铃阅
❌

阅读视图

顺为、高瓴等投资亿元,做「神经蠕虫」的脑机公司来了

原创 暗涌Waves 2026-11-02 09:00 江苏

让电极在颅内“爬”向多脑区。

「让电极在颅内“爬”向多脑区。」

文|刘凌果

编辑|海若镜

颅骨上开一个小孔,多根纤维电极在磁场引导下“爬”向多脑区。这项被称为“神经蠕虫”(NeuroWorm)的动态电极技术,2025年9月登上《Nature》正刊,它来自中科院深圳先进院刘志远团队。

同年,刘志远成立了脑机接口公司,君柔科技。「暗涌」独家获悉,成立一年内,君柔科技完成三轮融资,累计金额达亿元。上一轮融资由九合创投领投,国家高性能医疗器械创新中心跟投;最新的天使+轮由顺为资本、高瓴创投及智元机器人等投资。

9月,Neuralink让一名失语的渐冻症患者,凭“意念”,再次对妻子说出“我爱你”。脑机接口正从运动、语言等解码,向“读心”步步逼近,对跨脑区、全脑信号进行采集的要求也格外凸显。但现有侵入式电极大多仍被困在单一脑区。

君柔的技术路线,想让电极覆盖更多脑区,同时尽可能减少植入创伤。

侵入式电极能听清大脑神经元的“低语”,但植入后位置固定,信号采集范围有限。按刘志远的解释,传统方案若要覆盖更多脑区,可能需要增加颅骨开孔。“想象一下颅骨开30个孔,不就成了‘马蜂窝’。”植入的创伤大小,直接关系到有多少人愿意接受植入脑机接口。

刘志远团队的“神经蠕虫”技术,是一种很软且可拉伸的纤维电极,由平面电极阵列卷曲而成,“头部”有磁控单元。

植入时,神经纤维电极束从直径约1厘米的颅骨小孔穿过,在医生对体外磁场设备的操控下,被引导在大脑中前行、转向,进而抵达多个目标脑区位点。随后,电极头部扎入脑组织,采集深部信号;留在硬脑膜上方的电极点,则监测大脑皮层信号。

这是君柔科技首代脑机接口技术的核心,据介绍,其首代脑机接口系统目前完成部分动物实验,预计2027年启动IIT(研究者发起的临床研究)。

从静到动,电极被赋予颅内移动能力。紧接着的问题是,去哪?主动响应,是后续几代“神经蠕虫”更具想象力的技术跃迁。

刘志远对「暗涌」表示,君柔的首代产品主打动态递送,头端电极植入脑组织后,递送系统将在术中被取出,并将与医学影像联动,实现多脑区自动化闭环;第二代及之后的“神经蠕虫”,将基于实时采集的神经信号自主“探路”。

“以终为始”,是刘志远在采访中反复提及的思路。

他认为,人的认知、记忆、情绪等复杂活动都依赖多脑区协同工作,未来脑机接口要走向人机融合,必将走向多脑区乃至全脑信号采集。因此,君柔从一开始就把多脑区信号采集作为重点,眼下计划先从癫痫、抑郁症等医疗场景切入。

这条路线与刘志远过去14年的研究经历有关。2012年,硕士毕业的他进入深圳先进院,开始研究脑机接口柔性电极;随后到南洋理工大学攻读材料科学与工程博士。2019年回国,他继续推进动态电极研究。现任中国科学院深圳先进技术研究院研究员、深圳理工大学人工智能研究院执行院长。

谈及个人创业目标,刘志远提起了自己东北老家的庄稼。故土提醒着他,父辈们尽了种地本分;作为科研工作者,自己是否也尽到了从0到1做学术创新、再把成果推向产业的本分。

以下是「暗涌」与刘志远的对话,经编辑。

Part01

是时候了

「暗涌」:你从2012年开始研究神经电极,最初也跟Charles Lieber有渊源?

