视频游戏成 AI 新金矿！Origin Lab 融资 800 万美元，助力数据交易新模式

随着人工智能（AI）技术不断发展，越来越多的实验室开始探索如何构建能够理解物理世界的 “世界模型”。然而，与大型语言模型不同，构建这些模型所需的数据来源并不容易，这使得很多实验室在组建训练集时感到力不从心。现在，一家初创公司看到了一个意想不到的数据来源：视频游戏行业。

Origin Lab，刚刚完成了由 Lightspeed Ventures 领投的 800 万美元种子融资，目标是成为一个连接 AI 实验室与视频游戏公司的数据交易市场。视频游戏的开发者们可以在这里将他们的数字资产转化为可销售的高质量数据，而 AI 实验室则能够获取所需的训练数据，以支持他们的物理模型研发。

Origin Lab 的联合创始人 Anne-Margot Rodde 在接受采访时表示：“现在构建的 AI 系统需要理解物理世界的运作方式，而这些数据恰恰存在于视频游戏中。” 除了 Rodde，其他联合创始人还有 Antoine Gargot 和 Colin Carrier。Origin Lab 的核心理念是将视频游戏中的数据进行处理，转换成适合 AI 训练的格式，例如通过渲染或自动化处理游戏攻略视频。

视频游戏行业潜藏着丰富的数据资源，但由于许可和数据质量的问题，过去实验室在获取这些数据时遇到许多障碍。例如，OpenAI 在 2024 年因其 Sora 视频生成模型涉嫌未授权使用热门游戏和直播内容而引发争议。与此同时，亚马逊也表现出对使用 Twitch 直播视频进行模型训练的兴趣。

Origin Lab 的融资成功标志着一个日益增长的市场，不仅是对于训练数据的需求，还有那些能够为大型 AI 实验室提供关键数据的初创企业。Lightspeed 的合伙人 Faraz Fatemi 表示：“我们看到数据供应商在服务主要室时的收入增长潜力非常明显，这些企业资金雄厚，而它们的瓶颈就在于数据的获取。”

总之，Origin Lab 不仅为 AI 实验室提供了新的数据获取渠道，也为视频游戏公司开辟了新的收入来源，未来可能会在 AI 与视频游戏交叉领域带来更多创新。

划重点：

🌟 Origin Lab 刚刚融资 800 万美元，计划将视频游戏数据转化为 AI 训练所需的高质量数据。

🎮 视频游戏公司可以通过 Origin Lab 将现有资产变现，获取额外收入。

📈 随着数据需求的增长，Origin Lab 将连接 AI 实验室和游戏开发者，推动新市场的形成。

via AI新闻资讯 (author: AI Base)

Notion 重磅升级！让你的工作空间成为 AI 智能助手的聚集地

近期，生产力软件巨头 Notion 宣布推出全新的开发者平台，进一步推动其进入 AI 智能化的新时代。在一场直播产品发布会上，Notion 的联合创始人兼 CEO 赵俊（Ivan Zhao）表示，Notion 不仅仅是一个协作笔记工具，现在将成为一个连接 AI 代理、外部数据源和自定义代码的中心，让团队可以高效地构建自动化工作流程。

Notion 在今年2月首次推出了自定义代理功能，用户可以创建 AI 助手来处理重复性任务，例如回答常见问题、编写状态更新和自动化工作流程。自此以来，Notion 用户已经创建了超过一百万个 AI 代理。然而，这些代理在连接外部数据和使用自定义逻辑方面存在一定限制，迫使用户通过第三方自动化平台或者编写自己的脚本来解决问题。

为了解决这一困扰，Notion 推出了名为 “Workers” 的云环境，允许团队在安全的沙箱中运行自定义代码，用户可以将自己的逻辑代码同步到 Notion 中，并创建定制工具。同时，Notion 的数据库同步功能也能拉取来自任何 API 数据库的数据，用户可以轻松接入 Salesforce、Zendesk、Postgres 等数据源，使得 Notion 数据库的实时性大大增强。

