普林斯顿大学计算机科学系副教授陈丹琦已以兼职身份加入新近亮相的 AI 公司 Noeri。她在社交平台透露,自己此前已开始参与这家公司,并对团队的研究方向颇为关注,尤其看重 AI 在科学发现中的用途,希望每位科学家都能把 AI 用在自己最难处理的研究问题上。
Noeri 由 Yejin Choi 与 Carlos Guestrin 共同创办。公司瞄准的方向,是开发能够持续学习、自我改进的 AI 系统,帮助企业借助自身数据和业务经验构建专属 AI,并让这些系统在真实工作中不断积累经验、优化能力。Yejin Choi 是斯坦福大学计算机科学教授,Carlos Guestrin 则是机器学习领域的资深学者和创业者,两人目前共同担任 Noeri 的联合 CEO。
伴随公司正式亮相,Noeri 还宣布获得 1.1 亿美元融资。本轮由 Menlo Ventures 领投,Madrona Venture Group、Kindred Ventures、Wing Venture Capital 和 NEA 参与,NVIDIA、Cisco Investments、Snowflake 等则作为战略投资者出现。
Noeri 提出的核心理念是 Plural Intelligence,即“复数智能”。公司把这个名字解释为“智能的复数形式”。在创始团队的设想中,AI 不应只由单一超级系统构成,而应由不同规模、不同专长的智能系统共同组成,让每个组织和个人都能打造、掌握并持续改进自己的 AI。
Yejin Choi 长期研究常识推理、自然语言处理、大语言模型和 AI 价值对齐等方向。她曾任华盛顿大学计算机科学教授、艾伦人工智能研究所高级研究经理,也在 NVIDIA 担任过高级研究总监、杰出科学家,并于 2025 年 1 月正式加入斯坦福大学。Carlos Guestrin 则与 Tianqi Chen 共同创建了应用广泛的开源机器学习工具 XGBoost,还联合创办过机器学习公司 Turi,后者在 2016 年被苹果收购。进入苹果后,他担任机器学习与 AI 高级总监,参与推动苹果在西雅图建立 AI 与机器学习研发中心。
陈丹琦目前是普林斯顿大学计算机科学系副教授,共同领导普林斯顿 NLP 研究小组,同时担任普林斯顿语言与智能研究计划副主任,也是 RoBERTa 的作者之一。她特别提到,能与自己长期以来的榜样和朋友 Yejin Choi 一起工作,令她非常高兴。从团队构成看,Noeri 汇集了自然语言处理、机器学习、强化学习、智能体和科学计算等领域的研究人员,试图把学术研究与实际 AI 产品开发放在同一条线上推进。
Noeri 对自身产品的定位很明确:打造能够持续学习、持续改进的 AI 系统。眼下,大多数 AI 模型在完成训练后参数基本固定,部署到企业内部后,面对新的业务数据和工作流程,往往还需要人工调整提示词、工具调用方式,甚至重新训练模型。企业若想让 AI 真正适应自身业务,通常得投入一支专业的 AI 工程团队。Noeri 想把这部分工作交给 AI 来完成。
按照公司公布的产品介绍,Noeri 会研究企业自身的数据和工作流程,围绕具体任务优化整套 AI 系统。可调整的范围包括指令与技能、工具与编排、模型选择以及模型优化:根据实际任务表现改进 AI 系统使用的指令、技能和执行策略;调整工具配置和调用方式,优化不同模型与工具之间的协作;依据任务难度和成本选择更合适的模型负责相应环节;在有必要时进一步优化模型本身,甚至调整底层参数,使模型更适合企业的具体任务。每一次改动都会附带解释,并交由人类审核确认,Noeri 将这一过程比作代码审查。
这套系统支持闭源模型和开放权重模型,也能随着新模型出现进行适配。客户可以保留自己的数据,以及通过系统开发的工作流和模型的所有权,但仍需遵守第三方模型的相关许可协议。Noeri 希望让 AI 在实际工作中持续积累经验,从企业数据、工作流程以及任务执行过程中的交互中学习,并据此改进自身能力。每一次任务中的经验和纠正,都有机会成为下一轮优化的依据。从产品形态看,Noeri 更像一名能够持续工作的 AI 工程师:研究现有工作流程、寻找系统中的改进空间,并提出优化方案,而每次改动都需要经过人类审核。
“复数智能”这一主张背后也有现实商业考量。一家企业可能需要 AI 处理财务分析、客户服务、研发设计等不同任务,每项工作对模型的要求并不一样。如果所有任务都交给最昂贵的前沿模型,成本很难控制;如果选择成本较低、能力相对有限的模型,又可能牺牲任务效果。Noeri 希望通过模型专业化和智能体协作找到更合适的组合。例如,让一个较小的模型负责调度,根据任务需要调用其他模型和专业工具;随着具体任务经验不断积累,再持续优化相应的模型和工作流程,让不同 AI 各司其职,并在实际工作中不断进化。
创始团队在愿景文章中还描绘了两种不同的 AI 发展路径:一种是由一家企业开发并掌握一个超级智能,其他企业和个人只能依赖它;另一种是由大量不同规模、不同能力的 AI 组成生态,每个智能系统围绕特定地域、人群或问题进行专业化调整,由真正了解这些问题的人和组织塑造。两人更倾向于后者。
这种思路也延伸到科学研究。陈丹琦尤其关注复数智能在科学发现中的应用。对科学家而言,研究问题往往高度专业化,现成的通用模型未必掌握足够的领域知识。如果 AI 能够围绕某个具体研究问题持续学习,记住过去尝试过哪些方案、取得了什么结果,还能让多个专业化智能体协同工作,共同提出假设、检验方案并完善研究方向,那么科学家就有机会把更多精力放在提出问题和验证发现上。Noeri 已将这一方向列为公司探索内容之一。









