Runloop приносит 7 миллионов долларов США для питания агентов кодирования ИИ с облачными devboxes

Runloop, стартап инфраструктуры в Сан-Франциско, собрал 7 млн. Долл. США в виде семян, чтобы учесть то, что его основатели называют «пробелом производства»-критической задачей развертывания агентов по кодированию ИИ помимо экспериментальных прототипов в реальных корпоративных средах.

Раунд финансирования, возглавляемый общим партнерством с участием Blank Ventures. Предполагается, что рынок инструментов кодирования ИИ к 2032 году достигнет 30,1 млрд. Долл. США, увеличившись с совокупным годовым темпом роста (CAGR) на 27,1%. Инвестиции сигнализируют о растущей уверенности инвесторов в инфраструктуре, которая позволяет агентам искусственного интеллекта работать в масштабах предприятия.

Платформа Runloop решает фундаментальный вопрос, который появился как пролиферирование инструментов кодирования AI: где на самом деле работают агенты искусственного интеллекта, когда им нужно выполнять сложные многоступенчатые задачи кодирования?

«Я думаю, что в долгосрочной перспективе мечта заключается в том, что для каждого сотрудника в каждой крупной компании, возможно, есть пять или 10 разных сотрудников цифровых технологий, или агенты искусственного интеллекта, которые помогают этим людям выполнять свою работу»,-объяснил Джонатан Уолл, соучредитель и генеральный директор Jonathan Wall. Стеной соучредил Google Wallet и индекс запуска Fintech, который был приобретен Stripe.

Аналогическая стена использует: «Если вы подумаете о найме нового сотрудника в вашей средней технологической компании, ваш первый день на работе, им нравится:« Хорошо, вот ваш ноутбук, вот ваш адрес электронной почты, вот ваши учетные данные. Вот как вы войдете в GitHub ». Вы, вероятно, проводите свой первый день, устанавливая эту среду.

Уолл утверждает, что тот же принцип относится к агентам ИИ. «Если вы ожидаете, что эти агенты искусственного интеллекта смогут делать то, что делают люди, им понадобятся все те же инструменты. Им понадобятся собственная рабочая среда».

Почему инструменты кодирования ИИ ведут революцию автоматизации

Рунлуп изначально сосредоточился на вертикали кодирования на основе стратегического понимания природы языков программирования по сравнению с естественным языком. «Языки кодирования намного уже и строгие, чем что -то вроде английского», — объяснил Уолл. «У них очень строгий синтаксис. Они очень ориентированы на узор. Это действительно хороши на больших языковых моделях (LLM)».

Что еще более важно, кодирование предлагает то, что настенные вызовы «встроенные функции проверки». Код записи агента AI может непрерывно проверять свой прогресс, запустив тесты, скомпилируя код или используя инструменты Linting. «Такие инструменты на самом деле не доступны в других средах. Если вы пишете эссе, я думаю, вы могли бы сделать проверку орфографии, но оценить относительное качество эссе, пока вы на полпути — нет компилятора».

Это техническое преимущество оказалось предварительным. Рынок инструментов Code AI действительно стал одним из самых быстрорастущих сегментов в Enterprise AI, управляемых такими инструментами, как Github Copilot, которые Microsoft Reports использует миллионы разработчиков, и недавно анонсированные улучшения Codex OpenAI.

Облачные Devboxes: Inside Runloop: Инфраструктура агента AI Enterprise AI

Основной продукт Runloop, называемый «Devboxes», предоставляет изолированные облачные среды разработки, где агенты искусственного интеллекта могут безопасно выполнять код с полной файловой системой и доступа к инструментам. Эти среды являются эфемерными — их можно развернуть и динамически снести в зависимости от спроса.

«Вы можете вращаться на 1000, использовать 1000 в течение часа, тогда, возможно, вы закончили с какой -то конкретной задачей», — сказал Уолл. Тогда «Вам не нужно 1000, так что вы можете их снести».

Один пример иллюстрирует утилиту платформы. Когда клиент, который создает агенты искусственного интеллекта для автоматического записи модульных тестов для улучшения покрытия кода, обнаруживает проблемы производства в системах своих клиентов, они одновременно развертывают тысячи девабоксов для анализа хранилища кода и создания комплексных тестовых комплексов.

«Они будут на борьбе с новой компанией и скажут:« Эй, первое, что мы должны сделать, это посмотреть на ваше покрытие кода повсюду, обратите внимание, где его не хватает, напишите целую тонну тестов, а затем выберите «Черри», чтобы отправить вашим инженерам для обзора кода », — объяснил Уолл.

Успех клиента Runloop: шестимесячная экономия времени и 200% рост клиентов

Несмотря на то, что в марте только запустил выставление счетов и регистрацию самообслуживания в мае, Runloop достиг значительного импульса. Компания сообщает «несколько десятков клиентов», в том числе компании Series A и основные модели Laboratories, причем рост клиентов превышает 200%, а рост выручки превышает 100% с марта.

«Наши клиенты, как правило, имеют размер и форму людей, которые очень рано на кривой ИИ и довольно изощренны в использовании ИИ», — отметил Уолл. «Это сейчас, по крайней мере, имеет тенденцию быть компаниями серии А, пытающихся создать ИИ в качестве основной компетенции, или некоторые из модельных лабораторий, которые, очевидно, являются самыми сложными в этом».