此外，Notion 还允许用户直接与外部 AI 代理进行聊天，分配任务并跟踪进度，仿佛这些代理也是 Notion 内建的助手。目前，Notion 已支持 Claude Code、Cursor、Codex 和 Decagon 等合作伙伴的代理，未来还会持续增加更多的支持。

总的来看，Notion 的开发者平台标志着其战略的重大转变，从一个简单的应用程序向可编程平台迈进，逐步变身为一个整合 AI 代理、自定义代码和实时数据的核心基础设施。这样的转型不仅符合当前企业对于知识工作自动化的需求，也让 Notion 在竞争激烈的工作流程自动化平台中脱颖而出。

划重点:

🌟 Notion 推出全新开发者平台，让 AI 代理与外部数据源无缝对接，提升工作效率。

💻 “Workers” 云环境允许用户自定义代码，支持多种数据库的数据同步。

🤖 用户可以直接与外部 AI 代理互动，赋予团队更强的任务管理能力。

via AI新闻资讯 (author: AI Base)

RAG 到 NotebookLM：揭示 AI 知识库的进化之路

在人工智能的飞速发展中，知识库的技术演进也备受关注。最近，关于 NotebookLM 的技术实现路径引发了广泛讨论。这款 AI 笔记和研究助手以用户上传的资料为基础，显著减少了 “AI 幻觉” 的发生，成为知识管理的新宠儿。

NotebookLM 与传统的 AI 对话工具，如 ChatGPT 或 Gemini 有着本质的不同。其核心逻辑在于，NotebookLM 只会基于用户提供的资料进行回答，保证了信息的准确性和相关性。通过这样的方式，用户能够更有效地利用其知识，而不是仅依赖模型随机生成的信息。

深究其技术路径，NotebookLM 的本质实际上是一种高阶的 RAG（Retrieval-Augmented Generation）系统。RAG 通常是一个从资料中提取信息的过程，但在 NotebookLM 中，我们看到了一种更为复杂的实现。在该系统中，用户上传资料后，NotebookLM 通过文档理解和多索引检索，将知识结构化并不断进行更新。这一过程让知识不仅仅是碎片化的答案，而是形成了一个可持续发展的知识体系。

Karpathy 近期发布的《LLM Wiki》文档进一步明确了 NotebookLM 的技术基础。与传统 RAG 的即兴拼接不同，LLM Wiki 强调将资料组织成结构化的知识库，允许持续更新和迭代。这种前置的知识编译使得 NotebookLM 在用户提问时能够提供更为精准和深入的回答。

Google 也透露，NotebookLM 内部具有检索和排序的功能，帮助用户更好地管理资料。这些信息表明，NotebookLM 并非只是一个简单的文件上传工具，而是包含了文档解析、信息检索、上下文组织等多层次的能力。它通过隐秘化的工程链路，帮助用户在操作上获得流畅的体验。

从用户的角度来看，NotebookLM 的优势在于简化了复杂的操作流程。用户只需上传资料、提出问题并能快速回到原文核查，系统自动处理了所有技术细节。这一黑箱操作极大地降低了用户使用知识库的门槛。

随着技术的不断进步，NotebookLM 代表了 AI 知识库的未来方向，展示了如何将复杂的工程问题转化为简单的用户体验。

划重点：

🔍 ** 传统 RAG 的局限 **：NotebookLM 通过专注用户上传的资料，降低了 “AI 幻觉”，提供更为准确的答案。

⚙️ ** 技术创新 **：NotebookLM 结合文档理解和多索引检索，形成一个可持续更新的知识库，超越了传统 RAG 的拼接方式。

📈 ** 用户友好体验 **：简化了复杂的操作流程，让用户只需关注上传资料和提问，大大提高了使用便捷性。

via AI新闻资讯 (author: AI Base)