近日,北京探境科技有限公司(简称:探境科技)正式完成第二轮数千万美元级的融资,该轮融资由国家集成电路产业基金(大基金)旗下子基金中芯聚源资本领投,洪泰、险峰、启迪汇、京道、熊猫等跟投。
探境科技成立于2017年初,由硅谷著名半导体公司Marvell中国芯片研发部门前高管鲁勇创立。公司成立之初,即定了“探未来·境无限”的宏伟愿景,以提供终端人工智能芯片及整体方案践行。
目前,探境科技汇聚了一批平均拥有15年以上芯片行业具有国际一流设计经验的顶尖人才,有着给苹果、三星、希捷、西数、特斯拉等国际顶级公司量产芯片供货的经验,其中拥有博士学位的占30%、拥有硕士学位的占50%。他们立志为中国芯片行业崛起而奋斗,为成就中国“芯”而努力。在公司CEO鲁勇的带领下,率先提出了高效的芯片架构和存储解决方案——在有效降低芯片功耗的同时,大幅度提高硬件资源利用率的适用于各种终端设备的嵌入式AI芯片解决方案。
此次顺利融资,探境科技很荣幸能够成为第一家获得“芯片专业投资机构”并且是“国家队”认可的人工智能芯片公司,这也坚定了探境科技做原生技术的信念——从最底层开始做起:包括芯片设计、结构框架、系统、算法等,全部自主研发,做能扛起民族大旗的AI芯片。
探境科技认为,真正的人工智能应用场景,是不需要借助云端服务等做远程支持的,只有将人工智能做到终端上来,让每个设备都具备人工智能,才是现阶段“人工智能”的进化。探境科技有行业专家、有顶尖研发人员、有“国家队”基金领投,在人工智能行业政策利好的环境中、在中兴事件后的反思中,不仅坚定了自己的技术路线,也有理由相信未来属于中国,探境科技有条件成为顶尖的人工智能芯片公司。
探境科技未来将围绕安防市场、工业智造、消费类市场、自动驾驶等几个领域开拓市场。目前,公司已经制定了未来三年的产品计划,预计到今年底,会以行业划分的形式,有节奏的推出产品及整体解决方案,笃实公司的定位及愿景。
探境科技目前正在高速发展,各岗位虚位以待,具体职位需求请参阅公司官网:http://www.intenginetech.com。期待志同道合,愿意在AI领域和芯片领域成就梦想、实现人身价值的同仁加入,期以共同见证中国“芯”的崛起。
作为国家半导体行业的战略基金,大基金在选择投资对象时,秉承公正原则,以技术驱动为核心、以战略眼光客观审查目标公司。探境科技此轮顺利融资,是大基金、国家半导体行业对探境科技的认可,也是承载了中国芯片行业崛起的希望。对此,探境科技将以更加自信的姿态,在中国芯片产业崛起的过程中发挥更大的作用。
关于大基金
国家集成电路产业基金(大基金)于2014年9月,在工信部、财政部的指导下正式设立。该基金被认为承载了扶持中国企业在集成电路市场上赶超欧美的使命,在资本市场拥有特殊的代表性和重要性。该基金以市场化的方式支持以存储器、化合物半导体、特色工艺、先进工艺、IoT芯片为代表的战略性强、重资产和具有长远发展前景的领域。
聚源聚芯基金是由中芯聚源资本管理,是大基金与国内最大的半导体晶圆代工厂中芯国际合作设立的子基金,聚焦集成电路产业投资,结合中芯国际的平台优势,既具有半导体行业的专业优势,又可以提供设计、IP和装备全方位的产业链支持,同时基于其现有的投资结构,能进一步为被投企业创造产业协同机遇。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。