Воздействие кажется существенным. Дэн Робинсон, генеральный директор Detail.Dev, клиент Runloop, назвал платформу «убийцей для нашего бизнеса». Мы не могли бы сделать на рынке так быстро без нее. Вместо того, чтобы сжигать месяцы построения инфраструктуры, мы смогли сосредоточиться на том, на чем мы увлечены: создание агентов, которые сокрушают технологический долг… Runloop в основном сжали нашу таймла на манере на шесть месяцев ».

Тестирование и оценка кода ИИ: выход за пределы простых взаимодействий чат -бота

Второй основной продукт Runloop Public Benchmarks решает еще одну критическую потребность: стандартизированное тестирование для агентов кодирования искусственного интеллекта. Традиционная оценка ИИ фокусируется на отдельных взаимодействиях между пользователями и языковыми моделями. Подход Runloop принципиально отличается.

«То, что мы делаем, — это судить потенциально сотни использования инструментов, сотни звонков LLM и судить о композитном или продольном результате агента», — объяснил Уолл. «Это гораздо более продольно, и очень важно, это богатый контекст».

Например, при оценке способности агента AI исправлять код «вы не можете оценить DIFF или ответ от LLM. Вы должны поместить его в контекст полной базы кода и использовать что -то вроде компилятора и тестов».

Эта возможность привлекла модельные лаборатории в качестве клиентов, которые используют инфраструктуру оценки Runloop для проверки модельного поведения и поддержки процессов обучения.

Конкуренция с Microsoft, Google и OpenAI на рынке инструментов разработки искусственного интеллекта

Рынок инструментов кодирования искусственного интеллекта привлек массовые инвестиции и внимание со стороны технологических гигантов. Microsoft Github Copilot возглавляет долю рынка, в то время как Google недавно анонсировал новые инструменты разработчика ИИ, а Openai продолжает продвигать свою платформу Codex.

Однако Уолл рассматривает эту конкуренцию как проверку, а не угрозу. «Я надеюсь, что многие люди строят ботов по кодированию ИИ», — сказал он, проведя аналогию с тем, что дата данных в пространстве машинного обучения (ML). «Spark — это открытый исходный код, это то, что кто -то может использовать… почему люди используют DataBricks? Ну, потому что на самом деле развертывание и запуск, что довольно сложно».

Уолл предвидит, что рынок будет развиваться в направлении, специфичных для домена агентов кодирования ИИ, а не к инструментам общего назначения. Эти агенты превзойдут определенную задачу, такую как тестирование безопасности, оптимизация эффективности базы данных или конкретные структуры программирования.

Модель доходов Runloop и стратегия роста для инфраструктуры ИИ предприятия

Runloop работает на модели ценообразования на основе использования со скромной ежемесячной платой плюс платы, основанные на фактическом потреблении вычислений. Для более крупных корпоративных клиентов компания разрабатывает годовые контракты с гарантированными минимальными обязательствами по использованию.

Финансирование в 7 миллионов долларов будет в основном поддерживать инженерную инженерию и разработку продукта. «Инкубация инфраструктурной платформы немного длиннее», — отметил Уолл. «Мы только сейчас начинаем действительно идти на рынок».

Команда компании из 12 включает ветеранов из Vercel, Scale AI, Google и Stripe-опыт, который, по мнению Уолла, имеет решающее значение для строительства инфраструктуры корпоративного уровня. «Это довольно опытные и довольно старшие люди инфраструктуры. Для каждой компании было бы довольно сложно собрать такую команду, чтобы решить эту проблему».

Что дальше для агентов по кодированию ИИ и платформ развертывания предприятий

Поскольку предприятия все чаще принимают инструменты кодирования ИИ, инфраструктура для их поддержки становится критической. Проект промышленных аналитиков продолжил быстрый рост, поскольку мировой рынок инструментов кода ИИ расширяется с 4,86 млрд. Долл. США в 2023 году до более чем 25 миллиардов долларов к 2030 году.

Видение Уолла простирается за пределы кодирования до других областей, где агентам ИИ потребуется сложная рабочая среда. «Со временем мы думаем, что мы, вероятно, возьмем на себя другие вертикали», — сказал он, хотя кодирование остается непосредственным направлением из -за его технических преимуществ для развертывания ИИ.

Фундаментальный вопрос, как он формирует Wall It, практичен: «Если вы CSO или ИТ -директор в одной из этих компаний, и ваша команда хочет использовать пять агентов в каждом, как вы, возможно, собираетесь на борту и вносите в свою среду 25 агентов?»

Для Runloop ответ заключается в предоставлении инфраструктурного уровня, который делает агенты искусственного интеллекта таким же простым в развертывании и управлении как традиционные программные приложения — превращая видение цифровых сотрудников от прототипа в производственную реальность.

«Все считают, что у вас будет эта цифровая база сотрудника: как вы на борту?» Стена сказала. «Если у вас есть платформа, на которой можно работать эти вещи, и вы проверяете эту платформу, это становится масштабируемым средством для людей, чтобы начать широкое использование агентов».