ค้นพบความสนใจของคุณ ไปด้วยกัน

ดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

ค้นพบความสนใจของคุณ ไปด้วยกันดีลจริง รีวิวตรงไปตรงมา และเรื่องราวการช้อปปิ้งจากคนที่มีความสนใจเดียวกับคุณ — ทุกวันบน ZestBuy

เงินทุนรอบใหม่เร่งสร้างโครงสร้างพื้นฐานให้เอเจนต์ AI

เงินทุนรอบใหม่เร่งสร้างโครงสร้างพื้นฐานให้เอเจนต์ AI
ความสนใจ|สำรวจการใช้งาน AI

จากเอเจนต์ที่ตอบคำถาม สู่ระบบที่ทำงานต่อเนื่อง

โครงสร้างพื้นฐานสำหรับเอเจนต์ AI คือระบบที่ช่วยให้ซอฟต์แวร์อัจฉริยะเชื่อมโยงข้อมูล จดจำความรู้เดิม และลงมือทำงานในกระบวนการจริงได้ต่อเนื่อง แทนการตอบคำถามเป็นครั้ง ๆ โดยไม่เข้าใจบริบทหรือผลกระทบของการกระทำ เงินลงทุนระลอกล่าสุดชี้ว่าโจทย์สำคัญไม่ได้อยู่ที่การทำให้โมเดลพูดเก่งขึ้น แต่อยู่ที่การทำให้มันทำงานร่วมกับองค์กรและโลกจริงได้ไว้วางใจมากขึ้น

ภาพรวมจาก Shackleton AI, PuppyGraph, Graphon Labs และ Physicl สะท้อนการลงทุนในสี่ชั้นที่เกื้อหนุนกัน ได้แก่ งานปฏิบัติการเฉพาะอุตสาหกรรม การเข้าถึงข้อมูลองค์กร ระบบความจำ AI และข้อมูลฝึกสำหรับ AI ทางกายภาพ นี่เป็นทิศทางที่สมเหตุผล เพราะเอเจนต์ที่มีโมเดลเก่งแต่เข้าถึงข้อมูลไม่ครบ ลืมบริบท หรือพลาดเมื่อเจอสถานการณ์จริง ย่อมสร้างคุณค่าได้จำกัด การแข่งขันจึงกำลังขยับจากการสาธิตความสามารถไปสู่การสร้างระบบที่รับผิดชอบงานต่อเนื่อง

เอเจนต์องค์กรต้องเข้าใจงานและข้อมูลที่มีอยู่แล้ว

Shackleton AI ระดมทุนรอบซีดโดยมี Battery Ventures เป็นผู้นำ เพื่อพัฒนาแพลตฟอร์มเอเจนต์สำหรับงานพัฒนาโครงการและ AI งานก่อสร้าง ซึ่งเชื่อมแผนงาน การเงิน รายงานหน้างาน และการสื่อสารเข้าด้วยกัน บริษัทเริ่มจากปัญหาที่ผู้ก่อตั้งพบในธุรกิจรับเหมาเอง นั่นคือการประสานงานผ่านซอฟต์แวร์หลายระบบและการย้ายข้อมูลซ้ำ ๆ ทำให้ผู้จัดการโครงการเสียเวลาแทนที่จะดูแลงานจริง

บริษัทระบุว่าแพลตฟอร์มเริ่มให้บริการในเดือนมิถุนายน 2026 และบริหารโครงการที่มีมูลค่ารวมมากกว่าหนึ่งพันล้านดอลลาร์ในหลายรัฐ โดยตัวเลขนี้หมายถึงมูลค่าโครงการที่ผ่านซอฟต์แวร์ ไม่ใช่รายได้หรือมูลค่าบริษัท แผนต่อไปคือขยายงานที่เอเจนต์จัดการได้และเร่งการนำผลิตภัณฑ์ออกสู่ตลาด จุดแข็งของแนวทางนี้คือการเริ่มจากกระบวนการที่เจ็บปวดจริง แต่ความสำเร็จจะขึ้นกับความแม่นยำของข้อมูลและความสามารถในการรับมือข้อยกเว้นหน้างาน

PuppyGraph ระดมทุนรอบซีรีส์เอเพื่อให้เอเจนต์องค์กรสืบค้นข้อมูลที่กระจายอยู่ในระบบและตารางจำนวนมาก โดยไม่ต้องย้ายข้อมูลไปยังฐานกราฟแยกต่างหาก เมื่อเริ่มใช้งานจริง คำถามหนึ่งอาจต้องเชื่อมตารางถึงสามพันชุด หลายระบบ และความสัมพันธ์ด้านตัวตน สิทธิ์ และโครงสร้างพื้นฐาน รุ่น PuppyGraph 1.0 สร้างโครงสร้างกราฟจากตารางเดิมให้ทีมตรวจทาน พร้อมรองรับการสืบค้นขนาดระดับเพตะไบต์และเวลาตอบสนองต่ำกว่าหนึ่งวินาทีตามที่บริษัทระบุ

สิ่งที่น่าสนใจไม่ใช่เพียงความเร็ว แต่คือการลดภาระเตรียมข้อมูลและโอกาสที่เอเจนต์จะเดาความสัมพันธ์ผิด ระบบสามารถปฏิเสธการอ้างอิงความสัมพันธ์ที่ไม่ได้กำหนดและส่งข้อเสนอแนะกลับให้แก้คำสั่งได้ นักพัฒนาเริ่มทดลองได้โดยไม่เสียค่าใช้จ่ายผ่านคำสั่ง Docker และบริษัทระบุว่าสามารถเริ่มสืบค้นได้ภายในสิบนาที

