上周海外的 AI 投资圈估计已经疯了，开始乱撒钱了：两家过亿元的种子轮、一家 12.19 亿的 A 轮。PP 最近看这批早期融资，发现资本开始给 AI 补“上岗手续”了。模型真正进入企业，光会干活已经不够：闯了祸要有人赔，给出的判断要能追溯，分散的 GPU 要调得动，新芯片要有软件可用，员工电脑里突然冒出来的 AI 工具也得有人管。Klaimee、Infinity、Cheiron、SkyPilot 和 Glow 分别从保险、芯片软件、医药证据、算力调度与终端安全切入，看起来做的是五门生意，背后解决的却是同一个问题：企业究竟凭什么敢把数据、预算和操作权限交给 AI？在销售的 Demo 阶段只需要证明“它能做”；但真正部署时，采购、法务和安全部门追问的却是：出了错谁负责？结论从哪里来？系统会不会停？换一种芯片还能不能跑？那些未经批准的 Agent 又该怎么管？这些问题听起来没有大模型那么性感，却决定了 AI 能不能从会议室里的演示，变成企业每天真正敢用的生产工具。这期早期融资盘点，PP 就来看看：当 AI 开始获得真实权限，谁在替它修路、装刹车，又是谁准备靠“让企业放心”赚到第一桶金。
PP飞湃创新
Make Innovation Fun, Again. 创新嘛 😉 好玩才对味 🙂
10篇原创内容
公众号
01 Klaimee – 给 Agent 卖保险融了多少钱：融资了多少钱：约 3720 万元人民币｜种子轮｜FundersClub 领投，Y Combinator、Pioneer Fund、Robinhood Ventures 等参投干啥的（大白话）：在企业部署 Agent 前进行风险评级，并为通过认证的 Agent 提供履约保证及专门的 AI 责任保险。为啥被投：1️⃣ 它填补的是传统保险尚未清晰覆盖的责任缝隙。现有的网络险主要处理黑客入侵和数据泄露，但如果 AI Agent 自行发送错误邮件、篡改记录、越权操作或作出错误承诺，现有保单是否赔付往往并不明确，具体还取决于条款。Klaimee 想做的，就是把这类新风险定义清楚并单独定价。2️⃣ 先做“撞车测试”，再决定是否承保。Klaimee 会先从权限范围、数据泄露、越权操作、输出完整性、对抗操纵、行为稳定性、模型漂移和运营控制八个维度给 Agent 评级，还会执行提示注入、越狱和决策漂移等行为测试。它更像专门给 Agent 做了一次实打实的碰撞测试，而不是让企业填完一张问卷就直接报价。3️⃣ 评估、整改、认证和保障被串成了一个闭环。客户会得到 A—F 风险等级、问题清单、整改建议、认证徽章和供采购部门存档的报告；认证结果随后连接金融保证与 AI 专属责任险，保费也与风险评分挂钩。安全能力因此不再只是供应商的一句自我声明，而开始被换算成可以比较的风险价格。4️⃣ 它试图把企业最难回答的“谁来赔”，变成一套采购部门能够审查的文件。企业部署 Agent 时，法务担心的不只是模型会不会出错，而是 Agent 越权操作、错误承诺或泄露数据之后，损失由谁承担。Klaimee 把技术测试、风险评分、整改建议、认证报告和责任保障装进同一个产品，让采购部门至少拥有一套可以审阅的风险材料，而不必只听供应商保证“我们的 AI 很安全”。这虽然有可能缩短 AI 产品进入大企业的审查过程，但是否真能成为采购“通行证”，还要看投保规模、理赔记录以及客户采购周期是否实际缩短。官网：https://www.klaimee.ai02 Infinity – 用软件打破英伟达的芯片垄断融了多少钱：约 1.02 亿元人民币｜种子轮干啥的（大白话）：开发名为 Ignition 的 AI 研究 Agent，自动为不同 AI 芯片编写、测试和优化推理内核，让新芯片更快地运行大模型。为啥被投：1️⃣ 它瞄准的是新芯片最隐蔽、也最致命的瓶颈：软件。一颗 AI 芯片即使算力很强，没有针对其架构优化的内核和推理软件，也像装着赛车发动机却没有变速箱。Infinity 不造芯片（或者换句话：没钱造芯片，但又想分一杯羹），而是补上决定芯片能否真正跑起来的软件层。2️⃣ Ignition 会自己写、自己测试，再自己调优底层计算内核。