刘志远:14年前我硕士毕业,进入中科院深圳先进技术研究院后,跟随于喆老师做研究。于老师是Charles Lieber的博士后,Charles Lieber是神经电极领域非常先驱的人物,我也由此很早期就接触到柔性电极。

其间,我做出了国内很早的柔软可拉伸黄金导电薄膜,也发表了用这类电极记录皮层脑电的论文。随后,在新加坡南洋理工读博期间,我又接触到两位化学、材料领域的老师:新加坡南洋理工大学的陈晓东院士与美国斯坦福大学的鲍哲南院士;思维逐渐开阔,会从材料角度思考,怎样赋予电极更多可能性。

基于神经电极、新材料两方面的积累,后来才催生出君柔的“神经蠕虫”,也就是我们首创的动态电极技术。

「暗涌」:为什么在2025年底选择创业?

刘志远:2019年我博士毕业回国后,一边推进动态神经电极的研究,一边验证原型机、生物安全性等,为产业化做准备。去年,我们课题组研究了五年的动态电极成果在《Nature》发表,技术、团队、资本环境相对成熟,就开始正式公司化运营。

技术积累是一方面,遇到好的创业伙伴同样难得。2024年,我的联合培养博士生彭乾碧也有共同创业的意向。她既有技术理想,也有实操精神。

「暗涌」:2025年脑机接口投资火热,也是一个促成因素?

刘志远:其实2024年下半年,资本就已经热起来了,但当时我们并不急着创立公司。因为《Nature》的研究还未发表,意味着我们没法证明自己手里握着首创技术。

巧的是,2025年市场热度更旺。我们的研究也获得国际顶级专家的认可,信心充足,更是时候了。

「暗涌」:已有侵入式脑机接口公司进入临床试验及拿证,君柔仍在动物试验阶段。会担心入局过晚吗?

刘志远:我们谋划的时间比较久,而且走的是完全首创的技术路线。眼下,各家都希望解决信号采集难以覆盖全脑区的问题,但尚未有领先于我们的方案出炉,从这个意义上看,我们反而走在前面。

Part02

让电极“动起来”

「暗涌」:你们的电极技术名为“神经蠕虫”,动态电极关键想解决什么问题?

刘志远:想要同时做到微创和全脑覆盖。微创,决定脑机接口能否被更多健康人群所接受;覆盖全脑区,决定人机间的信息交互量,以及最终实现的功能“天花板”。

按照传统方式,一个颅骨开孔,电极只能植入相对有限、固定的脑区。要让电极同时覆盖多脑区,可能得开多个孔。头上点6个点的是和尚,想象一下开30个孔,那颅骨就得成“马蜂窝”。即使产品功能再强大,也不可能被普及。

我们的方案是“动态递送”:只在颅骨上开单个小孔,通过磁控递送技术,把多根纤维电极分别送往不同脑区,刺入脑组织,采集神经信号。

「暗涌」:“神经蠕虫”动态电极大概长什么样子?

刘志远:我们的电极是由二维平面电极阵列“卷”成的“一维”纤维,直径约为196微米,沿长度方向集成多个独立通道。圆形截面,能够减少电极移动时对组织可能的切割,同时保留多点信号采集能力。

神经蠕虫的加工工艺示意图

「暗涌」:怎么让电极动起来、到达该去的地方?

刘志远:我们在电极头加入了磁性组件,基于磁场间吸引、排斥等磁控技术,给电极施加动力,牵引其抵达指定脑区位点。磁控的好处是,颅骨、脑组织不会令磁场明显衰减。

操作上,我们会结合医学影像,判断递送位点,通过自动化机械设备,编码外部空间磁场、电极磁场,通过改变磁场的方向、强度等,引导纤维电极沿硬脑膜上方移动。电极到达目标脑区后,头端将刺入脑组织,采集深部信号;留在硬脑膜上方的电极点可以监测皮层信号。

「暗涌」:电极在颅内移动,会损伤脑组织吗?

刘志远:任何侵入式电极进入脑组织都会带来一定的植入创伤。我们的动态电极技术就是在多脑区植入中尽可能追求微创,电极在大脑实质中蠕动的时间很短且速度可控,可在最大限度内降低大脑损伤。

「暗涌」:大部分植入式脑机接口公司做柔性电极,会选择用PI(聚酰亚胺)材料,为什么你们选择了SEBS(苯乙烯-乙烯/丁烯-苯乙烯嵌段共聚物)、SIBS(苯乙烯-异丁烯-苯乙烯嵌段共聚物)?新材料获批植入人体,周期会很长吗?

