年中盘点:2021年最炙手可热的10家AI初创公司

本文介绍了2021年十家值得关注的人工智能初创公司,它们在办公自动化、客户服务、机器学习操作等领域取得了显著成就。这些公司不仅提高了工作效率,还改善了客户体验。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

2021年刚刚过去一半,那些专注于人工智能的热门初创公司,就展现出AI在办公场景和现场环境下的可访问性和使用方面的巨大潜力,他们证明了释放AI创新并不止是科技巨头的目标。

本文中提及的10家热门AI初创公司利用他们的技术实现了办公任务自动化,改善了员工和客户之间的互动。IBM、微软和Palo Alto Networks等科技巨头花费投入数百万美元开发AI产品和收购外部公司加强他们的投资组合——但同时,有大量风投资金正在涌入AI初创公司,并孕育了很多创新性的成果。

IDC今年2月发布了一份声明,预测2021年全球AI软件、硬件和服务收入将达到3275亿美元,同比增长16.4%。到2024年,该市场应该突破5000亿美元。下面,就让我们来看看这10家热门的AI初创公司。

Aisera

高管:Muddu Sudhakar,首席执行官、联合创始人

总部:美国加州帕洛阿尔托

Aisera提供的对话式AI和对话式机器人流程自动化(RPA)可以让员工和客户在无需其他人帮助的情况下解决各种问题。

Aisera的AI Service Desk可以解读意图、情绪和信息,用于自助式解决IT、HR、客户服务和其他运营问题。根据Aisera的网站信息显示,其产品与票务系统、呼叫中心和其他服务进行了集成,可降低解决客户和员工问题所需的成本和时间。

网站显示,Aisera的客户包括8x8、Dartmouth College、Zoom和Autodesk。Aisera的AI虚拟助手利用自然语言处理和自然语言理解技术来解释超过一万亿条短语。

今年4月Aisera在C轮融资中获得了4000万美元,用于进一步推动在企业IT、人力资源和客户服务领域的上市战略。根据当时的公司声明显示,到目前为止Aisera的总融资金额超过9000万美元。

声明称,Aisera当时的客户规模超过了6500万用户。公司首席执行官Muddu Sudhakar此前把自己创立的公司卖给了VMware和Splunk。

今年1月Aisera宣布与Cisco Webex进行集成以改善远程员工的服务台体验。除此之外,Aisera还与Zoom、Slack和微软Teams进行了集成和合作。

去年,Aisera因向医疗提供商和政府机构提供免费援助而受到关注。公司首席执行官Sudhakar当时表示:“拥有一款可以提供虚拟协助、协作的工具,[是很有帮助的,]这就是AI的用武之地,我们将其称之为‘对话式AI’。充分利用AI,这就是AI可以给人类带来的好处。”

据Crunchbase的信息显示,Aisera成立于2017年。

Algorithmia

高管:Diego Oppenheimer,联合创始人、首席执行官

总部:美国西雅图

Algorithmia为机器学习操作(MLOps)提供了一个平台,能够交付AI模型和规模化生产以更快速地得出结果。该平台旨在让用户在管理成本和使用基础设施的同时,加载、编目和验证各种模型。

根据Algorithmia的网站信息显示,该公司的无服务器工具可以运行在CPU和GPU上,支持云、本地环境和混合环境。Algorithmia的集成合作伙伴包括Datadog、GitHub、Splunk和VMware。

Algorithmia的网站上列出了来自EY和Raytheon Intelligence and Space等企业的证言,同时被GigaOM列为市场领导者,以及被纳入CB Insights年度AI 100名单。

今年3月Algorithmia发布了新的报告和风险评估工具,用于管理生产中的AI模型。据Crunchbase信息显示,该公司成立于2014年,迄今已筹资约3800万美元。

Deeplite

高管:Nick Romano,首席执行官、联合创始人

总部:加拿大蒙特利尔

Deeplite致力于将AI计算引入汽车、无人机、相机等各种设备中。

根据Deeplite的网站信息显示,这家初创公司的工具旨在加速深度神经网络(DNN)并提高其能效,从而为企业节省云和硬件后端的资金。

Deeplite Neutrino工具用于加速和扩展用户与硬件无关的软件。今年5月Deeplite发布了该工具的免费版本,以鼓励用户积极反馈和提出新的想法。网站显示,Deeplite已经为汽车、智能手机、智能相机和边缘设备提供了相关解决方案。

根据今年早些时候Deeplite的一份声明显示,该公司在4月进行的种子轮融资中获得600万美元,用于加强研发、招聘和市场扩张。Deeplite成立于2019年。

Diwo

高管:Krishna Kallakuri,创始人、首席执行官

总部:美国密歇根州诺斯维尔

Diwo的AI工具旨在实现业务洞察流程的自动化,配合其他方法一起,为企业高管提供一个集中空间用于预测增长机会和量化个人决策对收入的影响。

根据Diwo的网站信息显示,该公司的解决方案通过信用风险管理帮助零售企业改善库存管理和金融服务业务。Diwo的平台采用了自然语言界面,可引导用户获得不同的洞察和流分析,以实时做出决策。

Diwo的工具可以使用第三方开发模型来改进事件流,可部署在云端或本地。根据Crunchbase的信息显示,Diwo公司成立于2014年。

Diwo公司首席执行官Krishna Kallakuri此前曾担任DataFactZ公司的首席执行官,而首席运营官Razi Raziuddin之前曾就职于DataRobot、IBM和EMC等公司。

