Resolve AI 获得 4 千万美元 A 轮扩张融资，估值达到 15 亿美元，着力解决软件生产中最难的问题

Resolve AI 已经获得了 4 千万美元 A 轮扩张融资，估值达到 15 亿美元，由 DST Global 和 Salesforce Ventures (CRM ) 领投。这笔资金的到来正值人工智能大大加速了软件开发的同时，却没有相应地改善软件部署后的维护。

随着这笔资金的到来，公司推出了 Resolve AI Labs，这是一个专门的研究计划，旨在解决人工智能技术栈中日益重要的差距：可靠地在生产环境中运行软件的能力。

尚未解决的瓶颈：生产

人工智能使得编写代码变得比以往任何时候都快。由大型语言模型驱动的工具现在可以在几分钟内生成整个应用程序。但是，一旦代码被部署，现实就变得更加复杂。

生产环境是由基础设施、遥测、日志、依赖项和不断变化的服务组成的碎片化系统。工程师必须在所有这些系统中解读信号以诊断故障，通常是在时间压力下且信息不完整的情况下。

这就是 Resolve AI 的关注点。其平台连接代码、基础设施和遥测以调查事件、识别根本原因并采取行动——本质上是作为一个自主的生产工程师。

这个挑战不仅仅是技术复杂性，也是规模。随着 人工智能加速代码生成，组织正在生产比他们的团队可以管理的更多的软件。结果是开发速度和运营可靠性之间的差距越来越大。

为什么通用 AI 模型不够

Resolve AI 方法背后的一个核心论点是，通用目的的人工智能模型不适用于生产环境。

虽然基础模型正在迅速改进，但它们并不是为运营系统的现实而优化的。生产需要跨越嘈杂、不完整且经常相互矛盾的数据流进行推理。它还需要高水平的准确性、可靠性和控制，因为错误可能导致停机、财务损失或安全风险。

Resolve AI 通过构建特定领域的模型和代理系统来解决这个问题，这些系统是为生产工作流程量身定制的。这些系统可以解释日志、分析系统更改、关联事件并执行多步骤的补救过程——这些任务传统上需要经验丰富的工程师。

Resolve AI 研究院内部

新成立的 Resolve AI 研究院 旨在通过建立运行生产系统所需的基础技术来推进这一愿景。

实验室将由 Dhruv Mahajan 领导，他曾在 Meta 工作过，负责 Llama 模型的后训练。

实验室不会狭隘地关注代理，而是会采用全栈方法来处理运营人工智能。这包括开发：

• 在生产数据上训练的特定领域模型
• 可以跨越日志、指标、跟踪和基础设施事件进行推理的系统
• 用于衡量现实世界工作流程中可靠性的评估框架
• 用于测试和改进模型的模拟环境
• 用于确保安全和受控自动化的治理层

这反映了人工智能开发的一个更广泛的转变：从原始模型能力转向可以在高风险、真实世界环境中安全运行的系统。

从协助到自主

Resolve AI 是一个日益增长的类别的一部分，通常被称为“生产人工智能”或人工智能驱动的站点可靠性工程（SRE）。与编码助手不同，这些系统旨在运行实时环境——分诊警报、诊断故障并实时解决事件。

该公司的平台已经能够让工程团队显著加快事件调查速度，人工智能系统能够分析系统行为并跨复杂依赖项识别根本原因。

随着时间的推移，目标是从协助转向自主。工程师不再需要手动响应警报，人工智能系统可以处理大部分运营工作，人类监督基于风险和上下文进行。

与企业客户的早期牵引力

Resolve AI 的快速融资轨迹反映了企业对这一能力的强烈需求。该公司在不到两年的时间内已经筹集了超过 1.9 亿美元的资金，并且已经与 Coinbase、DoorDash (DASH ) 、Salesforce、MSCI 和 Zscaler 等组织合作。

这些环境中，停机时间是昂贵的，可靠性至关重要。即使是对事件响应时间或系统稳定性的小幅改进也可以转化为显著的商业影响。

像 Resolve AI 这样的公司的出现标志着人工智能生态系统的更广泛演变。

第一波生成人工智能专注于创造：编写代码、生成内容 和加速工作流程。下一个阶段是关于运营——确保所构建的内容可以在规模上可靠运行。

这种转变引入了新的技术挑战。它需要可以随时间推理、处理不确定性、与多个工具交互并在严格约束下运行的系统。它还需要新的评估方法，因为传统的基准不能捕捉到真实世界的运营性能。

今后意味着什么

随着人工智能继续加速软件开发，生产将越来越成为限制因素。可靠运行复杂系统的能力可能会定义下一代企业人工智能平台。

Resolve AI 最新的融资和其研究实验室的启动表明，这个问题正在被提到前沿。如果公司成功，它不仅仅是在构建另一个人工智能工具——它正在帮助重新定义软件系统的运行方式。

长期的影响是向一个环境的转变，在那里，人工智能系统和人类工程师将共同工作，机器处理生产的复杂性，人类专注于更高层次的设计、策略和创新。