刘志远:“柔性”和“柔软”不完全等同,我们希望做既柔又软的电极。

以纸巾和海绵为例,二者都“柔”,可弯折;但纸巾用力一拉会破损,海绵被拉伸、挤压后还能回弹,因为海绵相对更“软”。软度对应材料学中的一个指标,弹性模量。通常来说,SEBS、SIBS的弹性模量比PI低三至四个数量级,数值越低代表越“软”。

脑组织会随呼吸、血流轻微搏动,如果植入电极的拉伸、回弹能力不足,二者之间可能存在力学差异,增加电极位移、信号衰减等风险。

而SEBS、SIBS作为柔软、可拉伸的电极基底,在发生形变时,其表面加工的百纳米级黄金导电薄膜本身具有特殊微纳结构,拉伸中不会轻易断裂,能维持信号传导的稳定。SEBS、SIBS还具有较好的生物相容性,这是电极能够长期植入的基础。

Part03

地图未明,信号指路

「暗涌」:君柔的创业目标,也是实现人机融合吗?

刘志远:毫无疑问。我们有信心,也有信念。当电极通道数足够多,覆盖脑区足够广,并实现双向信息沟通的情况下,在某个节点,脑机融合会涌现出新的智能,这就是我们预想的人机融合的“ChatGPT”时刻。走侵入式、全脑区路线,也是为了这个目标。

我的判断是,大约再过十年,人机融合的一些端倪将会浮现。

当然,眼下还得从医疗场景切入。基于医疗器械严格的监管标准,不断验证、提升产品的安全性,打好基础。另一方面,为了人机融合目标,我们需要尽量采集全脑区数据,医疗场景也提供了数据获取的现实入口。

所以,我们会优先考虑涉及多脑区的疾病,例如癫痫、抑郁症等。目前,我们的脑机接口系统,已完成部分动物实验,预计明年启动IIT(研究者发起的临床研究)。

「暗涌」:人类对各脑区的了解还很有限,很多发病机理尚不清晰。如何知道该把电极送到哪个脑区?

刘志远:目前许多脑部植入、调控技术,也很难在术前就完全确定植入位点。比如DBS(脑深部电刺激)已应用多年,很多疾病仍处于探索具体机制、最佳刺激位置的阶段。

反而,动态电极技术提供了一种新的可能性。我们先将电极植入预先判断的目标脑区,再以电极实时采集的信号为依据,边“探路”、边逐步蠕动至更有价值的位点。

我们希望未来最终实现“一人一电极”,递送位置、通道数等依据个体情况匹配。

脑机接口技术,正在成为探索大脑的“先锋”。神经科学机制研究的突破与脑机接口的发展相辅相成,协同前进。

「暗涌」:如果柔性电极在脑组织内具有运动能力,是否意味着,电极有可能根据信号,自己找到合适的位置?

刘志远:这正是君柔后续几代产品要实现的。

未来,希望在AI解码、医学影像、传感技术等辅助下,让电极基于采集到的神经信号,自主操控、主动响应。在避开血管等风险区域的前提下,寻找更合适位点。

为了实现人机融合的“ChatGPT时刻”,“机”的智能化是必要的。当然,最终到第几代产品,才能实现安全性和效果都很好的主动响应,还取决于通道数的提升速度、信息交互的丰富度等因素。

「暗涌」:侵入式脑机接口目前只面向少量患者,君柔如何积累足够体量的数据?

刘志远:我和一些医生也讨论过这个问题。以癫痫为例,目前主要是重度、耐药性癫痫患者才会接受侵入式治疗,而轻中度患者往往认为不值得冒险。哪怕已出现耐药,也更倾向于继续服药或“硬扛”。

未来当脑机接口更加微创,治疗的安全性、临床获益更明确,疗效-风险的性价比会较大幅度提升,患者会重新算这笔账。当愿意接受植入的患者增多,我们采集到的数据量也会随之提升。

这是一个非线性积累的过程。

Part04

美国没有,还投吗?

「暗涌」:从2019年回国筹备产业化,到君柔完成三轮融资,这些年接触投资人下来,你有感受到什么变化吗?

