英伟达与AMD联合领投143亿种子轮融资，OpenAI高管创业项目引领人工智能初创浪潮，企业定制AI与AI模型融合技术成核心亮点

当然可以！以下是对原文进行SEO优化后的整理版文章，保留了核心信息并增强了关键词密度和可读性，更适合搜索引擎收录与排名。

## （由多段落组成）：

AI初创公司TML完成20亿美元种子轮融资，创历史新高

近日，由前OpenAI首席技术官Mira Murati创办的人工智能企业Thinking Machines Lab（简称TML）宣布成功完成高达20亿美元的种子轮融资，约合人民币143.46亿元。这一融资金额刷新了全球种子轮投资纪录，成为近年来最受瞩目的AI创业项目之一。

本轮融资由知名风投机构a16z领投，NVIDIA、Accel、ServiceNow、CISCO、AMD、Jane Street等科技巨头及资本方共同参与投资。值得注意的是，TML成立于2025年2月，至今成立仅短短五个月时间，便已获得如此巨额资金支持，可见其背后团队和技术实力之强。

TML双线布局：企业定制AI + 消费级AI产品齐头并进

TML的战略方向聚焦于两个关键领域：企业定制型AI解决方案和通用消费级AI产品。在与投资人沟通中，Murati特别强调了“企业AI定制”将成为公司未来发展的核心驱动力。

据知情人士透露，TML正在基于强化学习（Reinforcement Learning）构建模型，旨在围绕企业的关键绩效指标（KPI），如营收增长、利润率提升等，提供高度定制化的AI服务。这种以业务为导向的AI模型被称为“RL for business”，尤其适用于金融、零售、客户服务等行业，具备极高的商业化潜力。

与此同时，TML也在探索面向消费者的AI产品，目前虽未公开具体形态，但有消息称其内部曾讨论开发一款对标ChatGPT的对话型AI助手。若该项目落地，将直接挑战OpenAI的核心市场地位。

技术路径创新：开源+模型融合策略

在基础模型的选择上，TML倾向于采用开源模型体系作为起点。尽管目前闭源模型如GPT-4仍具备一定优势，但Murati认为随着DeepSeek等新兴模型的发展，开源模型的能力差距正逐步缩小。

此外，TML还采用了“模型层融合”（model merging）的技术手段，通过整合多个已有模型的关键处理层，快速构建新模型，大幅提升了研发效率。该技术路径不仅节省了训练成本，也为后续模型迭代提供了更强灵活性。

目前，TML主要依赖谷歌云提供的英伟达GPU服务器进行模型训练，这也使其成为谷歌潜在的投资对象。此前，谷歌已通过“云资源换股权”的方式扶持了Anthropic、Safe Superintelligence等AI初创公司。

与此同时，亚马逊CEO Andy Jassy也曾在2025年4月与Murati会面，表达了希望TML能加入AWS云生态体系的意愿。

顶尖人才汇聚，OpenAI元老级团队加盟

TML之所以备受关注，除了其融资能力外，更在于其强大的创始团队和顾问阵容。创始人兼CEO Mira Murati曾担任OpenAI首席技术官，主导过GPT-4、ChatGPT和DALL·E等多个重大项目，并曾在特斯拉负责Model X和Autopilot系统的开发工作。

除Murati外，TML还吸引了多位来自OpenAI的顶尖人才加入，包括：

– John Schulman：OpenAI联合创始人，前强化学习团队负责人，现任TML CTO；
– Barret Zoph：前OpenAI研究副总裁，深度学习优化专家；
– Luke Metz：前OpenAI研究员，Transformer架构与元学习方向开发者；
– 翁荔：北大校友，前OpenAI安全团队副总裁，现为TML联合创始人之一；
– Alec Radford 和 Bob McGrew：两位OpenAI早期技术元老，担任TML顾问。

目前，TML团队规模约为30人，其中三分之二成员来自OpenAI，整体背景与DeepMind早期团队极为相似。业内分析认为，TML已成为苹果、Meta等科技巨头潜在并购目标。

市场竞争激烈，TML能否打破格局？

当前，AI行业正处于高速发展阶段，尤其是在大模型、AI编程、医疗和法律等细分领域，融资热度持续走高。仅2025年上半年，美国市场就出现了至少25笔超过1亿美元的融资事件。

虽然企业定制化AI并非全新概念，Scale AI、Turing等公司早已涉足相关领域，但在规模化和落地应用方面仍面临诸多挑战。而TML凭借其独特的“企业+消费”双线战略，有望在定制化与通用化之间找到平衡点。

目前，TML尚未正式发布任何产品，但其融资能力、顶级团队配置以及清晰的战略规划，已经使其成为全球最炙手可热的AI初创企业之一。未来，其产品落地情况与技术转化能力，将成为衡量其是否能够真正挑战OpenAI的关键指标。

本文来源：