[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-openai-backs-isara-agent-swarm-bet-zh":3,"article-related-openai-backs-isara-agent-swarm-bet-zh":28,"series-ai-agent-1c8afc56-253f-47a2-979f-1065ff072f2a":84},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":11,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":26,"created_at":27,"published_at":27,"topic_cluster_id":11},"1c8afc56-253f-47a2-979f-1065ff072f2a","openai-backs-isara-agent-swarm-bet-zh","OpenAI 挺 Isara 的 agent swarm …","\u003Cp>\u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> 這次出手挺 \u003Ca href=\"https:\u002F\u002Fthenextweb.com\u002Fnews\u002Fopenai-isara-ai-agent-swarms-650m-valuation\" target=\"_blank\" rel=\"noopener\">Isara\u003C\u002Fa>，金額是 9,400 萬美元。公司才成立 9 個月，估值就到 6.5 億美元。說真的，這數字很兇，也很敢。\u003C\u002Fp>\u003Cp>更怪的是，Isara 現在還沒有正式產品上線。它賣的不是聊天機器人，而是多個 AI agent 一起做分析。官方 demo 說，系統裡大約有 2,000 個 agents 在跑。這種玩法很像把 LLM 拆成一支研究小隊。\u003C\u002Fp>\u003Cp>這筆錢也不是孤例。2025 年 9 月，\u003Ca href=\"https:\u002F\u002Fwww.cognition.ai\" target=\"_blank\" rel=\"noopener\">Cognition\u003C\u002Fa> 把 \u003Ca href=\"https:\u002F\u002Fwww.devin.ai\" target=\"_blank\" rel=\"noopener\">Devin\u003C\u002Fa> 做到 102 億美元估值。它的年經常性收入是 7,300 萬美元。投資人現在很明白一件事：只會回字的 AI，已經不夠看了。\u003C\u002Fp>\u003Ch2>Isara 到底在做什麼\u003C\u002Fh2>\u003Cp>講白了，Isara 想做的是 agent swarm。不是一個模型接一個 prompt。它想讓很多 agent 分工、互相校正、再收斂成答案。這種架構聽起來很聰明，也很像研究人員會愛上的東西。\u003C\u002Fp>\u003Cp>它的目標市場也很現實。第一批客戶是投資機構。第二批才是生技和地緣政治分析。這些領域都有同一個特點：一個好預測，可能值很多錢。一個爛預測，也可能直接翻車。\u003C\u002Fp>\u003Cp>但多代理系統的難點，從來不是「能不能跑」。難的是「跑得穩不穩」。一個 agent 幻覺，其他 agent 可能會跟著抄。最後整個系統看起來很有自信，實際上只是把錯誤放大。\u003C\u002Fp>\u003Cul>\u003Cli>募資金額：9,400 萬美元\u003C\u002Fli>\u003Cli>估值：6.5 億美元\u003C\u002Fli>\u003Cli>成立時間：9 個月\u003C\u002Fli>\u003Cli>市場上還沒有正式產品\u003C\u002Fli>\u003Cli>demo 規模：約 2,000 個 agents\u003C\u002Fli>\u003Cli>首波客戶：投資機構\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這家公司也很年輕。共同創辦人 Eddie Zhang 今年 23 歲，曾在 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Fresearch\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa> 做安全研究。另一位共同創辦人 Henry Gasztowtt，當時還在牛津大學念資工。兩個 20 出頭的人，去做一個聽起來像研究院專案的產品，這畫面很新創，也很瘋。\u003C\u002Fp>\u003Cp>如果你有追過 agent 工具，就會知道這條路不是空穴來風。\u003Ca href=\"https:\u002F\u002Fwww.langchain.com\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.crewai.com\" target=\"_blank\" rel=\"noopener\">CrewAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fproject\u002Fautogen\u002F\" target=\"_blank\" rel=\"noopener\">AutoGen\u003C\u002Fa> 都在做多 agent 協作。