Periodic Labs
PulseAugur coverage of Periodic Labs — every cluster mentioning Periodic Labs across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
Anthropic 推出 AI 物理世界代理标准
Anthropic 推出了一项名为 Model Hardware Standard 的新框架，旨在使 AI 代理能够安全地与科学和工业环境中的物理系统进行交互。该标准概述了 AI 代理应如何与显微镜、制造机器和机械臂等硬件互动，目标是加速科学发现和工业自动化。尽管承认了诸如被用于开发生物武器等潜在风险，Anthropic 断言 AI 模型内置的防护措施将缓解这些担忧。
-
前OpenAI高管Kevin Weil为AI科学数据平台融资7.5亿美元
据报道，前OpenAI高管Kevin Weil已为其新公司（尚未命名）筹集到7.5亿美元资金，该公司旨在建立一个为AI模型收集科学数据的平台。此举以及Jeff Dean离开Google创办专注于AI for Science的Discovery Loop，标志着AI for Science (AI4S)领域正从概念讨论转向基础设施建设。Weil的创业项目定位在数据层，旨在构建和提供当前大型语言模型难以利用的海量、碎片化科学数据，这与Op…
-
AI加速科学发现：下一个前沿领域，而非生产力提升
AI最重要的未来影响可能在于加速科学发现，而非仅仅提高生产力。这一转变的证据是顶尖人才（如Jeff Dean和Sanjay Ghemawat）的流动，他们创立了专注于AI驱动研究的新企业，并得到了主要科技公司的支持。Periodic Labs和Lila Sciences等公司正在通过将AI直接整合到实验周期中来开创这种方法，目标是缩短提出问题到获得验证答案之间的时间，从而围绕发现创造新的经济能力。
-
Periodic Labs高管：科学数据将驱动下一代AI训练
Lila Sciences的CTO Andrew L. Beam和CSO Rafa Gomez Bombarelli提出，来自实验、模拟和物理世界的科学数据，在互联网数据枯竭之后，可能成为下一代大规模AI训练数据集。这一观点强调了AI代理和实验室基础设施在自动化科学研究中的日益增长的重要性。
-
AMP创始人表示，AI扩展依赖于效率，而非仅仅是更多的GPU
AMP创始人Anjney Midha认为，AI扩展的争论应侧重于最大化现有GPU的效率，而不是仅仅购买更多GPU。他指出，前沿AI实验室通常在较低的模型浮点运算利用率（MFU）下运行，有些运行的MFU低于10%，远低于GPT-3的21%或PaLM的46%等历史基准。Midha强调，AI开发日益成为一个系统性问题，涉及调度、网络和数据管道，而AMP旨在创建一个计算网格，能够像电网一样高效地分配计算能力。
-
Orbital Industries完成5000万美元融资，用于AI驱动的材料发现
Orbital Industries是一家专注于利用AI发现和制造先进材料的初创公司，已获得5000万美元B轮融资。本轮融资由Plural领投，Nvidia的风险投资部门和其他现有投资者参投。这笔资金将用于扩大其数据中心相关产品的商业部署，扩大团队，并开发其AI平台以应用于更广泛的工业领域。Orbital专有的AI模型Orb，旨在模拟原子行为，据称比主要科技公司的竞争模型速度更快、效率更高。
-
Periodic Labs 以75亿美元估值融资5亿美元
Periodic Labs 已获得5亿美元融资，估值达到75亿美元。这一重要的财务里程碑标志着公司在过去八个月内的估值增长了六倍。公司的增长以及据报道的大型AI组织人才外流，暗示着自主科学研究的潜在转变。
-
Periodic Labs以75亿美元估值筹集5亿美元用于AI科学家
据报道，专注于创建能够通过自动化实验室进行自主发现的AI科学家的初创公司Periodic Labs，正就以75亿美元的估值筹集超过5亿美元进行高级谈判。该公司由前OpenAI和Google DeepMind的研究员创立，旨在通过进行数千次实验来发现包括超导体在内的新材料，从而加速科学突破。这一激进的融资轮是在去年一轮重要的种子轮融资之后进行的，并凸显了对人工智能在科学进步方面日益增长的兴趣。
-
Altara 融资 700 万美元用于 AI 平台，以加速物理科学数据分析
Altara 是一家由前哈佛大学计算机科学系学生 Eva Tuecke 和 Catherine Yeo 创立的初创公司，已获得 700 万美元种子轮融资，用于为物理科学开发 AI 层。该平台旨在整合电池和半导体制造等行业的零散技术数据，这些数据通常散落在电子表格和遗留系统中。通过分析传感器日志、故障报告和其他数据，Altara 的 AI 据称可以将数周的手动数据分类工作缩短到几分钟，从而加速产品改进和故障诊断。