刘志远:国内的投资界越来越敢于挑战了。

2019年回国时,我和部分投资人聊过这个项目,但对方的态度较为审慎,表示“你说的这个,美国还没有。”潜台词是,能靠谱吗?那时投资人主要还是国产替代的逻辑。

但近些年,宇树、宁德时代、大疆、华为等公司让资本市场意识到,中国团队有做首创、颠覆式产品的能力。投资人也越来越敢下注非共识。

我们前两轮接触过一位95后投资人,他看好“神经蠕虫”技术的颠覆性潜力。起初我们担心他能否说服机构里年长的决策者。结果是,机构非常信任他的判断,也愿意下注。

这也说明,投资人现在相信,中国团队也能做出世界上原本没有的东西。

「暗涌」:你个人的创业目标是什么?

刘志远:我是东北人,农村出身,这些年,逢过年、暑假,我也会带女儿从深圳回东北老家。回家后,望着田地里的庄稼,我也会不由问自己,“你在干啥?”

粮食、蔬菜能一茬茬长,年年有产出,是因为农民完成了自己种地的本分。对于科研工作者来说,我的本分就是做好学术,做好这个时代需要的从0到1的事儿,再进行产业转化。如果没做到,其实我觉得我都赶不上农民,因为连自己的本分也没能完成。

我个人的目标就是,既然时代赋予了条件,那就顺势而为,把事做好,也算没白来一趟。

排版|郭栩君

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

“天才工厂与董厂长”

原创 暗涌Waves 2026-10-28 10:00 山西

创业要趁早,投资要趁早,赚钱要趁早。

「创业要趁早,投资要趁早,赚钱要趁早。」

访谈|郭英姿

文|巴芮 郭英姿

Part01

趁他们还没创业

张爱玲说出名要趁早,对董科含来说,这句话应该改成“创业要趁早”——最早可以到14岁。

2025年秋天,他用59天跑了北美40所高校。巡讲结束,他在朋友圈公布战绩,“本月辍学率超标,去美国一趟对学生们后劲好像有点大。”据他统计,已有14名学生辍学或提交辍学申请,其中包括耶鲁、普林斯顿、斯坦福的学生,“国内还有个高中生x1”。

这是他当年第四次公开盘点“辍学战绩”。此前分别是“忽悠了20多个年轻人辍学创业”以及“帮助一个年薪百万的00后决定辞职创业”。还有一句:“我好像很擅长影响别人创业。”

晒的都是数字,说的都是自己的影响力——多少年轻人因他改变了人生方向。如果小天才也能工厂式生产,董科含就是其中一座工厂的厂长。

这是他的野望。也是他去年9月从奇绩创坛离职单飞的一大原因。

作为奇绩的创始成员、前投资与运营负责人,董科含跟CEO陆奇关系一度十分亲近。但据多位前奇绩人士称,两人在投资对象上早有分歧——陆奇要年纪稍大、有大厂经验的人,而董科含想要大一大二,甚至更小的。有一种更直白的说法是:陆奇不想碰未成年。董科含则说,自己做的事需要冒险,“不能拖着别人跟我一起承担责任。”

他急。他必须要赶在一个人真正决定创业、被其他投资机构注意之前,“成为他们故事的一部分”。

单飞一年间,董科含以个人天使投资人的身份,支持了约40位14到22岁的年轻人,平均年龄19岁。他们有的还在上高中,有的正在大学gap year,已手握奥赛金牌或GitHub高星开源项目,却未必想好了要创业。

很有意思,年龄是董科含衡量“天才”的重要尺度,但他却把自己的年龄捂得严实,公开报道中鲜有提及,问他本人也不说。

他把这个项目命名为N1,取自Neuron 1,第一颗神经元。官方定位是一个独立的年轻创造者发现和支持平台。

支持的方式包括但不限于资金、算力和与同行交流的机会;而作为商业安排的一部分,双方通过合同约定成员未来创业时的优先投资权。

董科含挑选N1成员的标准,可以归纳为四个字:怪、快、准、狠。

据董科含的实习生介绍,名校辍学者属于优先寻找对象;高中生不看学校,技术能力最好达到奥赛金牌门槛。

还有一条标准是看他们敢不敢放弃。保送、保研、名校学历,这些在普通家长眼里求之不得的东西,在这里成了衡量决心最重要的筹码。

一位N1成员说:“他看重的是你放弃了什么——放弃得越多,代表你想得更成熟。”