差別是，Isara 想把規模拉到幾百、幾千個 agents。這就不是玩具了，這是壓力測試。\u003C\u002Fp>\u003Ch2>OpenAI 為什麼要投\u003C\u002Fh2>\u003Cp>OpenAI 投這種案子，不像是單純看財報。比較像是在押一條技術路線。多 agent 協作如果真的有用，會變成很核心的能力。OpenAI 先卡位，至少能看到第一手的研究方向。\u003C\u002Fp>\u003Cp>還有一個很現實的原因：人才。AI 圈現在很常見一種路線。研究員離開大公司，自己開新創。這對原公司不是小事。你少掉的不只是人，還可能是下一版產品方向。\u003C\u002Fp>\u003Cp>所以這筆錢也像是買關係。買技術接觸面。買一個跟前員工保持近距離的機會。這種投資看起來不像在賺短期財報，反而像在買未來的選項。\u003C\u002Fp>\u003Cblockquote>“The AI industry’s most valuable resource is not compute but the researchers who know how to use it.”\u003C\u002Fblockquote>\u003Cp>這句話很直白，也很貼切。現在大家都在比 GPU、比 token 成本、比推理速度。但真正會把系統做出差異的人，還是那群懂模型、懂分工、懂失敗模式的人。\u003C\u002Fp>\u003Cp>如果拿 OpenAI 自己來看，這筆錢其實不算大。外界普遍估 OpenAI 的估值約 3,000 億美元。拿 9,400 萬美元去押一個研究型新創，對它來說比較像試水溫，不像重注。\u003C\u002Fp>\u003Ch2>數字很大，風險也很大\u003C\u002Fh2>\u003Cp>Isara 這類公司，常被歸在所謂的 neoclabs。意思很簡單，就是研究導向的新創。它們先講模型能力，再講商業化。這種模式很吃敘事，也很吃資本耐心。\u003C\u002Fp>\u003Cp>問題是，demo 和 production 差很多。demo 可以跑 2,000 個 agents。production 要面對資料髒污、延遲、成本、驗證、回測，還有客戶的真金白銀。只要其中一項出錯，整個系統就會很難賣。\u003C\u002Fp>\u003Cp>更別說市場已經有人在做 agent 功能了。\u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-chatgpt-agent\u002F\" target=\"_blank\" rel=\"noopener\">ChatGPT Agent\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgemini.google\" target=\"_blank\" rel=\"noopener\">Gemini\u003C\u002Fa> 都在往這方向走。新創要做出差異，不能只說自己 agent 比多，還要證明更準、更快、更便宜。\u003C\u002Fp>\u003Cul>\u003Cli>OpenAI 估值：約 3,000 億美元\u003C\u002Fli>\u003Cli>Isara 估值：6.5 億美元\u003C\u002Fli>\u003Cli>Isara 募資：9,400 萬美元\u003C\u002Fli>\u003Cli>Cognition 估值：102 億美元\u003C\u002Fli>\u003Cli>Cognition ARR：7,300 萬美元\u003C\u002Fli>\u003Cli>demo agents 數量：約 2,000 個\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這組數字很有意思。Cognition 已經有收入。Isara 還在研究階段。可是市場給它的估值，已經很靠近「準產品公司」的敘事。這代表投資人現在買的是技術想像，不是現金流。\u003C\u002Fp>\u003Cp>我覺得真正的考驗只有一個：它能不能在真實工作裡，穩定打贏人類團隊。不是一次 demo。不是一次簡報。是連續 3 個月、甚至 6 個月，都能交出可驗證結果。\u003C\u002Fp>\u003Ch2>這波 agent 熱潮從哪裡來\u003C\u002Fh2>\u003Cp>多 agent 不是憑空冒出來的。背後其實是 LLM 能力開始夠用，大家才敢把它拆成多個角色。以前一個模型要做完所有事，現在可以分成規劃、搜尋、驗證、總結。這比較像軟體工程，不像單純聊天。\u003C\u002Fp>\u003Cp>但這條路也有老問題。協作成本會上升。token 用量會暴增。延遲會變長。你把一個問題拆給 20 個 agent，最後可能得到 20 份半對半錯的答案，還要再花一輪整合。這很燒錢，也很燒算力。\u003C\u002Fp>\u003Cp>所以現在的市場，正在分成兩派。一派做通用 agent，像 \u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fmicrosoft-copilot\" target=\"_blank\" rel=\"noopener\">Microsoft Copilot\u003C\u002Fa>。另一派做垂直場景，像財務、法務、研究。Isara 明顯是後者。它賭的是高價值決策場景，而不是一般辦公室助理。\u003C\u002Fp>\u003Cp>這也解釋了為什麼投資機構會買單。只要模型能讓分析師少花 20% 時間，或把某個預測準度拉高 10%，那商業價值就很可觀。問題是，這 10% 要怎麼證明，才是最難的地方。