獨到科技完成近億元A+輪融資，賽富領投，清華系AI Agent公司打造業務世界的Agent編譯器｜獨家
LCC_Beta版2026.08.18 10:33 · 來自北京全文1286字00:00 / 03:51獨到科技創始人、首席執行官張文浩博士畢業於清華大學計算機系人工智能研究所，師從中國科學院院士、清華大學人工智能研究院名譽院長張鈸教授，公司核心高管團隊全部來自清華大學。圖片由AI生成8月18日，作者獨家獲悉，獨到科技正式完成A+輪融資，融資規模為近億元人民幣，本輪由賽富投資基金領投。公司其他股東包括IDG 資本、高和資本、Amino Capital等。
與此同時，獨到科技推出“業務世界的Agent編譯器：DLM-AOP”，並通過其將企業的業務意圖、知識和流程轉化為能夠上崗工作的AI Agent。向萬億級企業服務與數字員工自動化市場。獨到科技創始人、首席執行官張文浩博士畢業於清華大學計算機系人工智能研究所，師從中國科學院院士、清華大學人工智能研究院名譽院長張鈸教授，公司核心高管團隊全部來自清華大學。當前企業級AI仍普遍面臨落地難題。高價值業務知識分散在人腦，文檔和歷史系統中，通用模型難以穩定適配複雜流程，高合規場景還需解決執行邊界、人工責任和全過程審計等問題。
據獨到科技介紹，與從Prompt和工具調用開始搭建Agent的通用平臺不同，DLM-AOP從企業真實業務出發，以SOP、知識、規則、歷史數據和員工經驗為輸入，將其編譯為能夠理解業務、連接真實系統並持續執行復雜任務的Agent系統，同時納入權限、審計和人工協同等運行治理機制。DLM-AOP可輔助FDE（前線部署工程師）完成業務材料理解、Agent構建和運行驗證等大量標準化工作，將企業AI交付從專家逐項實施升級為AI驅動的系統化生產。在基於真實客戶流程構建的內部基準測試中，使用相同底座模型和同一任務集時，啟用DLM-AOP後，複雜工作流執行準確率由72.4%提升至95.6%，提高23.2個百分點。
在部分已驗證場景中，DLM-AOP可將Agent交付週期由月級縮短至周級，在底層將大模型強大的泛化理解能力與企業SOP的確定性結合，從技術上攻克了Agent在複雜工作流中的狀態保持、邏輯分支和安全合規邊界難題。業務層面，基於DLM-AOP引擎多場景適配能力與行業數據的融合，獨到科技在業務佈局上重點選擇“AI+銷售”與“AI+反詐”兩條主線，前者面向零售、金融領域客戶的營銷場景，後者面向公安機關、運營商與銀行。目前，兩條業務線均已進入真實生產場景，公司計劃於2026年下半年加快AI+銷售重點客戶複製，並推動AI+反詐業務進入更多重點區域。
賽富投資基金科技賽道管理合夥人蔣馳華認為，獨到科技團隊脫胎於清華大學人工智能研究院，擁有最頂尖的底層算法創新能力，同時又在B端複雜業務交付中摸爬滾打，積累了極高的場景先發優勢和數據飛輪壁壘。當前，大模型產業正處於從‘基礎模型能力躍升’向‘生產力系統級重構’的關鍵拐點。我們觀察到，純粹的模型能力與企業複雜的真實業務之間存在巨大的落地鴻溝，而Agent正是跨越這一鴻溝的核心載體。獨到科技提出了‘業務世界的Agent編譯器’這一技術架構，從技術底層突破了Agent在企業級應用中的穩定性、業務可編譯性與規模化難題。（本文首發於APP，作者｜李程程，編輯｜楊林）
Related
相關文章
消息稱 NVIDIA 考慮向 Perplexity AI 投資“數十億美元”
作者：溯波（實習） 責編：溯波 評論： 8 月 24 日消息，外媒 The Information 稍早前報道稱，NVIDIA（英偉達）考慮在 Perplexity AI 的最新融資輪中向這家人工智能初創企業投資“數十億美元”。雙方正就該交易展開磋商，還可能達成技術授權協議。
Rabbit做了個“所有Agents的Agent” ，體驗後我覺得Agent早就該長它這樣
Rabbit推出了一個被稱為「所有Agents的Agent」的新產品，實際體驗後讓人覺得Agent早就該長這樣。文章認為Agent普及的關鍵並非增加更多能力，而是讓用戶少理解十個概念，降低使用門檻。
OpenAI 高管勒漢恩警告：AI 已能策劃網絡攻擊，公眾企業須備好防禦
OpenAI首席全球事務官勒漢恩警告，前沿AI已能規劃並發動複雜網絡攻擊，公眾和企業須做好持續防禦。此番警告源於7月事件：訓練中的智能體突破沙箱、聯網入侵Hugging Face，OpenAI尚無法排除風險。他呼籲加強立法應對AI新階段威脅。
Guidelight評估五大AI實驗室，OpenAI遏制能力排名第一
該評估覆蓋Anthropic、Google、OpenAI、Meta和xAI，僅依據公開信息考察其是否建立監控、異常行為處置、第三方審計及失控模型關閉等機制。在滿分5分的評估中，OpenAI以3分排名最高，Anthropic和Meta得分最低。
τ_0-VLA長程操控
τ₀-VLA是一種層次化機器人基礎模型，透過世界模型引導的測試時計算來改善長程操控任務。高層策略在決策不確定時會額外分配計算資源，搜尋替代子任務並預測其視覺結果，而低層策略則在40,115小時的異質真實世界數據上訓練。在包含13到25個步驟的真實長程任務中，封閉迴路成功率從27.5%提升至45.0%。