目前N1最受关注的当属陈广宇。这位17岁的“天才少年”,曾参与月之暗面Kimi论文《Attention Residuals》,是三位共同一作之一(马斯克曾在X上称赞这篇论文)。

不久前,陈广宇宣布从Kimi离职,后被曝加入由谷歌前首席科学家Jeff Dean创办的Discovery Loop,用AI自动化科学研究,消息很快登上海内外媒体。

董科含在陈广宇加入月之暗面前,就已将他签入N1。

当陈广宇与“17岁”“700万年薪”等标签一同见诸报道,董科含提前识人的故事也被反复讲述。而这是其最乐见的曝光方式。

董科含做N1这一年,也是“小天才”在一级市场最热的一年。两个月前,还有创业者告诉暗涌Waves,一支AI创业团队要想入投资人的眼,最好凑齐教授或科学家、大厂专家,和一个“小天才”。

最近,风向又有变化。媒体开始讨论“小天才崩投资人”,一些投资人也急于撇清,说自己不看“小天才”。至少口头上,这个标签不再那么受欢迎。

但市场对年轻天赋的追逐,并不会因为一个标签过气而立刻结束。

董科含对暗涌Waves说,N1源于学生想了解、尝试创业的需求,自己“对资本认同这个事情没有太多关注”。只是他挑中的人,恰与资本热衷的画像高度重合:年轻、动手早、有真实产出,最好还愿意离开既定路径。

董科含曾道,N1“从触达到录取比例不到千分之一,没有公开申请入口,只邀请已经能够独立创造、进入重要问题的人。”

照此倒推,约40位成员背后,意味着至少数万次触达。幸好,找人的方法,董科含早有在YC中国和奇绩创坛就已打磨出来。

Part02

实习生“流水线”

2018年,YC进入中国,请来前百度总裁陆奇掌舵。那时董科含已辍学回国,经营的旅行公司“快倒闭了”,四处求人指点。

他蒙对了陆奇的企业邮箱,一封邮件,换来了进入YC中国的机会。

2019年底,YC撤出中国,原团队独立为奇绩创坛。董科含成了创始成员和投资与运营负责人,搭起实习生寻源网络,跑高校、做宣讲,把有想法的年轻人捞出来。跟他今天干的事一样。

据一位实习生回忆,单飞后,董科含团队一度只有两名全职,实习生分布在北京、上海。有人记得高峰时超过30人,董科含则说“最多十来个”,有些人走了还“在飞书里赖着”。

他们做增长、运营、剪视频,但最重要的任务只有一个:找人。

董科含那套“怪、快、准、狠”的标准,到了实习生手里,成了具体的搜寻KPI。

他们翻遍了年轻人可能留下痕迹的地方:小红书、GitHub、论文网站、竞赛名单。

一位已经离开的实习生复盘过自己的流水线:小红书上先私信,转微信,再约线下;写个爬虫在GitHub上扒高分账号,每天发四五十封冷邮件,能收到三四封回信;论文网站是条野路子——翻作者名单,看里面有没有“小孩”,有,就摸到学校,再从校友里接着筛。

他的同事更硬核:两部手机并排摆在桌上一起刷小红书。因为推荐算法,是要养的。养到最后,刷出来的全是自己人。

每周开一次筛选会,从成百上千条线索里挑出值得董科含亲自见的人。

见董科含的两小时,是能否进入N1的关键。据说他常问的有:上周你都干了什么?这三个月里认知转变最大的一次是什么?过去一年你发现了什么别人没发现的机会?你怎么定义创业?

