云原生环境优化专业公司Cast AI Group Inc.今日宣布,获得Pacific Alliance Ventures的新一轮融资,公司估值突破10亿美元,并将推出统一的云GPU市场平台。
继去年由G2 Venture Partners和软银愿景基金2期领投的1.08亿美元C轮融资后,Cast AI的融资总额已超过1.8亿美元。该公司未透露此次战略融资的具体金额。
Cast AI成立于2019年,专注于利用机器学习技术为Kubernetes云环境提供自动化性能优化,通过"合理调配"资源、自动扩缩容和管理竞价实例来实现成本节约和安全保障。这使企业能够更高效地使用云基础设施进行FinOps和云工程等操作。
Cast AI联合创始人兼首席执行官Yuri Frayman表示:"企业需要的不仅仅是更便宜的基础设施,而是能够随着工作负载和约束条件变化而自动适应的基础设施。这正是我们的自动化智能体的设计目标,这笔投资将帮助我们在全球范围内扩展这一能力。"
凭借这笔融资,Cast AI正在扩展其产品组合,推出Omni Compute功能。该功能可连接外部计算容量,包括GPU,并将其作为原生计算资源。这使工作负载能够在最合适的资源上运行,无论是本地还是跨云环境,都无需更改代码或重新配置。
通过这一新产品,组织可以在没有云锁定的情况下运行工作负载,首先从AI推理开始,同时仍能控制执行位置。这将使他们能够跨区域扩展,而无需指定特定提供商,同时仍保持基础设施的可预测性、主权性和合规性。
Cast AI表示,其抽象平台将对外部容量应用相同的优化策略,包括GPU共享、监控和合理调配,确保AI工作负载在大规模运行时保持高效和一致。
联合创始人兼总裁Laurent Gil说:"Omni Compute使GPU在基础设施层面实现可互换,这样计算容量就不会被困在单一云或区域中。"
甲骨文公司作为首个主要云服务提供商加入Omni Compute,通过Cast AI为客户提供多余的GPU容量。
甲骨文云基础设施高级副总裁Karan Batta表示:"Omni Compute消除了传统上将企业锁定在单一云中的障碍,使他们能够在需要时立即接入甲骨文云基础设施的高性能GPU集群。这是全球AI平台部署和扩展方式的重大转变。"
Q&A
Q1:Cast AI是什么公司?主要做什么业务?
A:Cast AI是一家成立于2019年的云原生环境优化专业公司,专注于利用机器学习技术为Kubernetes云环境提供自动化性能优化,通过合理调配资源、自动扩缩容和管理竞价实例来帮助企业实现成本节约和安全保障。
Q2:Omni Compute功能有什么特点和优势?
A:Omni Compute可以连接外部计算容量包括GPU作为原生计算资源,使工作负载能在最合适的资源上运行而无需更改代码。它消除了云锁定问题,让企业能够跨区域扩展而不被困在单一云或区域中,同时保持基础设施的可预测性和合规性。
Q3:Cast AI获得了多少融资?估值达到多少?
A:Cast AI刚刚获得Pacific Alliance Ventures的新一轮融资,公司估值突破10亿美元。加上去年1.08亿美元的C轮融资,该公司融资总额已超过1.8亿美元,但具体的最新融资金额未被透露。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。