飞鸿科技以800万美元解决AI幻觉和机器遗忘问题

飞鸿科技，第一个致力于机器遗忘的初创公司，已完成800万美元的种子轮融资，以解决人工智能领域的一些最紧迫挑战：幻觉、偏见和嵌入式数据漏洞。该轮融资由Maverick Ventures Israel领投，SuperSeed、Alpha Intelligence Capital、Tachles VC、AI.FUND和Plug and Play Tech Center参投。

让AI忘记：机器遗忘的承诺

与传统的AI工具不同，飞鸿科技的核心创新是机器遗忘——一种允许AI模型“忘记”特定知识或行为的技术，即使它们已经被训练。这种方法使企业能够从已部署的AI模型中精确地删除幻觉、偏见、个人或专有数据和对抗性漏洞，而无需从头开始重新训练它们。重新训练大型模型可能需要数周和数百万美元；飞鸿科技提供了一种更高效的替代方案。

飞鸿科技将此过程比喻为AI神经外科：公司准确定位模型参数中不需要的输出的来源，并精确地删除它们，同时保持性能。这种开创性的技术使组织能够在生产环境中修复模型，并以更大的信心部署AI。

为什么AI幻觉如此危险

AI幻觉是指模型生成虚假或误导性信息的趋势，这些信息听起来很合理或甚至是事实。这些幻觉在企业环境中尤其成问题，因为基于不正确信息的决策可能导致法律责任、操作错误和声誉损害。研究表明，58%至82%的AI生成的“事实”包含某种类型的幻觉。

尽管人们试图通过防护措施或微调来最小化幻觉，但这些方法往往掩盖了问题而不是消除它们。防护措施就像过滤器，而微调通常无法删除根源——尤其是当幻觉深深地嵌入在模型的学习权重中。飞鸿科技超越了这一点，实际上从模型本身中删除了行为或知识。

适用于任何AI栈的可扩展平台

飞鸿科技的平台是为灵活性和企业级部署而设计的。它支持生成式和非生成式系统，跨越广泛的数据类型——自然语言、视觉、雷达、激光雷达、表格、语音和时间序列。该平台自动检测训练数据中的错误标记、异常值和模糊性。然后，它允许用户调试特定的错误输出，并将它们追溯到有问题的训练数据或学习行为，这些行为可以立即被遗忘。

这一切都是无需更改工作流。飞鸿科技的SOC-2认证系统可以通过SaaS、专有云（VPC）或甚至空气隔离的本地部署，适用于敏感环境，如金融、医疗和国防。

跨模型的成熟影响

该公司已经在流行的大型语言模型（LLM）上展示了显著的性能改进。在使用Llama和DeepSeek的测试中，飞鸿科技实现了55%的幻觉减少、70%的偏见减少和85%的成功提示注入攻击减少。这些结果已使用独立基准测试（如HaluEval、PurpleLlama和Bias Benchmark Q&A）进行了验证。

虽然当前的解决方案适用于开源模型，如Llama、Mistral和Gemma，但飞鸿科技正在积极扩展对封闭模型（如ChatGPT和Claude）的支持。这使得他们的技术适用于整个企业LLM谱系。

具有学术和行业深度的创始人

飞鸿科技由一组学术和企业AI领域的专家于2023年创立。CEO本·卢里亚是罗德学者和牛津大学访问学者，他之前创立了金融科技初创公司Worqly，并联合创立了学者IL，一家支持高等教育的非营利组织。飞鸿科技的CTO迈克尔·莱博维奇是以色列理工大学的前研究生和Ofek324的获奖研发官。公司的首席科学家奥德·施穆埃利教授是以色列理工大学计算机科学学院的前院长，并曾在IBM、HP、AT&T (T ) 等公司担任研究职位。

他们的集体经验跨越了基础AI研究、实际部署和安全数据管理，使他们独特地具备解决当前AI行业可靠性危机的能力。

投资者支持可靠的AI未来

本轮投资者与飞鸿科技的愿景一致，即建立可靠的、企业级的AI。Maverick Ventures Israel的创始人亚伦·卡尼指出，迫切需要一个可以在AI造成现实世界危害之前删除幻觉或偏见智能的平台。他说：“如果不删除AI中的幻觉或偏见智能，我们最终会扭曲结果并鼓励不信任。飞鸿科技提供了一种AI急救——删除不真实或基于歧视性来源的数据，并完全改变了AI的可能性。”

SuperSeed的管理合伙人马德斯·詹森也表达了同样的观点：“我们投资于改变行业的优秀AI公司，但这种转变的力量只有在模型本身可靠时才会体现。飞鸿科技的机器遗忘方法解决了AI开发生命周期中的一个关键缺口。”

解决AI部署中日益增长的挑战

随着AI系统越来越多地集成到关键基础设施中，人们对幻觉、偏见和嵌入式敏感数据的担忧变得越来越难以忽视。在高风险环境中，这些问题带来巨大的风险，从金融到医疗和国防。

机器遗忘正在成为AI行业应对日益增长的模型可靠性和安全性问题的关键工具。随着幻觉、嵌入式偏见和敏感数据泄露日益破坏部署的AI系统的信任，遗忘提供了一种直接的方法来减轻这些风险——在模型被训练和使用后。

而不是依赖重新训练或表面层面的解决方案，如过滤，机器遗忘使得能够从已经部署的模型中针对性地删除有问题的行为和数据。这种方法在寻求高风险应用的可扩展、合规解决方案的企业和政府机构中日益受到欢迎。