
在 Thinking Machines Lab 工作约一年后,普林斯顿大学计算机科学副教授陈丹琦又加入了一家新的 AI 创业公司。
11 月 17 日,陈丹琦在个人社交账号上透露,自己已经以兼职身份加入 AI 初创公司 Noeri 约两个月,并特别提到了两位创始人——斯坦福大学计算机科学教授 Yejin Choi 和 Carlos Guestrin。她期待探索多元 AI(plural AI)在科学发现领域的应用,希望让每一位科学家都能利用 AI 解决自己面临的难题。
对于陈丹琦的加入,Yejin Choi 也在社交媒体上表达了欢迎。她转发了陈丹琦的消息,并写道:“能与这位传奇人物共事,我的梦想成真了。”
同日,Noeri 正式对外公布成立消息,并宣布获得 1.1 亿美元融资,投资方包括 Menlo Ventures、Madrona Venture Group、Kindred Ventures、Wing Venture Capital 和 NEA,英伟达、思科和 Snowflake 等科技公司也参与其中。
这家公司的目标,是开发能够从真实工作中持续学习的 AI Agent。除了企业应用,Noeri 也将科学发现作为重要方向,希望让不同领域的 AI 能够积累专业知识、相互协作,并在实际任务中不断改进。
陈丹琦加入新 AI 公司
陈丹琦是自然语言处理领域颇有影响力的华人学者。本科毕业于清华大学计算机科学与技术专业,曾就读于清华姚班。2012 年,她前往斯坦福大学攻读计算机科学博士学位,师从知名计算语言学家 Christopher Manning,2018 年获得博士学位。
博士毕业后,陈丹琦于 2019 年加入普林斯顿大学计算机系,担任助理教授,后来晋升为副教授。她同时担任普林斯顿自然语言处理研究组(Princeton NLP Group)联合负责人,以及普林斯顿语言与智能计划(Princeton Language and Intelligence,PLI)副主任。
她的研究经历,几乎贯穿了自然语言处理从机器阅读、知识检索到大语言模型发展的几个重要阶段。
博士期间,陈丹琦参与了开放领域问答系统 DrQA 的研究。这类系统试图让机器从维基百科等海量文档中检索信息,再阅读相关内容,回答人类提出的问题。
图 | 陈丹琦(来源:普林斯顿大学)
2020 年,她参与提出的稠密段落检索方法 Dense Passage Retrieval(DPR),则利用神经网络将问题和文本映射到向量空间,通过语义匹配寻找相关内容。这项工作成为后来检索增强生成(RAG)技术的重要研究基础之一。
随着大语言模型兴起,她的研究进一步拓展到模型训练、适配和推理能力。她参与的 SimCSE 通过对比学习提升句子语义表示能力、ProLong 探索以更低成本训练长上下文模型,HELMET 则用于评估大模型处理长文本的能力。
近年来,她也将研究延伸到数学推理等方向。2025 年公布的 Goedel-Prover-V2 项目,将大语言模型与 Lean 等形式化数学验证工具结合,让模型能够生成数学证明,并利用验证结果改进输出。
这些研究也为她赢得了多项学术荣誉,包括 2019 年斯坦福大学 Arthur Samuel 最佳博士论文奖、2022 年斯隆研究奖学金、2023 年美国国家科学基金会 CAREER 奖,以及曾于 2019 年入选《麻省理工科技评论》“35 岁以下科技创新 35 人”中国区名单。
陈丹琦的职业经历也不局限于大学。她曾在 Facebook AI Research 和 Google DeepMind 从事研究工作。2025-2026,她还曾以技术团队成员的身份,在 OpenAI 前首席技术官 Mira Murati 创办的 Thinking Machines Lab 工作一年。
如今,她再次进入创业公司,不过这一次选择的是 Noeri。
两位斯坦福教授创办,押注多元智能
Noeri 由两位斯坦福大学计算机科学教授 Yejin Choi 和 Carlos Guestrin 联合创办,两人同时担任公司联合 CEO。公司名称寓意着“多元的智能”(The Plural of Intelligence)。
Yejin Choi 是自然语言处理与人工智能领域的知名学者。她曾长期任教于华盛顿大学,期间在艾伦人工智能研究所(AI2)担任高级总监,负责 Mosaic 项目。2025 年,她加入斯坦福大学,同时也在英伟达担任高级总监。她的研究聚焦于大语言模型的基础能力与局限、推理与知识发现、多元对齐(pluralistic alignment)及 AI 安全。
另一位创始人 Carlos Guestrin 则是机器学习领域的资深研究者,也是开源机器学习工具 XGBoost 的共同开发者,该工具被广泛应用于数据科学和机器学习任务。除了学术研究,他也有丰富的创业和产业经验,此前创办的机器学习公司 Turi 于 2016 年被苹果收购,随后他加入苹果,负责中央机器学习与 AI 团队。目前,他担任斯坦福大学人工智能实验室(SAIL)主任。
图 | Yejin Choi 和 Carlos Guestrin(来源:Noeri)
两人创办 Noeri 的想法,部分源于一次具体的科研合作。
据彭博社报道,Yejin Choi 曾与斯坦福大学一个微生物学和免疫学研究团队合作,帮助研究人员降低使用 OpenAI 模型的成本。团队尝试开发一个能够调用其他 AI 模型的小型系统,让它根据任务需要使用不同模型。这个小模型学会了调用 GPT-4 等模型,在团队所面对的特定科研任务上,表现超过了 GPT-5。
这一经历让两位创始人开始思考:面对不同任务,是否有必要始终依赖最强、也最昂贵的通用模型?能否让一个更小的模型学会调用其他模型、选择工具,并根据任务结果不断调整策略?