เงินทุนรอบใหม่เร่งสร้างโครงสร้างพื้นฐานให้เอเจนต์ AI

ความจำและข้อมูลฝึกคือเงื่อนไขของความน่าเชื่อถือ

Graphon Labs ระดมทุนรอบซีรีส์เอเพื่อขยายระบบความจำถาวรสำหรับเอเจนต์ในผลิตภัณฑ์องค์กร เครื่องมือสำหรับนักพัฒนา และอุปกรณ์ บริษัทเรียกแนวทางนี้ว่า Persistent Intelligence ซึ่งมุ่งให้ AI เข้าถึง ทำความเข้าใจ จดจำ และต่อยอดจากข้อมูลเดิมได้ต่อเนื่อง แพลตฟอร์มนำเข้าข้อมูลหลายรูปแบบและจัดความสัมพันธ์เป็นโครงสร้าง พร้อมคงการเชื่อมโยงกลับไปยังแหล่งที่มา

ข้อเสนอนี้แตะข้อจำกัดสำคัญของเอเจนต์ที่ต้องทำงานนานกว่าหนึ่งบทสนทนา เพราะการดึงข้อมูลหรือหน้าต่างบริบทอย่างเดียวอาจทำให้ประวัติและความสัมพันธ์แตกกระจาย แต่ความจำถาวรก็ต้องพิสูจน์เรื่องความสดใหม่ ความถูกต้อง และการตรวจสอบย้อนกลับให้ได้ เงินทุนมีไว้ผลักดันการติดตั้งระดับองค์กร ขยายการเข้าถึงของนักพัฒนา เร่งงานวิจัย และรองรับความจำบนอุปกรณ์

อีกด้านหนึ่ง Physicl ระดมทุนรอบซีดและเปิดตัว Studio เพื่อสร้างข้อมูลสังเคราะห์สำหรับฝึก AI ทางกายภาพ ปัญหาที่บริษัทเลือกแก้คือกรณีสุดขอบที่พบไม่บ่อย แต่ทำให้หุ่นยนต์หรือระบบอัตโนมัติล้มเหลวได้ เช่น วัตถุถูกบังบางส่วน เงาที่เปลี่ยนไป หรือสิ่งของวางเยื้องตำแหน่ง Studio ใช้สภาพแวดล้อมหนึ่งหมื่นแบบและองค์ประกอบพื้นฐานหนึ่งแสนรายการเพื่อสร้างฉากที่ควบคุมได้ โดยเปิดให้ใช้ฟรีในช่วงเบต้า

ความท้าทายนี้สำคัญกว่าภาพสาธิตที่สมบูรณ์แบบ เพราะระบบต้องรับมือกับความแปรผันในโลกจริง ไม่ใช่เฉพาะฉากที่คุ้นเคย Physicl วางแผนเพิ่มฉากใหม่ทุกวัน และพัฒนาการควบคุม ชั้นข้อมูลภาคพื้นจริง และรูปแบบส่งออกตามข้อเสนอแนะจากนักวิจัย

เงินทุนรอบใหม่เร่งสร้างโครงสร้างพื้นฐานให้เอเจนต์ AI

เงินทุนกำลังซื้อความพร้อม ไม่ใช่แค่ความสามารถของโมเดล

ทั้งสี่บริษัทกำลังแก้ช่องว่างคนละด้านของปัญหาเดียวกัน: จะทำให้เอเจนต์ทำงานได้อย่างต่อเนื่องและเชื่อถือได้อย่างไร Shackleton ผูกเอเจนต์เข้ากับกระบวนการเฉพาะ PuppyGraph ทำให้ข้อมูลที่แยกส่วนค้นร่วมกันได้ Graphon เติมความจำระยะยาว ส่วน Physicl เตรียมข้อมูลให้ระบบรับมือสิ่งที่คาดไม่ถึง การลงทุนในชั้นเหล่านี้มีเหตุผลมากกว่าการเร่งขยายความสามารถของโมเดลเพียงอย่างเดียว เพราะผลลัพธ์ในองค์กรและหน้างานขึ้นกับข้อมูลและการปฏิบัติจริงด้วย

อย่างไรก็ดี เงินทุนและตัวเลขประสิทธิภาพยังไม่ใช่หลักประกันการใช้งานในวงกว้าง บริษัทเหล่านี้ต้องพิสูจน์ว่าระบบปลอดภัย ตรวจสอบได้ และลดภาระงานโดยไม่เพิ่มงานแก้ข้อผิดพลาดให้คน หากทำได้ เอเจนต์ AI องค์กรจะขยับจากเครื่องมือทดลองไปเป็นผู้ช่วยที่จัดการงานจริง ส่วน AI ทางกายภาพจะมีโอกาสพ้นจากห้องสาธิต บทสรุปจึงชัดเจน: ความก้าวหน้ารอบต่อไปไม่ได้วัดจากว่า AI พูดได้แค่ไหน แต่วัดจากว่ามันจำ เชื่อมโยง และทำงานได้ถูกต้องเมื่อโลกไม่เป็นไปตามแผนหรือไม่

ZestBuy ได้รับค่าคอมมิชชั่นเมื่อคุณช้อปผ่านลิงก์ของเรา โดยคุณไม่ต้องจ่ายเพิ่ม

You May Also Like

Comments
พูดอะไรบางอย่าง...
ยังไม่มีความคิดเห็น มาเป็นคนแรกที่แบ่งปันความคิดเห็นของคุณ!