\u003C\u002Fp>\u003Ch2>接下來看什麼\u003C\u002Fh2>\u003Cp>接下來 Isara 要證明的，不是它會不會做 demo。它要證明的是，這套 agent swarm 可以變成產品。最好還能收錢。更好的是，客戶會續約。\u003C\u002Fp>\u003Cp>如果它做得到，這會讓多代理 AI 從研究題，往實務工具再靠近一步。如果做不到，這筆 6.5 億美元估值就會很刺眼。因為市場現在最不缺的，就是很會講故事的新創。\u003C\u002Fp>\u003Cp>我自己的判斷很直接：接下來 6 到 12 個月，最重要的不是 agent 數量，而是單位成本、準確率、和客戶留存率。你只要看這三個指標，就知道這家公司是在做產品，還是在做論文。\u003C\u002Fp>\u003Cp>所以問題很簡單。2,000 個 agents 到底能不能贏過 20 個好用的工具？如果不能，那這場賭局就只是把算力燒得更漂亮而已。\u003C\u002Fp>","OpenAI 參與 Isara 的 9,400 萬美元募資，這家成立 9 個月的新創估值達 6.5 億美元，主打多代理 AI 協作。","thenextweb.com","https:\u002F\u002Fthenextweb.com\u002Fnews\u002Fopenai-isara-ai-agent-swarms-650m-valuation",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1774578557518-ok2b.png","ai-agent","zh","04f29b7f-9b91-4306-89a7-97d725e6e1ba",[17,18,19,20,21,22,23,24,25],"OpenAI","Isara","agent swarm","多代理AI","LLM","新創募資","Cognition","Claude","Gemini",8,"2026-03-28T03:15:27.513155+00:00",{"tags":29,"relatedLang":43,"relatedPosts":47},[30,32,35,37,39,41],{"name":17,"slug":31},"openai",{"name":33,"slug":34},"研究整理","-",{"name":23,"slug":36},"cognition",{"name":21,"slug":38},"llm",{"name":24,"slug":40},"claude",{"name":20,"slug":42},"-ai",{"id":15,"slug":44,"title":45,"language":46},"openai-backs-isara-agent-swarm-bet-en","OpenAI backs Isara’s agent-swarm bet","en",[48,54,60,66,72,78],{"id":49,"slug":50,"title":51,"cover_image":52,"image_url":52,"created_at":53,"category":13},"cde225a8-eb8e-4724-a089-77f36af0e8a6","mcps-new-primitives-make-agent-middleware-obsolete-zh","MCP 的新原語，正在淘汰自製 agent middleware","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782748974384-f5w9.png","2026-06-29T16:02:24.789168+00:00",{"id":55,"slug":56,"title":57,"cover_image":58,"image_url":58,"created_at":59,"category":13},"6e37d84c-aa27-4d4d-bbf1-81c47dc4522d","mcp-servers-ai-workflows-explained-zh","MCP Server 讓 AI 工具接上工作流","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782747180723-q3gs.png","2026-06-29T15:32:33.536175+00:00",{"id":61,"slug":62,"title":63,"cover_image":64,"image_url":64,"created_at":65,"category":13},"a5333ae2-bfd1-434a-92dd-575e824538c3","openmontage-open-source-ai-video-production-zh","OpenMontage 證明 AI 影片製作該由開源接管","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782685072512-v02f.png","2026-06-28T22:17:22.846394+00:00",{"id":67,"slug":68,"title":69,"cover_image":70,"image_url":70,"created_at":71,"category":13},"caea04da-9e30-4eb8-bb08-2ac3afc4f09e","gemini-35-flash-computer-use-safeguards-zh","Gemini 3.5 Flash 