界需要一个舞台,让强化学习范式的雄心得以充分施展。在那里,我们直面智能的根本命题:如何(让AI)通过对环境的体验,去发现未知的知识。”

他还说道:“AI生成语言、视频、代码等,已有完善生态持续发展,无需我再涉足。而Ineffable,是我毕生追求的事业。”

据《连线》昨日报道,Silver称:“我从Ineffable项目中获得的所有收益,都将捐赠给具备高社会影响力的慈善机构,用以挽救更多生命。”

结语:天价融资扎堆新锐AI企业,非大模型赛道正加速突围

目前,Ineffable仍处于早期研发周期,其技术方案尚未成熟,商业化模式与落地规划尚不明确。在巨额资本加持之下,该公司依托强化学习路线能否突破现有AI技术瓶颈、平衡前沿探索与商业可持续发展,或成为接下来行业关注的核心焦点。

今年年初以来,各类新兴独立AI实验室融资规模已达数十亿美元。由图灵奖得主、前Meta首席AI科学家杨立昆联合创立的AMI实验室,已于今年3月完成了10.3亿美元种子轮融资,投前估值达35亿美元。

全球顶尖NLP学者理查德・索彻(Richard Socher)正为其个人实验室接洽融资,该企业估值已达40亿美元。此外,由前OpenAI高管米拉・穆拉蒂(Mira Murati)创立的AI初创企业Thinking Machines,正在洽谈新一轮融资,预估估值约500亿美元。

一众顶尖科研人才纷纷脱离科技大厂,扎堆创办独立AI实验室,不同于当下主流的大语言模型赛道,这批新兴研发团队正跳出大模型的同质化竞争,转向强化学习、现实场景感知等前沿方向,探索差异化的技术路线,正掀起新一轮AI浪潮。

原文链接: 英伟达谷歌抢投AI独角兽新秀,欧洲史上最大种子轮诞生
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
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
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。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
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!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260
🔥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
墨得问题墨得问题