只要他觉得你有潜力,没有公司,没有产品,甚至没有创业的念头,都不要紧。谈完双方都点头,就可以签合同。

合同中包含一笔“小钱”。一位在大厂大模型团队实习的N1成员说,这笔钱“还不够我在这一个月的工资”。实习生李肖楠记得“不超过3万美金”,以锁定对方创业后的优先投资权。

“你创业了,再给你笔钱;你创业失败了,还可以再给你笔钱”,李肖楠说。而所占股权比例,暗涌Waves从实习生和一位N1成员处得到的说法是,“跟奇绩差不多”。(奇绩通常以30万美元投资换取7%股权。)

董科含称,首次支持包括资金和算力,投入从5万元人民币到30万美元不等;未来能否加注,取决于支持能力。他强调不占董事会席位,也没有经营决策权。

李肖楠说,即使一辈子不创业,钱也不会追回。也曾有被投后来拿了别家的钱,跟他解约董科含也只觉得“对方契约精神不够”。

当然,也有人拒绝签约,理由是不想这么早被定价。还曾有从事财务工作的家长提醒子女,“真正的大佬不会签这个”。因为估值给的低。

见的多了,实习生们发现一个规律,虽然自己“求”来跟董科含聊一聊的对象不一定能被投,但那些主动找上门的基本都拿不到钱。

Part03

开动马达

找人的实习生,自己也被放进了一套严密的筛选机制。

据实习生描述,每天至少要三条有效线索,“你还得成功约上一个,聊完再判断”。人被投了算KPI,推上会也算,权重各不相同,“他(董科含)自己有套算法”。

李肖楠问过一圈VC同行,“没有一个这么干的”。他做梦都是KPI,甚至有人会“三更半夜醒来吐”。加班到半夜,或通宵与美国创业者沟通,“都很正常”。

如果连续两周不达标,就停薪或转岗。待遇日薪200元。但据实习生透露,8月起,Deal Sourcing组调整为日薪150元加绩效。如果找的人被董科含看中,他会在团队大群里给这名实习生发1000元的奖励红包。

但即便如此,实习生也是二十里挑一。

厉害的同龄人、够不着的行业资源,以及被一个投资人“看见”的可能,足以让不少年轻人接受这套规则。

“在这儿能看到同龄人在做什么、成长曲线是怎样,对我自己的成长也有个校正作用。”董科含的一位实习生说。

此前,智谱上市期间,他曾在AGI Bar蹲了两天,就为能碰见大模型公司员工求个内推。如今跟着“董哥”,他能触达的人脉远比在Bar蹲点广多了。

一位做早期创业项目孵化的大三学生,接连收到三名董科含实习生的小红书私信。开场几乎一样:“有了解我们董科含团队做的事情吗?”

董科含的名字就像一级市场里的一块令牌。一个20岁的实习生拿着它,就有了敲开更多门的底气。

令牌之外,还有大饼。

今年1月,他招实习生时点名“gap year优先”,同时许诺表现优异可在基金留用,“我们要培养未来的合伙人,或扶持你创业”。

到了9月,董科含竞业期满,新的基金启动,也开始招全职。“8月份发出去4个return offer。”董科含说没告诉其他人,因为没得到机会的同学“都不高兴”。

实习生也有可能成为他的被投,据说有一位N1成员就曾是他北京办公室的实习生。董科含说“有些最后还会进入N1 AI School”。这份工作因此像一场随时可能改写身份的选拔。

组织这门手艺,董科含早就练过一轮。

一位前奇绩人士回忆,董科含过去带实习生时,谁拉来的创业营报名多,就送iPhone,“所以当时会有虚报数量,类似于大跃进”。

他还记得某次实习生例会散场,董科含看着他说:“其实我非常喜欢你,但这么长时间一直都没跟你聊过天。”

这句话从老板嘴里说出来,杀伤力比任何团建都大。

董科含早年说自己喜欢文学,热爱表演和戏剧。他也确实深谙叙事的力量,一句话该在什么时候说,一个场景该怎么收尾,他熟稔于心。

比如公众号《如何发现一个20岁时就值得投资的人》结尾那句:“我的任务,是在对的时间说一句:我看到了你”;比如这句:“我非常喜欢你”。

先相信年轻人,并得到他们的认可与信任,这是董科含自认的长处。

他转述过一位同学对自己的评价:董科含相信年轻人,“相信到自己说的一些事情,他自己都相信了”,好像有“给自己洗脑的能力”。董科含说他也不知道这是“贬义还是褒义”。

比如,一个同学正在学某样东西,他就会反复告诉对方,以后一定能在这个领域做得很厉害。说得多了,年轻人自己也开始相信。

资源、机会和“被看见”的感觉,成了这套系统运转的动力。

董科含吸引年轻人来到自己身边,再让这些年轻人去寻找和吸引更多年轻人。一圈转下来,人既是这套系统寻找的目标,也是让它继续扩张的触角。

曾和他共事过的前奇绩人士,这样概括董科含的能力:“他的信徒,是可以帮他免费做事的。”