讓你寫電腦操作腳本","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782681504454-c1ly.png","2026-06-28T21:17:56.883563+00:00",{"id":73,"slug":74,"title":75,"cover_image":76,"image_url":76,"created_at":77,"category":13},"362a448e-b40e-437c-9529-94b0fd6a7689","design-md-bridge-taste-to-ui-scaffolds-zh","DESIGN.md 是把品味變成 UI 骨架的缺失橋樑","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782586072806-w93e.png","2026-06-27T18:47:23.886521+00:00",{"id":79,"slug":80,"title":81,"cover_image":82,"image_url":82,"created_at":83,"category":13},"4a77707d-c370-4584-bf40-e71c0414720e","openclaw-agent-control-layer-matters-zh","OpenClaw 證明：代理系統的勝負在控制層，不在模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782561770712-4ch7.png","2026-06-27T12:02:20.114404+00:00",[85,90,95,100,105,110,111,116,121,126],{"id":86,"slug":87,"title":88,"created_at":89},"4ae1e197-1d3d-4233-8733-eafe9cb6438b","claude-now-uses-your-pc-to-finish-tasks-zh","Claude 開始幫你操作電腦","2026-03-26T07:20:48.457387+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"5bede67f-e21c-413d-9ab8-54a3c3d26227","googles-2026-ai-agent-report-decoded-zh","Google 2026 AI Agent 報告解讀","2026-03-26T11:15:22.651956+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"2987d097-563f-46c7-b76f-b558d8ef7c2b","kimi-k25-review-stronger-still-not-legend-zh","Kimi K2.5 評測：更強，但還不是神作","2026-03-27T07:15:55.277513+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"95c9053b-e3f4-4cb5-aace-5c54f4c9e044","claude-code-controls-mac-desktop-zh","Claude Code 也能操控 Mac 了","2026-03-28T03:01:58.58121+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"dc58e153-e3a8-4c06-9b96-1aa64eabbf5f","cloudflare-100x-faster-ai-agent-sandbox-zh","Cloudflare 的 AI 沙箱跑超快","2026-03-28T03:09:44.142236+00:00",{"id":4,"slug":5,"title":6,"created_at":27},{"id":112,"slug":113,"title":114,"created_at":115},"7379b422-576e-45df-ad5a-d57a0d9dd467","openai-plan-automated-ai-researcher-zh","OpenAI 想做自動化 AI 研究員","2026-03-28T03:17:42.090548+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"48c9889e-86df-450b-a356-e4a4b7c83c5b","harness-engineering-ai-agent-reliability-2026-zh","駕馭工程：從「馬具」到「作業系統」，AI Agent 可靠性的終極密碼","2026-03-31T06:42:53.556721+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"96d8e8c8-1edd-475d-9145-b1e7a1b02b65","mcp-explained-from-prompts-to-production-zh","MCP 怎麼把提示詞變工作流","2026-04-01T09:24:39.321274+00:00",{"id":127,"slug":128,"title":129,"created_at":130},"f2ca7720-b471-4ce5-9336-2a9ac2a876fd","amazon-bedrock-agents-multi-agent-workflows-zh","Amazon Bedrock Agents 進入多代理工作流","2026-04-01T09:30:29.945429+00:00"]