传统上，这些工作需要编译器和芯片工程师手工完成，周期可能长达数月甚至数年。Ignition 则根据实际运行结果不断修改、测试代码，试图把新芯片的适配周期压缩到几天。3️⃣ 它挑战的不是英伟达的晶体管，是 CUDA（NVIDIA 推出的并行计算平台和编程模型）建立的软件护城河。很多替代芯片输的并不是硬件参数，而是缺少成熟的软件生态。Infinity 如果能让不同厂商的新芯片迅速获得可用的推理栈，相当于给每种硬件配了一名会说当地“方言”的自动编译工程师，从而降低客户尝试非英伟达方案的门槛。4️⃣ 早期测试让它的技术承诺有了可以测量的刻度。公司披露，Ignition 曾在约 10 小时内将一款新芯片的性能推至理论峰值的 92%，并在 10 天内跑通多个端到端模型。相比“让芯片更快”这种空泛表述，峰值利用率、适配时间和模型运行情况都是可以直接验收的工程指标。不过，这依旧属于公司披露的早期结果；它是否真能成为跨芯片的软件层，还要看这些成绩能否在更多硬件架构、模型类型和真实客户环境中稳定复现。官网链接：https://infinity.inc03 Cheiron – 药物研发的动态证据地图融了多少钱：约 5420 万元人民币｜种子轮干啥的（大白话）：用 AI 将论文、临床试验、监管文件、专利和商业数据连接起来，让药企实时掌握一个药物项目究竟“知道什么、假设什么、还缺什么”。为啥被投：1️⃣ 它处理的不是单一文档，是整个药物项目的实时状态。药物研发的信息通常散落在实验记录、临床系统、监管往来、专利文件和员工脑袋里。Cheiron 用生命科学知识图谱把这些信息连接起来，让一个药物项目从一堆散落的抽屉，变成一张会持续更新的作战地图。2️⃣ 每个 AI 结论都带着一条可以回头核验的“证据绳索”。输出会链接到 PubMed 文献、临床试验记录、获批药品标签和监管指南。对于药物研发而言，这比回答得流畅更重要：如果普通 AI 像一位口才很好的实习生，那么 Cheiron 则试图做到每说一句话，都能把对应的原始卷宗摆到桌面上。3️⃣ 它能帮助团队提前发现证据之间的冲突。临床团队的判断可能与监管先例矛盾，一项商业假设也可能缺乏科学证据。Cheiron 会交叉比较科学、临床、监管、专利和商业信息，标记证据缺口与相互冲突之处，让问题在投入数千万美元之前浮出水面，而不是等试验失败后才发现。4️⃣ 它交付的不是一段答案，而是一份能够继续流转的专业工作成果。Cheiron 除了回答问题之外，还能生成带有证据来源的审阅稿、辅助核查文件，并保留可以追溯的引用与推理路径。这使它比普通医药聊天工具更容易进入临床、监管和医学事务等正式流程。
官网链接：https://www.cheiron.bio04 SkyPilot – 把分散 GPU 变成一个算力池的 AI 调度层融了多少钱：超过 1.35 亿元人民币｜种子轮｜Lux Capital 领投干啥的（大白话）：把企业散落在不同云厂商和数据中心里的 GPU 接进同一个调度系统，让 AI 团队不用反复迁移环境，就能运行训练、强化学习和推理任务。为啥被投：1️⃣ 它解决的是 GPU 稀缺引发的“算力碎片化”。因为热门 GPU 经常缺货，AI 公司很难只依赖一家供应商，只能同时从 AWS、Lambda 及不同数据中心采购算力。结果是 GPU 虽然越买越多，却被拆成多个无法统一调度的集群。SkyPilot 并不销售或撮合 GPU，只是把企业已经拥有的云资源、Kubernetes 和本地服务器接入同一个控制平面。2️⃣ 它保留原来的 AI 工作流，只重新安排任务“去哪里跑”。SkyPilot 不会把 CUDA 代码自动翻译成 AMD 或 TPU 代码；它做的是读取任务需要的 GPU 型号、数量、网络结构和运行环境，再到兼容的资源池里寻找容量。就像货运调度员不会改变集装箱里的货物，只负责找到最合适的港口、船期和路线。研究员可以继续使用原来的 PyTorch、JAX、容器及配置，不必为了换一家云重新装修整间“计算机房”。3️⃣ 大规模训练真正难管的两件事：任务分配和故障恢复。
：两家过亿元的种子轮、一家 12.19 亿的 A 轮。