旨在利用人工智能实现工业硬件设计自动化的JuliaHub，已通过B轮融资获得6500万美元。按韩元计算，规模约为9589.7亿韩元。JuliaHub计划以此笔资金为基础，正式开发专注于工程的AI代理平台"Dyad 3.0"。
本轮投资由Dorilton Capital领投，General Catalyst、AE Ventures以及Snowflake前首席执行官鲍勃·穆格利亚（Bob Muglia）参与。公司表示，将把资金投入到帮助半导体、卫星、锂电池等复杂工业设备设计、测试和维护的云端平台的升级中。
JuliaHub瞄准的市场是传统工业工程缓慢的开发结构。软件行业因生成式AI和编码辅助工具的普及而生产率快速提升，但设计航空发动机、热泵或废水处理设备的工业现场，仍然依赖老旧的设计工具和仿真平台。因此，设计周期长达数月甚至数年的情况并不少见。
公司认为，这种低效正在加剧全球"基础设施鸿沟"。根据麦肯锡报告，到2040年所需的累计基础设施投资规模将超过106万亿美元。不过，JuliaHub主张，单靠资金难以解决问题，需要像软件开发那样能够快速迭代设计的新工具。
并非"聊天机器人"，而是面向工程的AI代理平台
Dyad 3.0与普通的聊天机器人性质不同。JuliaHub首席执行官维拉尔·沙阿（Viral Shah）将其描述为"大规模代理型工程"。其结构是：输入设计目标和整体规格后，多个AI代理基于物理定律设计系统，并在接近现实的环境中进行压力测试。
核心是Julia编程语言。该公司解释称，以这种为高性能数学计算优化的语言为基础，结合科学机器学习和大规模物理仿真，共同提升了设计的准确性和速度。据悉，在实际测试中，该平台实现了化工厂模型预测控制系统整个设计过程的自动化，将人类可能需要数月才能完成的工作大幅缩短。
维拉尔·沙阿强调"规格输入，设计输出"的结构，他表示："这不是帮助工程师完成一个小任务的级别，而是只要输入整体规格就能输出完整设计的方式。"
AI"幻觉"可能致命的工业现场，解决方案是科学机器学习
工业设计中最敏感的问题是AI的"幻觉"。与文档编写过程中的简单错误不同，在桥梁或工厂设备设计中，错误的判断可能导致实际事故。为了解决这个问题，JuliaHub采用了科学机器学习方法，将重力、热力学、流体力学等高级物理概念融入AI模型。
科学机器学习是一种同时利用实际传感器数据和基于物理方程式的混合方法。其重点在于即使环境发生变化或添加新变量，也能保持输出值的可靠性。基于此，Dyad平台向AI代理提供各种科学工具和大规模数据，构建设备的"数字孪生"，自动进行性能验证和故障预测。
公司表示，已在部分现场取得了有意义的成果。在与水资源管理企业Vines合作的项目中，为仅有4个传感器输入的复杂水泵系统构建了数字孪生，以超过90%的准确率预测了故障。此外，与芯片设计软件公司Synopsys（$SNPS）的合作，提高了芯片开发过程中系统工程效率。
Synopsys创新事务高级副总裁普里斯·班纳吉（Prith Banerjee）评价称，Dyad集成了基于物理的仿真和数据驱动模型，实现了高精度混合数字孪生。他表示，原本需要大量手动操作的流程变得高效得多，加速了数字工程的全周期。
JuliaHub提出了长期目标，要将Dyad打造成"AI原生工程"的行业标准。公司计划首先专注于市场拓展和加强与合作伙伴的联动，随后进入超越设计阶段，让AI代理自主运营复杂机械和基础设施的阶段。从生成式AI开始跨越编码领域，深入制造和基础设施设计领域来看，此次投资被视为衡量工业现场AI转型速度的一个转折点。
TP AI 注意事项 本文使用TokenPost.ai基础语言模型进行摘要。正文主要内容可能被省略或与事实不符。