2026 年 5 月 5 日，TechCrunch 報導舊金山新創 Altara 完成 700 萬美元種子輪，由 Greylock 領投，Neo、BoxGroup、Liquid 2 Ventures 與 Google 傳奇工程師 Jeff Dean 參投。這家 2025 年成立的公司做一件聽起來不性感、卻卡住整個硬體產業的事：把電池、半導體、醫療器材公司散落在試算表與老舊系統裡的研發與製造資料接起來，用 AI 代理做故障診斷，把數週的人工排查壓縮成分鐘。在「AI for Science」資金大量湧向從零蓋實驗室的今天，Altara 選了一條資本效率完全不同的路。
融資與團隊
兩位創辦人在哈佛念資訊科學時認識。Eva Tuecke 之前在 Fermilab 做粒子物理研究，也待過 SpaceX；Catherine Yeo 則是協作工具公司 Warp 的前 AI 工程師。這個組合剛好對上 Altara 的命題：一邊懂物理科學的資料長什麼樣，一邊懂得把 AI 工程做成產品。Greylock 合夥人 Corinne Riley 給出的類比是「硬體的 SRE」——就像 Greylock 投的 Resolve（估值 15 億美元）用 AI 在可觀測性資料裡診斷軟體故障，Altara 要在電池或晶圓良率異常時，指出究竟是哪個環節出了問題。
物理科學的資料斷層
問題本身很原始。Yeo 舉的例子：一顆電池在 cell 測試中失效，工程師要手動翻感測器日誌、溫度與濕度紀錄、歷史故障報告——一場曠日廢時的「拾荒式」調查，診斷一次故障可能花上數週甚至數月。物理科學公司產生的資料量一點都不小，但它們被鎖在互相不通的系統裡，於是很難回答最基本的問題：這批產品為什麼壞、哪個製程參數該調。軟體世界早就用可觀測性工具解決了同構問題，硬體世界還停在人工交叉比對。
疊加而不是取代
Altara 的產品定位是「智慧層」：不取代既有的研發與製造系統，而是用連接器接上現有資料源，不需要資料搬遷。官網列出的工作流包含實驗設計、良率分析、資訊綜整、異常偵測與故障分析，可以直接用內建的工作流庫，也可以不自建 AI 知識就客製。企業端的顧慮也照顧到了：SOC 2 Type II、SSO/IdP 支援、稽核日誌，可自架在客戶的 VPC 或單一租戶雲端，並承諾客戶資料「絕不用於模型訓練」。目標產業橫跨半導體、先進材料、電池、醫療器材、特用化學品與一般工業。
競爭格局
同一條賽道上已有重量級玩家。Periodic Labs 由前 OpenAI 與 DeepMind 研究員創辦，2025 年 9 月就募了 3 億美元種子輪；Radical AI 也在做加速物理科學的 AI 研究能力。差別在路線：這兩家選擇從地基重蓋，建立自己的研究能力；Altara 則把智慧疊在既有工業資料上，資本開支輕得多。哪條路對還沒有答案——但對已經投產十年的電池廠或晶圓廠來說，「不換系統就能用」的門檻顯然低得多。
為什麼是現在
Riley 的說法是，AI for physical science 是「下一個大邊疆」。背後的推力有兩股：一是推理模型與代理工作流成熟到能做多步驟的資料交叉分析，這在兩年前做不到；二是硬體研發的經濟壓力——電池與晶片的迭代成本越來越高，任何能縮短「失敗到理解失敗」時間的工具，回報週期都以月計。對開發者與產品團隊的啟示很實際：科學資料的錢不一定在造新資料（新實驗、新模擬），更可能在接舊資料。工業環境裡最缺的從來不是模型，而是把碎片資料接成可用上下文的那一層——這正是 Altara 押注的位置。
參考來源
- Altara secures $7M to bridge the data gap that’s slowing down physical sciences — TechCrunch
- Altara — AI agents for physical sciences
- Radical AI Series Seed — Radical AI
本文由 AI 協助自上述來源整理，經人工審核後發布。