Part04

教主与信徒

去年秋天的北美巡讲,正是这种影响力扩张的缩影。多数活动由学生社团张罗,与校方无直接关系。

董科含在台上讲创业、讲投资,也讲年轻人应该怎么选择自己的人生:什么时候该创业,什么样的人值得下注,以及为什么有些路应该走得更早一点。

这些内容一下说进了一位想做VC的纽约大学大一学生心坎里,“就觉得自己一定要be part of”。得知董科含团队没有摄影师,他第二天叫上几个朋友租了辆车,从纽约一路追到普林斯顿,免费给董科含录像。

“后来,科含哥就让我留下一起干了。”他成了董科含的实习生。这一幕后来出现在N1 Media Lab的纪录片中。

董科含不断向年轻人传递一个信号——别等,机会就在此刻。

“好创业者,在两三成把握时起飞,边飞边造引擎。”“世界不是由最聪明的人改变的,而是由最早行动的人改写的。”

李肖楠记得董科含还常对“小孩”说:“你的成长轨迹已经很陡峭了,有没有想过再陡峭一点?”

而“陡峭”确实是董科含形容年轻人成长曲线时常用的词,他的推文中也反复出现。

“陡峭指的是什么?是创业吗?”暗涌Waves问。

“对,当然,这是最陡峭。”董科含答。

而他的实习生和N1成员早就对此心领神会——“不要待在学校了,去创业吧”。

但董科含不会说得如此直白。他还说“不会push他们创业。”

一位在大厂大模型团队实习的N1成员说,董科含经常用问题推动他:“如果你在这里做了三个月、半年,没有成果,成了那个one of the many,你会怎么办?”他说,“每当你可能settle down,他就会让你重新再跳一下”。

“他不会鼓励你辍学,”这位成员强调,“他只会问你问题,但所有决定都是你自己做的。”

可当一位刚办完休学的年轻人发来消息:“我觉得要做出与众不同的事情,不仅需要与众不同的能力与智商,还需要其他人不敢下的决策”。董科含会开心地将消息发到社交媒体,配上“欣慰”的表情包,直言是“美妙时刻”。他对我们解释说,高兴的不是辍学本身,而是“他们开始独立思考,能为自己的选择负责”。

在董科含看来,为选择承担代价是值得肯定的。那些被他反复公开展示的“辍学战绩”,也在告诉后来者:什么样的选择更容易得到他的赞许。但盲目辍学不算,那是“匹夫之勇”。

“我觉得年轻人确实应该抓住时代机会,可能有些人会受到感染,这也是间接造成这些人决定去gap year,有些人辞职去创业的一个点。”

在N1 Media Lab拍的纪录片里,一个创业半年的年轻人,团队散尽,只剩自己。董科含问他有什么反思,年轻人说,应该先想清楚方向,再打磨产品。

董科含摇头,说不对。“你该做的是,把第一个跟你喊要工资的人开掉。”

在董科含看来,凡是要工资不要期权的,都不是奔着同一个梦想来的。

他还给有技术基础的年轻人开过一张创业方向清单:火箭、脑机接口、核聚变、基因编辑、量子计算,几乎没有哪一项不需要巨额资本和漫长投入。

他的原话是,真敢去做,“就会发现,原来勇敢的人是这么的少”。

方向定完,再教融资。

他在宣讲里常说一句:不要让投资人同情你,要让他们FOMO。去年8月,他还专门写过一篇《如何成功融资?》核心就是把融资当成一场高强度销售。

文末他甩出一个战绩:带过的一名实习生后来创业,第一轮融资拿到17份投资意向书,最后只挑了两家。

但他不让年轻人叫他老师,因为“老师可能会成为他们的天花板”,他更愿意当“好朋友”或“好哥哥”。

不过,在一些年轻人眼里,董科含的位置显然不止于此。

曾有辍学创业的学生在朋友圈里称他为:“god father Kehan”。

N1的据点在上海虹口一栋高层公寓的底部几层——挑高14米的通厅内,一张能坐二十人的长条木桌直通尽头的阶梯路演台。台上摆着一把与周遭科技感格格不入的高背木椅:深色木雕,点缀白漆花纹,造型夸张,让人想起《权力的游戏》里的铁王座。