Noeri 后来的技术路线,正是围绕这一思路展开。
在公司发布的愿景文章中,两位创始人将这种理念称为“多元智能”。他们认为,未来的 AI 不应该由单一模型或少数几家公司主导,而应该形成一个由不同规模、不同能力的专业化智能系统组成的生态。
Carlos Guestrin 在接受彭博社采访时表示,他和 Choi 都担心 AI 行业过度集中,以及由一家公司掌握所有智能能力的局面。在他看来,企业不应该把核心业务完全建立在一个自己无法控制的外部 AI 系统之上。
Noeri 希望为企业提供一套能够持续改进 AI 系统的工具。它可以分析企业自身的数据和工作流程,针对具体任务调整指令、工具以及不同模型的调用方式,必要时还可以进一步调整模型本身。
例如,一项任务不一定始终需要调用最强大的模型。系统可以先使用成本较低的小模型处理简单环节,遇到复杂问题时再调用能力更强的模型。随着任务不断执行,系统还可以根据结果和反馈优化原有方案。
Noeri 表示,系统提出的每一项调整都会附带解释,并交由人工审批,类似软件开发中的代码审查机制。它同时支持闭源模型和开放权重模型,企业可以保留自己的数据,以及基于这些数据开发的工作流程和模型。不过,涉及第三方模型时,仍需遵守相应的许可协议。
目前,Noeri 在美国帕洛阿尔托和瑞士苏黎世设有办公室,正在招聘研究人员和工程师。
AI 如何成为科研伙伴?
围绕让 AI 不断学习和改进这一目标,Noeri 已经公布了几项研究成果,涉及模型训练、任务反馈和多个 AI 协同工作等方向。
其中,TTT-Discover(测试时训练)研究的是如何让 AI 在解决问题的过程中继续学习,而不是训练完成后就固定不变;SDPO(自蒸馏策略优化)则关注如何让模型从自己的执行结果中吸取经验,例如根据代码报错、任务反馈调整下一次的解决方法。
另一项研究 ToolOrchestra(工具编排)关注如何让一个 AI 根据任务需要,选择和调用其他模型及工具。Noeri 称,其 ToolOrchestra 项目开发的一个 80 亿参数模型,在相关测试中超过了 GPT-5,推理成本约为后者的 30%。这项研究希望证明,完成复杂任务不一定需要始终依赖一个大模型,也可以通过合理安排不同模型和工具来实现。
图 | 给定一个任务,Orchestrator 在多轮中交替进行推理与工具调用来解决该任务(来源:bioRxiv)
除了这些模型研究,Noeri 还将 AI 应用于真实的生物学实验。
公司公布的 Eubiota 项目,尝试利用 AI 研究肠道微生物。研究团队先让 AI 筛选近 2,000 个细菌基因,寻找哪些基因能够帮助细菌在炎症环境下更好地生存,以及背后的 DNA 修复机制。随后,团队设计了一种由四种细菌组成的组合,并通过小鼠实验验证其减轻结肠炎的效果。此外,团队还尝试设计一种抗生素组合,希望在杀灭有害细菌的同时,尽可能保留肠道中的有益菌。
图 | Eubiota 框架示意图(来源:bioRxiv)
按照 Noeri 公布的信息,这些研究结果都经过了实验验证。不过,目前相关成果仍处于研究和临床前阶段,小鼠实验的结果还不能直接证明对人体有效。
从降低大模型使用成本,到让 AI 在实际任务中不断学习,再到尝试参与生物学研究,Noeri 已经展示了自己的技术路线。不过,这些研究能否进一步转化为成熟的产品,让企业和科研团队真正从中受益,还需要时间检验。随着陈丹琦等研究人员加入,这家新公司的下一步发展,以及它能否将多模型协作和持续学习的设想落地,也值得继续关注。
参考链接:
1.https://hai.stanford.edu/people/yejin-choi
2.https://www.geekwire.com/2026/former-uw-ai-researchers-yejin-choi-and-carlos-guestrin-raise-110m-for-ai-startup-noeri/
3.https://www.cs.princeton.edu/~danqic/
4.https://noeri.ai/research/
5.https://www.biorxiv.org/content/10.64898/2026.02.27.708412v1.full.pdf
6.https://profiles.stanford.edu/carlos-guestrin
7.https://arxiv.org/pdf/2511.21689
运营/排版:何晨龙
注:封面/首图由 AI 辅助生成







