14人、估值671億,造出Meta Muse勁敵

2026年9月29日 03:32
站內 AI 整理稿

編譯 | 楊京麗 編輯 | 李水青 9月29日消息,昨日,美國個人AI Agent創企、Meta Muse熱門競爭對手Instinct宣佈,已完成新一輪10億美元(約合人民幣67.1億元)融資,投後估值達到100億美元(約合人民幣671億元)。本輪融資由紅杉資本、Benchmark Capital和Coatue共同參與。今年8月,據《華爾街日報》報道,Instinct正在尋求以25億美元估值(約合人民幣168億元)完成2.5億美元(約合人民幣16.8億元)B輪融資。當時報道稱,該公司自2025年成立以來已籌集約3.5億美元(約合人民幣23.5億元)。

此次完成10億美元新融資,意味著Instinct的估值在短時間內提升至原來的4倍,反映出資本市場大舉押注能夠自動執行現實任務的個人AI助手。Instinct於2025年在美國舊金山成立,背後公司為Spear Street Technology,目前僅有14名員工。其創始人諾亞·辛(Noah Shinn)今年23歲,2023年從美國東北大學輟學,此前學習化學與計算機科學,並參與過機器學習和大語言模型相關研究,後加入客服AI公司Sierra,成為該公司的早期員工。

▲Instinct創始人諾亞·辛(圖源:X) Instinct是該公司面向個人用戶開發的AI Agent產品,目前處於早期訪問階段,用戶可以通過短信、電話等方式向它發出指令,由其連接郵箱、消息、日曆、屏幕、音頻和位置等數據,並操作手機和電腦完成日常事務。▲用戶讓Instinct幫忙預定餐廳(圖源:Instinct) Instinct個人助手與Meta的個人AI Agent產品Muse相似,兩款產品都能代替用戶操作手機或者電腦,連接郵箱、日曆等應用,替用戶完成購物、出行、預約和郵件處理等事務。近期,Meta Muse憑藉安全隔離的常駐執行Agent架構爆火,推動AI從問答走向自主辦事。

不同之處在於,Muse背靠Meta的社交與消息生態,並運行在專門的Muse Secure VM(Muse安全虛擬機)中,面向更廣泛的消費者,而Instinct則允許用戶通過短信或電話向Agent發出指令,再由Agent處理高複雜度事務,包括代打電話、預約服務和跨Agent協調。過去幾個月,Instinct陸續推出多項產品更新。Instinct Concierge服務主要面向高複雜度事務提供管家式AI服務,可以代替用戶撥打電話、預訂不接受線上預約的餐廳、登記牙醫候診名單,以及處理有線電視賬單等問題。

通過Trusted Person Network(可信個人網絡),用戶的Instinct可以與其他Instinct互相溝通,代表用戶協調日程和計劃。不同Instinct之間還可以協作處理相關事務,支持直接分享PDF、圖片和表格等文件。Instinct還支持在iMessage中分享位置,識別用戶抵達某地的時間,並結合個人偏好提出建議或回答問題。Instinct稱,從產品推出之初,Instinct就已採用隔離沙盒、短時本地憑證和身份簽名工具執行等機制,並持續改進。

Instinct最新推出的主動檢測系統,還能在Agent生成回覆的過程中識別細微、複雜的幻覺,並在Instinct生成或執行回覆之前將其攔截。不過,Instinct完成高權限任務時,用戶需要向其開放郵箱、日曆、賬戶和其他個人數據,部分早期用戶因此擔心Agent可能在沒有充分確認的情況下執行敏感操作。《華爾街日報》還提到,Instinct的服務條款允許公司使用用戶數據訓練AI模型。辛稱,團隊正在快速迭代產品,並針對早期版本可能執行的不當操作增加限制。

結語:資本押注個人Agent,用戶更關注權限問題 當前,Instinct面臨的競爭對手包括ChatGPT的工作類功能及近期快速走紅的Meta Muse。此類產品爆火說明,用戶對能夠直接操作應用、處理日常事務的個人AI助手需求正在升溫。相比傳統聊天機器人,這類產品將能力延伸到任務執行能力、應用連接範圍和持續跟進效率。隨著AI開始“替用戶完成任務”,權限控制、責任邊界和數據使用方式將成為個人AI助手能否大規模普及的關鍵。Instinct在一個月內估值從25億美元躍升至100億美元,顯示資本市場正在押注個人Agent成為下一類入口型產品。

對於用戶而言,穩定完成任務只是第一步,如何讓Agent在授權範圍內行動、保護個人數據並留下可追溯記錄,同樣值得關注。來源:Instinct、《華爾街日報》

Related

相關文章

Fireworks AI 推出 FireRouter with Opus:編碼任務成本降 57%,準確率僅損失 1.5 個百分點

經過一個多月的內部 A/B 測試,該方案執行編碼任務的準確率達到單獨使用 Opus 的98.1%,而成本降低了57%。FireRouter 的核心邏輯是在每次用戶輪次中,評估模型集合中每個模型對當前任務的適合程度,估算每個模型的處理成本(包括提示緩存成本),並權衡切換模型帶來的節省與丟失緩存是否值得,最終路由到質量與成本之間取得最佳平衡的模型。

剛剛