Traversal 完成 1.2 亿美元 B 轮、估值 10 亿美元：用因果机器学习做「AI 站点可靠性工程师」

从「写代码」到「让代码跑稳」

过去两年，编码智能体把软件开发生命周期（SDLC）的「内循环」——写代码——改写了：Traversal 援引的数据称，如今 42% 的开发者用 AI 写大部分代码，一年前这一比例还是 12%。但代价是，代码上线后与更大的系统交互，调试与运维负担反而加重：同一份数据里，52% 的开发者把更多时间花在代码进入生产后的调试上。企业买入编码智能体，本想交付更快、工程更省，结果代码越多、系统越复杂、事故与可靠性问题越多。Global 2000 企业 2026 年因非计划宕机合计损失约 6000 亿美元，两年内上升 50%。Traversal 把自己定位为补齐「外循环」——把「写代码」与「让代码稳定运行」之间的闭环打通。

它的产品是一个面向生产工程师的 AI 站点可靠性工程（SRE）系统：接入遥测、云基础设施、事故系统与变更历史，建立服务依赖的表示，并调查相互竞争的根因假设。买家是可靠性、基础设施与平台工程团队；已公布的使用方包括百事（PepsiCo）、数字银行 Nubank、法律 AI 公司 Harvey、云基础设施服务商 DigitalOcean 与美国运通（American Express）。

Traversal 的 AI 运维思路：把遥测、代码、部署历史与团队经验送入生产世界模型，生成持续更新的机器可读生产环境表示，再由因果搜索引擎并行检验数千个假设、沿依赖关系收敛到证据支撑的根因；与依赖相关性的通用大模型不同，它强调因果而非相关（资料：Traversal 官方、SiliconANGLE，2026-11-03）

为什么通用大模型做不好根因分析

调查一次事故本质上是一个因果推理问题：成千上万件事同时发生，工程师要从中隔离出故障的真实链路——就像在稻草堆里找针，而且稻草堆里还塞满了「假针」。两位创始人均有因果机器学习与强化学习学术背景（MIT、Berkeley、Columbia、Cornell），他们用了近两年搭建基础：2026 年 3 月正式推出「生产世界模型」（Production World Model）与「因果搜索引擎」（Causal Search Engine）。前者把原始遥测、代码、部署历史与团队经验，转成一份持续更新的、机器可读的生产环境表示；后者让智能体并行测试数千个假设，沿着依赖关系收敛到「有证据支撑」的根因。

关键区别在「相关性 ≠ 因果」。通用大模型学的是「什么常一起出现」，当一次事故同时触发几十条信号，模型往往会挑一个听起来最合理的故事，把相关性误当成因果。Traversal 把推理建立在依赖结构、时序与故障传播模式上：它可以验证某个假设是否与这些约束冲突，并淘汰冲突的解释，返回带证据的diagnosis与修复路径。这也意味着它的定位是「证据支撑的根因」与「不直接拥有改动生产的权限」——更接近辅助人类工程师，而非自主任意改动线上系统。

1.2 亿美元 B 轮与 10 亿美元估值

Traversal 11 月 3 日宣布完成 1.2 亿美元 B 轮融资，估值升至 10 亿美元，由 Kleiner Perkins、Redpoint Ventures 与 Khosla Ventures 联合领投，Sequoia Capital、Battery Ventures 与 Amex Ventures 跟投；Kleiner Perkins 与 Sequoia 均加注了早前的投资。公司累计融资达 1.73 亿美元——此前 2025 年 6 月离开隐身期时公布 4800 万美元，2025 年底获 Amex Ventures 战略投资。资金将用于研究、工程与商业化团队扩张，推进其称为「自主生产运维」的目标：系统能发现运维问题、理解原因、采取纠正动作、验证干预是否有效并防止复发。

一家成立约三年、总部位于纽约的创业公司，在 B 轮就拿到 10 亿美元估值，说明资本相信「理解、诊断并安全修复生产事故」的成本会随 AI 加速软件变更而持续上升。对大型企业的工程预算而言，AI 运维工具正从可选项变成标准科目。

增长与早期客户

Traversal 披露，2026 年内其平台月度调查量从 513 次增长到近 7.3 万次（超 100 倍），年度经常性收入（ARR）同比增长约 9 倍——这些是公司口径，未独立审计。已公布的使用方包括百事、数字银行 Nubank、法律 AI 公司 Harvey、云基础设施服务商 DigitalOcean 与美国运通。不过部署仍处早期：Nubank 首席执行官公开称其部署仅五周、正分批扩面；公司自己也说明，约三分之二的使用已超出根因分析，延伸到告警分流、发布风险评估、配置管理库（CMDB）校验、安全与客户旅程健康等更开放的运维问题。

争议与未独立验证的口径

有两个口径需要读者谨慎对待。其一是准确率：在与 Cornell Tech、Columbia 等机构合作开发的 ORCA-bench 中，五款被评估的通用智能体在中等难度任务上根因准确率最高仅 25.3%，困难任务仅 10%，且 7%–40% 的事故报告存在「幻觉根因」。Traversal 用因果机器学习而非统计相关性来应对这一鸿沟，但具体效果仍以厂商口径为主。其二是增长与客户数字：9 倍 ARR、100 倍用量、单季度超 15 万次调查等均为公司自述，客户收入、留存与准确率基准尚未独立披露。衡量这类「AI 运维」产品，比起估值，更该盯住它是否真的把「证据支撑的根因」与「人类保留生产改动权限」这两道防线守住。

信息来源

Traversal AI运维站点可靠性因果机器学习 B轮融资 AI智能体