由前英特尔AI高管Scott Clark创立的AI测试与可观测性平台Distributional，近日宣布完成1900万美元的A轮融资。本轮融资由Two Sigma Ventures领投，标志着市场对AI测试领域的高度关注。

先说几句背景。Clark在英特尔负责AI软件时，就深刻体会到AI测试与可观测性方面的痛点。此前，他曾在Yelp带领广告定向团队，这些经历让他对AI交付流程中的潜在风险有着切身体会。接受TechCrunch采访时，他直言：“AI应用的价值越高，随之而来的运营风险也越大。我们的平台旨在帮助产品团队主动、持续地识别这些风险，而不是等问题出现后再去补救。”

有趣的是，Clark进入英特尔的方式是被收购。2020年，英特尔收购了他联合创立的模型实验与管理平台SigOpt。两年后，他升任英特尔AI与超级计算软件部门副总裁兼总经理。在英特尔期间，他和团队最棘手的问题正是AI系统的监控与可观测性。

问题的根源在哪里？AI本质上具有非确定性——相同的输入可能带来完全不同的输出。更何况模型依赖的因素过于复杂，比如软件基础设施的稳定性、训练数据的清洁度等，这些变量交织在一起，想要在AI系统中精确定位错误，难度堪比大海捞针。

数据也能说明问题。兰德公司2024年的一项调查显示，超过80%的AI项目最终以失败告终。生成式AI更是一块难啃的骨头。Gartner研究预测，到2026年，三分之一已部署的生成式AI项目将被放弃。换句话说，投资打水漂的情况相当普遍。

Clark创办Distributional，正是为了直击这些痛点。该平台的核心逻辑简洁而直接：基于开发人员设定的规格，自动生成AI模型与应用的统计测试，并将所有测试结果集成在可视化仪表板中。用户可以在仪表板上协作管理这些测试“仓库”，标注失败的测试项，并在必要时重新校准。

另一个关键特点是跨组织的全链路可见性。团队能够清晰了解AI应用测试了什么、何时测试、如何测试，以及这些测试在时间维度上的变化趋势。Clark打了个比方：“我们为AI测试建立了一套可复用的流程。通过可共享的模板、配置、过滤器和标签，这套流程能够轻松复制到其他类似的应用场景中。”

市场上已存在Kolena、Prolific、Giskard和Patronus等AI实验与测试方案。Clark承认竞争客观存在，但他认为Distributional提供的是更偏“白手套”式的服务——不仅提供平台，还负责安装、实施与集成，甚至连测试出现故障后的排障工作也一并打包。这种模式虽更重，但对众多企业客户而言，吸引力也更强。

获得本轮A轮资金后，Distributional计划扩充技术团队，重点聚焦UI与AI研究工程方向。Clark预计，到今年年底公司规模将扩大至35人，并正式启动首批企业客户的完整部署。

除了领投方Two Sigma Ventures，本轮融资还有Andreessen Horowitz、Operator Collective、Oregon Venture Fund、Essence VC以及Alumni Ventures的参与。截至目前，这家总部位于加州伯克利的新锐公司累计融资额已达3000万美元。