在过去两年中,RPA和AI领导者UiPath的年度经常性收入(ARR)从800万美元增长至2亿美元以上,估值从1.1亿美元增至70亿美元。
近日,全球领先的机器人流程自动化(RPA)平台UiPath,宣布完成5.68亿美元的D轮融资,投资后估值为70亿美元。本轮融资由Coatue领投, Dragoneer、Wellington、Sands Capital和T. Rowe Price Associates跟投。此外,牵头了A轮和B轮融资的Accel,领投C轮融资的CapitalG和Sequoia,以及包括IVP和Madrona Venture Group在内的其他现有投资者,均参与了本轮融资。如今,估值70亿美元的UiPath是全球增长最快、价值最高的AI企业软件公司之一。
UiPath于2017年4月完成A轮融资,之后迅速取得了一系列里程碑式的成就,比如:
UiPath联合创始人兼首席执行官丁澹然(Daniel Dines)表示:“我们正处时代的转折点。如今,全球各地的商业领袖都在利用软件机器人来扩充劳动力,极大地推动了整体业务的数字化转型,并让员工能够将时间花在更有价值的工作上。身处其中的UiPath正在引领这场生产力革命。我们的核心目标是推动RPA技术的普及,最终实现人类社会’人手一台机器人‘的愿景。让我感动的是,UiPath的客户、合作伙伴和投资人均给予了我们极大的支持。这激励着我们更加努力,不仅要把RPA发展成一个能够挖掘人工智能潜能的平台,更要发挥其他新兴技术的价值。以此为开端,我们将不断向成功迈进。”
UiPath近期新增的客户包括美国富达(American Fidelity)、BankUnited、CWT(前身为Carlson Wagonlit Travel)、金霸王、谷歌、日本交易所集团(JPX)、 LogMeIn、麦当劳、NHS共享业务服务、日本生命保险公司、NTT通信公司、Orange(法国电信)、理光有限公司、罗杰斯通信、新生银行、Quest Diagnostics、优步、美国海军、Voya金融、维珍媒体和世界燃料服务公司。
长期以来,UiPath致力于为客户提供最优秀的RPA解决方案,并建立了一支强大、开放和透明的团队,这一点得到了广泛的认可:
与此同时,UiPath的成长与价值也受到了越来越多客户和投资人等各方的认可。Coatue Management创始人Philippe Laffont表示:“UiPath正在以前所未有的方式帮助企业实现业绩增长,提升效率和运营水平。公司过去两年的快速发展表明,UiPath正在重新塑造企业的资源管理方式。RPA为全球采用人工智能技术的企业带来了巨大的机会,推动人们步入一个生产力、效率和工作满意度的全新时代。”
T. Rowe Price Associates公司副总裁Greg Dunham表示:“UiPath提供了许多企业必须的关键能力,能够帮助企业提升绩效,让员工更好地专注于核心业务工作。UiPath所引领的RPA行业,之所以能在如此短的时间内实现快速增长,其主要原因在于RPA正在成为世界上几乎每个行业推动数字化转型所必须掌握的核心工具。”
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。