Eightfold.AI

高管:Ashutosh Garg,创始人、首席执行官

总部:美国加州圣克拉拉

Eightfold.AI在今年6月10日进行的E轮融资中获得了2.2亿美元,用于发展合作伙伴生态系统、AI驱动的员工再培训和技能提升平台。

根据Eightfold.AI公司的网站信息显示,Eightfold的Talent Intelligence Platform平台为客户提供了一种查看员工、求职者和承包商角色和技能的方法,Eightfold的AI采用了神经网络从数十亿个全球数据点中提取洞察力。

Eightfold的投资方包括SoftBank基金、General Catalyst和Capital One Ventures,合作伙伴包括德勤、SAP、普华永道、埃森哲和Oracle。

根据Crunchbase的信息显示,这家初创公司成立于2016年,迄今已经筹资3.968亿美元。

Otter

高管:Sam Liang,首席执行官、创始人

总部:美国加州洛斯阿尔托斯

Otter为用户提供了一个AI驱动的工具,来实时记录和查看对话。Otter的平台允许用户从任何设备搜索过去的对话、编辑文字记录并进行整理,主要用于商务会议、课程和其他场景。

根据Otter网站信息显示,用户可以训练该工具识别语音并学习常用术语。

今年5月,Otter发布了面向商业用户的Otter Assistant工具,可以自动加入用户日历上的Zoom会议,做会议记录,并共享给其他没有参加会议的人员。Otter的工具支持Google和Microsoft Outlook日历。Otter.ai应用还可与Google Meet等视频会议平台配合使用。

今年2月Otter在B轮融资中获得了5000万美元,用于将员工规模扩大两倍并加大营销力度。根据当时的声明表示,曾就职于Coursera、Disney Mobile和eBay等公司的Kurt Apen加入Otter公司,成为公司第一任首席营销官。Otter的应用在全球230多个国家和地区采用,转录了超过1亿次会议,时长达30亿分钟。

根据Crunchbase的信息显示,Otter公司成立于2016年,迄今已经筹资7300万美元。

Run:AI

高管:Omri Geller,联合创始人、首席执行官

总部:以色列特拉维夫

Run:AI在今年1月的B轮融资中获得了3000万美元,用于扩大员工规模以及加大产品和服务的上市力度。Run:AI的产品和服务可以把GPU拆分为更小的实例,为企业组织节省资金,最大限度提高AI基础设施的利用率。

根据Run:AI的网站信息显示,Run:AI的平台通过将数据科学工作负载与硬件分离,让数据科学团队更好地使用所有可用资源,增加运行实验的数量,并为IT团队提供对AI堆栈的控制和可见性,而且该平台是作为Kubernetes插件实施的。

根据Crunchbase的数据显示,Run:AI公司成立于2018年,起劲共筹资4300万美元。

Soul Machines

高管:Mark Sagar,首席执行官、联合创始人

总部:美国旧金山

Soul Machines利用AI为客户品牌体验打造数字化形象。根据Soul Machines的网站信息显示,Soul Machines提供的数字化形象可以处理信息、表达情感、并在对话期间保持眼神的交流,可以用作在线商店的虚拟购物助理、在线银行专家、在线医疗助理等用途。

今年5月Soul Machines发布了其AI平台的新版——Human OS 2.0,增强了数字形象的交互能力。根据当时的声明称,这种栩栩如生的虚拟形象加入了更多的身体动画,双手可以做手势并支持在屏幕上进行内容互动。而且新功能不需要预先录制、脚本或Puppeteering操作。

Soul Machines的合作伙伴包括Procter and Gamble、NBA球员Carmelo Anthony和世界卫生组织。

根据Crunchbase的数据显示,该公司成立于2016年,迄今已经筹资总计6500万美元。

SupportLogic

高管:Krishna Raj Raja,创始人、首席执行官

总部:美国加州圣何塞

SupportLogic提供的持续交付服务体验(SX)平台可以用于改善服务交付和客户关系。该平台利用AI来提取和分析结构化数据和非结构化数据。

根据其网站信息显示,SupportLogic的客户包括Nutanix、Databricks和Rubrik。

今年5月SupportLogic任命了一位新的首席营收官和工程副总裁。根据当时的声明称,信任CRO John Kelly之前曾就职于Hired、Oracle和SAP。Sreeni Iyer曾就职于Precog、Walmart和Shutterfly。

根据SupportLogic的声明,公司在2020年走出隐身状态,新客户数量同比翻了两番,而且在过去的一年中SupportLogic通过AI分析的客户互动次数从1500万次增加到超过6000万次。

今年2月,SupportLogic推出了Agent SX指导和反馈交付工具,为代理提供基于自然语言程序的建议,建议应该优先处理哪些案例,以及如何提高绩效。

迄今为止,SupportLogic已经筹资1200万美元。根据Crunchbase的信息显示,公司是成立于2016年。

Symbl.ai

高管:Surbhi Rathore,首席执行官、联合创始人

总部:美国西雅图

Symbl.ai提供的AI工具可用于在语音、文本和视频驱动的应用中构建和部署对话智能功能。

根据该公司的网站信息显示,用户可以从非结构化对话数据中提取摘要主题、主题层次结构和范围,用于衡量基于主题的情绪并产生洞察力,包括跟帖、主题、问题和意图,以使应用变得更加个性化。

今年Symbl.ai通过举办黑客马拉松活动,吸引开发者使用其工具和服务去发现Symbl API与主流工具平台之间的集成和功能,并为这些开发者们提供了5000美元的奖金。

今年5月Symbl.ai发布了Trackers上下文相似性识别工具的测试版,该工具可以更好地追踪关键短语、自定义意图和业务洞察力,例如,质量保证用户可以在对话中输入“质疑”和“问题”等负面词时进行跟踪。销售用户可以追踪对话内容中的定价详细信息。

根据Crunchbase的信息显示,该公司成立于2018年,迄今已经筹资了约700万美元。

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值