AI 往往会编造事情。这对任何经常使用它的人来说都没有吸引力，尤其是对企业来说，因为错误的结果可能会损害底线。在 Salesforce 最近的一项调查中，有一半的员工表示，他们担心公司的生成式 AI 驱动的系统的回答不准确。

虽然没有任何技术可以解决这些 “幻觉”，但有些技术可以提供帮助。例如，检索增强生成 （RAG） 将 AI 模型与知识库配对，以便在模型回答之前提供补充信息，作为一种事实核查机制。

由于对更可靠的 AI 的极高需求，整个业务都建立在 RAG 上。Voyage AI 就是其中之一。Voyage 由斯坦福大学教授 Tengyu 马于 2023 年创立，为 Harvey、Vanta、Replit 和 SK Telecom 等公司提供 RAG 系统支持。

“Voyage的使命是提高企业人工智能的搜索和检索准确性和效率，”马在接受TechCrunch采访时说。“Voyage 解决方案针对特定领域（例如编码、财务、法律和多语言应用程序）量身定制，并根据公司的数据量身定制。”

为了启动 RAG 系统，Voyage 训练 AI 模型将文本、文档、PDF 和其他形式的数据转换为称为向量嵌入的数字表示形式。嵌入以紧凑的格式捕获不同数据点之间的含义和关系，使其可用于与搜索相关的应用程序，如 RAG。

Voyage 使用一种称为上下文嵌入的特定类型的嵌入，它不仅可以捕获数据的语义含义，还可以捕获数据出现的上下文。例如，给定句子“I sat on the bank of the river”和“I deposited money in the bank”中的单词“bank”，Voyage 的嵌入模型将为“bank”的每个实例生成不同的向量，以反映上下文隐含的不同含义。

Voyage 托管和许可其模型以供本地、私有云或公共云使用，并为选择为这项服务付费的客户微调其模型。在这方面，该公司并不是独一无二的 - OpenAI也有一个可定制的嵌入服务 - 但马声称Voyage的模型以更低的成本提供更好的性能。

“在 RAG 中，给定一个问题或查询，我们首先从非结构化知识库中检索相关信息，就像图书管理员从图书馆搜索书籍一样，”他解释说。“传统的 RAG 方法在信息编码过程中经常遇到上下文丢失问题，导致无法检索相关信息。Voyage 的嵌入模型具有一流的检索准确性，这转化为 RAG 系统的端到端响应质量。

为这些大胆的主张提供分量的是 OpenAI 主要竞争对手 Anthropic 的认可;Anthropic 支持文档将 Voyage 的模型描述为“最先进的”。

“Voyage 的方法使用在公司数据上训练的向量嵌入来提供上下文感知检索，”马 说，“这显著提高了检索的准确性。

马 说，总部位于帕洛阿尔托的 Voyage 只有 250 多个客户。他拒绝回答有关收入的问题。

9 月，拥有十几名员工的 Voyage 完成了 2000 万美元的 A 轮融资，该轮融资由 CRV 领投，Wing VC、Conviction、Snowflake 和 Databricks 参投。马 表示，这笔现金注入使 Voyage 的总融资额达到 2800 万美元，将支持新嵌入模型的推出，并将使公司的规模扩大一倍。