系统背后的这家公司
Gwenlake 为需要系统真正在生产环境中运行的企业设计、开发并运维数据与 AI 系统。我们是一支数据科学家和工程师组成的团队，既在意系统跑得怎么样，也在意它表现如何。
愿景
我们相信技术会带来一个更好的未来。但这不是必然：无论在医疗、工业，还是人们赖以生活的服务中，AI 要让专业能力变得更容易获得，前提是承载它的系统被建得可以信赖。工作就在这里。
我们相信，人工智能最有用的工作将发生在组织内部，基于他们自己的数据，处在他们自己的掌控之下。不是在一个聊天窗口里，也不是在别人的服务器上。
我们相信，多数 AI 项目都死在数据与模型之间。不是因为缺模型，而是因为缺少已连接、可治理、有良好描述的数据，也缺少模型跑起来之后围绕它的工程工作。我们的工作，就在这道缺口上。
我们相信，一套可靠的 AI 系统建立在四件事之上：有来源可查的数据，一套说明数据含义的本体，基于真实案例的评估，以及一个由组织自己掌控的环境。我们做的一切，都由此推导而来。
我们如何 走到这里
Gwenlake 于 2021 年在雷恩成立，创始团队一只脚在大学，另一只脚在生产系统里。最早的项目是医学领域的科学文献：大规模地抽取、分类和标注。它们教会我们一件一直沿用至今的事：模型的好坏，取决于它周围的领域知识和数据。
随后我们从文本转向信号，分析海上船舶的传感器数据。数据嘈杂、体量庞大，答错是要付出真实代价的。这项工作迫使我们把工程看得和模型一样重要：管道、来源、评估，以及系统倒下那天会发生什么。
海上之后是另一类信号：脑数据。记录更短，噪声更大，而所谓的真值本身就有待解释。这把我们推向同一个方向的更深处：更少地倚重模型的选择，更多地关注数据如何被描述、结果如何被核验。
每个项目都留下了一些东西。为客户私有化地运行模型，后来成了 Gwenlake Inference API。把模型串成能够行动的系统，带上工具、记忆和对结果的校验，后来成了 Gwenflow，我们的智能体就跑在这个开源框架上。而那个我们在一个又一个项目里反复重建的平台，用来接入客户系统、整理数据并把结果写回去，后来成了 Gwenlake Atlas。
今天，我们的工作是让 AI 在所服务的组织中真正跑在生产环境里：数据管道、模型与智能体，由同一个团队在 Atlas 上设计、构建并运维。没有改变的是：团队中仍有人在我们出发的那座城市里教书、做研究。
我们的 核心价值
好奇心
去年的答案，很少还是今年的答案。
担当
生产环境中的系统是一份承诺，不是一次交付。
高标准
工作完成于它正确之时，而非到期之时。
谦逊
你不再怀疑自己模型的那一天，就是它辜负某个人的那一天。
客户优先
项目的完成，不在交付之时，而在它为客户真正跑通之时。
同一个团队
同一批人界定问题、训练模型并交付应用。
交付并运维
我们交付得快，也运维自己交付的东西。
没有孤岛
没有英雄，也没有孤岛：团队作为一个整体工作。
小而经过评估
在生产环境中，一个评估充分的小模型胜过一个未经评估的大模型。
数据优先
数据质量比模型选择更值钱。大部分收益都在上游。
找到错误
血缘不是合规：它是在答案出错那天，让你找到错误的手段。
主权先行
主权性是架构决定，不是功能。它要么在第一天决定，要么永远不会。
我们的 学术根基
我们从未真正离开高校。团队里仍有人在雷恩大学任教，我们也持续参与本地的一个研究小组。每年我们还会举办一场国际量化金融会议，让研究者和从业者聚在一起，进行我们在做产品时同样追求的那种开放交流。