人工智能代理（AI Agents）正风靡一时，这一趋势由生成式AI和大语言模型（LLM）的繁荣驱动。尽管对AI代理的定义尚存分歧，但普遍认为它们是能被分配任务并自主决策的软件程序。
简而言之，AI智能体超越了普通聊天机器人，能协助人类完成复杂任务。目前该领域仍处于早期阶段，Salesforce、Google等巨头已大力投资；亚马逊CEO安迪·贾西也暗示未来Alexa将更具“代理”特性，从侧重言语转向侧重行动。
与此同时，初创企业借势崛起。德国公司Juna.ai希望通过自动化复杂工业流程提升工厂效率，“以最大化生产吞吐量、提高能源效率并减少总体排放”。为此，这家柏林初创公司今日宣布完成750万美元种子轮融资，投资方包括硅谷风投Kleiner Perkins、瑞典Norrsken VC及Kleiner Perkins主席John Doerr。
自我学习是正道
Juna.ai成立于2023年，由Matthias Auf der Mauer（上图左）和Christian Hardenberg（上图右）联合创立。Auf der Mauer曾创立预测性维护公司AiSight并于2021年被瑞士传感器公司Sensirion收购；Hardenberg曾任欧洲外卖巨头Delivery Hero首席技术官。
Juna.ai的核心目标是帮助制造工厂转型为具备自学习能力的智能系统，从而提升利润率并降低碳足迹。公司专注于钢铁、水泥、造纸、化工、木材和纺织等“重工业”，这些行业拥有消耗大量原材料的大规模生产流程。
Auf der Mauer表示：“我们与高度依赖流程的行业合作，大多数用例涉及大量能源使用，例如需要高温进行化学反应的反应器。”
Juna.ai软件与Aveva或SAP等制造商生产工具集成，分析机器传感器收集的历史数据，涵盖温度、压力、速度以及质量、厚度、颜色等输出测量值。
基于这些信息，Juna.ai帮助企业训练内部代理以寻找机械最佳设置，为操作员提供实时数据和指导，确保高效运行并最大限度减少浪费。
例如，某化工厂在生产特种碳时，需混合不同油品并进行高能耗燃烧。为最大化产量并最小化残留废物，需优化气体/油水平及反应温度。Juna.ai代理利用历史数据建立理想设置并结合实时条件，指导操作员调整参数以实现最佳产出。
若Juna.ai能帮助微调生产设备，企业可在提高产量的同时降低能耗，实现经济效益与碳减排的双赢。
Juna.ai使用TensorFlow和PyTorch构建自定义AI模型，并采用强化学习进行训练。这是一种机器学习子集，模型通过与环境互动、尝试动作、观察结果来不断改进。
Hardenberg指出：“强化学习的优势在于能够采取行动。典型模型仅做预测或生成内容，无法进行控制。”
目前Juna.ai主要扮演“副驾驶”角色，通过屏幕告知操作员如何调整控制装置。由于许多工业流程极其重复，让系统采取实际行动将大有裨益，例如冷却系统需不断微调以维持正确温度。
工厂已习惯使用PID和MPC控制器自动化系统，这也是Juna.ai可行的方向。但对初创AI公司而言，销售“副驾驶”产品更容易迈出第一步。
“技术上我们已可实现自主运行，只需完成连接。但最终关键在于与客户建立信任，”Auf der Mauer说。
Hardenberg补充道，平台优势不在于节省人力，因工厂在手动流程自动化方面已“相当高效”，重点在于优化流程以减少昂贵浪费。
“相比耗费2000万美元能源的流程，减少一人带来的收益有限。真正的收益是将能源成本从2000万降至1800万或1700万美元。”
预训练智能体
目前Juna.ai主要利用客户历史数据定制AI智能体。未来计划提供现成的“预训练”智能体，无需针对新客户数据进行大量训练。
“若反复构建模拟环境，我们将拥有可复用的模拟模板，”Auf der Mauer表示。这意味着若两家公司使用同类化学反应器，AI智能体可在客户间迁移，核心理念是“一个模型对应一台机器”。
尽管企业对数据隐私存有顾虑，但Hardenberg表示这暂未成为主要障碍。一方面得益于数据驻留控制措施，另一方面源于向客户承诺能从海量数据中释放价值。
“我曾视其为潜在问题，但目前并非大碍。我们将所有数据保留在德国供本地客户使用，他们拥有自有服务器且我们提供顶级安全保障。客户周围虽有大量数据，但多用于警报或手动分析，价值挖掘效率低。我们的观点是利用这些数据构建智能工厂大脑，创造更多价值。”
成立一年多以来，Juna.ai已拥有少数德国客户（具体名称未披露），这些客户要么在其他地区设有子公司，要么是外地公司的子公司。
“我们计划与客户共同成长，这是扩展业务的绝佳方式，”Hardenberg补充道。
随着750万美元资金到位，Juna.ai将从现有六人团队扩张，并加大对技术专长的投入。
“归根结底，这是一家软件公司，而软件公司的核心就是人，”Hardenberg说。