Plato融资1600万美元完成A轮，打造供AI智能体使用的模拟工作场所

Plato已完成1600万美元A轮融资，旨在打造模拟工作场所，让AI模型在进入真实系统运行之前，先练习使用软件、处理业务决策并完成复杂工作。本轮融资由Nava Ventures领投，Gradient Ventures、Transpose Platform以及Microsoft AI首席执行官Mustafa Suleyman参与投资。

本轮融资使Plato的总融资额达到1900万美元，此前该公司曾完成由Gradient Ventures领投的种子轮融资。Nava Ventures创始人Freddie Martignetti将加入董事会。Plato成立于2025年，总部位于旧金山，将利用这笔资金扩充其工作环境库，并为AI开发者提供更多体验机会。

这笔投资瞄准了从聊天机器人转向智能体过程中的一项现实局限：给出令人信服的回答与实际完成一项工作，是两种不同的能力。处理采购、客户支持案例或会计工作流的智能体，必须使用恰当的工具、核对信息、遵守限制条件，并确保底层记录处于正确状态。

在不更改真实记录的环境中练习

在真实业务系统中训练智能体，可能会在它准备就绪之前就造成后果。采购任务可能会花掉资金，而行政工作流则可能更改真实的客户或员工记录。Plato会在受控环境中重现这些工作流，开发者可以重置并重复使用这些环境。

Plato联合创始人兼首席执行官Robert Farlow在公告中表示：“要精通真正复杂的工作，靠的是亲身完成这些任务、积累经验。”该公司的模拟旨在呈现专业工作中的工具、决策和意外情况，而正是这些因素让专业工作变得困难。

Plato与领域专家合作，重现客户支持、人力运营、财务、会计和医疗行政管理等领域的工作。AI实验室可以利用这些环境开展强化学习，让模型尝试任务并在反复实践中从反馈中学习，也可以用它们评估模型表现。

从软件模拟器到可验证的工作流

公司网站将Plato描述为一家应用研究实验室，致力于将现实世界的软件和数据转化为训练及评估智能体的环境。其展示的开发者工作流会创建一个包含多个模拟器的会话、加载任务、运行智能体，并评估最终执行过程。示例结合了GitHub、Jira和Stripe模拟器，展示一项任务如何跨越多种工具。

这种结构为开发者提供了可重复的体验单元：初始工作区、待完成的任务、智能体采取的操作，以及对结果的检查。重置工作区后，开发者便可以再次尝试同一个问题，而不会在真实账户中不断累积更改。

Plato于10月27日发布的Computer Work Val v1.0研究报告介绍了一个验证集，其中包含覆盖10个领域和36种岗位的300项任务，涉及210个模拟应用程序。该公司称，参与者会将自身工作中的部分任务转化为基于软件副本和模拟数据构建的环境。

一个示例要求智能体使用模拟的电子表格、电子邮件、支付和银行工具编制季度损益表。不同的验证器会分别检查会计处理是否恰当、货币换算是否正确，以及最终文件是否已交付。这种方法可以揭示一个已基本完成的工作流中可能存在的重大错误：报告或许送达了正确的接收人，但收入仍可能被高估。

报告还介绍了相关职业专家的审查，以及对环境缺陷、提示与评分标准不匹配和奖励利用行为的检查。报告重点关注这样一类任务：任务本身包含成功完成所需的信息，同时仍要求模型跨多个来源进行推理。

评分系统为何重要

模拟环境提供的反馈会影响模型学到的内容。如果评估只奖励完成采购，却不检查预算，就可能教会智能体优先完成任务，而忽视那些赋予任务实际意义的指示。

Plato表示，它不仅会评估结果，也会评估模型得出结果的过程，包括模型是否遵循指示、是否遵守限制条件。它还会检查模型是否利用环境漏洞获取分数，导致得分无法反映工作是否正确完成。

Plato联合创始人兼首席技术官Pranav Putta表示：“我们构建的评估会如实反映工作的实际要求，让开发者能够区分高分与正确完成的工作。”

该公司另设的Web Clone Bench用于考察模型根据参考环境重建Web应用程序的能力。Plato表示，构建高保真副本时，会进行功能检查和人工质量保证。对于训练基础设施而言，保真度是一项技术要求：缺失的行为或不切实际的捷径，都可能改变智能体学到的策略。

为更多真实世界经验提供资金

Farlow此前在Yutori搭建了一个标注平台，用于支持计算机操作模型的训练。Putta的从业背景涵盖计算机视觉、机器人技术和强化学习，也包括在MultiOn参与计算机操作模型相关工作的经历。

这笔新资金将用于聘请专业人士，在模拟环境中重现更多工作内容。Plato还计划让AI智能体执行真实任务，以积累更多经验，并正在开发更丰富的模拟环境，其中包含更长的工作流程以及与模拟人物的互动。

此轮融资正值智能体训练基础设施领域整体投资增加之际，其中包括Labelbox为强化学习环境和AI智能体提供的融资。Plato押注于这样的判断：模型需要不断增加的逼真练习机会，并配合能够保留工作规则的评估。此类基础设施的价值，取决于模拟环境中的经验能在多大程度上帮助智能体为现实环境中将面临的决策做好准备。