N1空间中的高背木椅

董科含说是朋友送的,没地方放,才摆那儿。他鼓励“畏手畏脚”的同学上去坐一坐,还招呼来访者去感受一下,拍两张照。

陆奇说过:“成功的人创立公司;更成功的人创立国家;最成功的人创立宗教。”

N1成员高冉说,董科含想做的,是那个教主。

有人公开表示自己“蒸馏”过董科含:把能找到的公开和私人资料,一份份收进本地知识库研究,自称是“最懂董科含的人,没有之一”。

他认定董科含是“判断最准的投资人”,自己想成为最牛的创业者,“那我首先就应该最多了解他”。

但这位成员还强调董科含“不是不可战胜的”,认为他的“致命弱点”是不太懂技术,举出的例子,只是董科含没及时跟上GPT版本更新。

一位曾和董科含共事过的前奇绩实习生说,可以把他当作一个很好的认知筛选门槛,因为“认知高的人不会听他的话”。

他随即又补了一句:“科含是一个很厉害的人,他能把很差的东西包装得很好,所以他的话基本上不能信——正因为如此,我觉得厉害。”

Part05

设定标准的人

董科含也是辍学生。在加州大学圣克鲁兹分校读到大三下学期,他自认“不是学习的料”,坐不住,除了跟教授聊天就是出去闲逛,也没什么人跟他有共鸣。更关键的一点,他觉得“在外面成长速度远大于学校”。

后来走访了国内六七十所高校,他遇到不少和自己当年处境相似的年轻人,N1中的同学更多:有人本科就做博士课题却难获署名,有人钻研难题总被嘲笑……董科含希望他们更早遇到同类。

所以N1之外,他还办了一所学校,专门招收16至22岁的年轻人。不要求高中毕业,但数学要有高中水平,对AI有热情,愿意投入一年时间。

9月1日,这所名为N1 AI School的学校开放申请。首期学员须gap year,实地待6到12个月,补数学、计算机和模型基础,进入真实项目。没有学历证明,但食宿、学费全免。董科含把它定位为“今天中国教育的一个补充”,要“把Scaling Law作为一个新的学科”。

按他的设想,从这里出去的学员,至少要能上手训模型、了解整个流程,并且能向普通人解释清楚。

这把N1的选拔与支持延伸到了更早阶段。据了解,部分落选N1的年轻人也收到了School申请邀请。

董科含说,“N1 AI school之所以能成,是因为N1负重前行,拿自己的人生去做实验。我们有非常细微的观察和方法论,然后把这一套东西系统化之后再封装给同学们。”这套经验是否足以成为可复制的教育方法,仍有待检验。

但N1 AI School对外展示的申请者画像,依然相当光鲜。

招募文章中称,已收到数百份申请,近五分之一未成年;约63%有GitHub或开源代码经历,72%有科研经历,59%参加过竞赛或Hackathon。

值得玩味的是,这组漂亮画像未必都出自N1 AI School的申请。暗涌Waves扫描其招生入口发现,同一张申请表里既能选N1 AI School,也能选N1,后者的招募年龄下限14岁。而School声称面向16-22岁,公布的申请者画像却从14岁算起。两个入口合一,至少在对外展示上模糊了生源边界:一所不设名校门槛的学校,就此呈现出一批已有科研、开源、竞赛履历的年轻人。

这与董科含反复晒“辍学战绩”的做法颇为相似:那些辍学者未必都是N1成员,但被他放进同一套叙事里,就都成了他影响力的注脚,也帮他招来更多想要的人。

董科含举过首批School录取者的例子:有人17岁在山东县城用二手硬件搭服务器、写AI Agent,也有人做出月活40万的产品后选择退出。故事依然围绕年轻、出格和提前行动展开。

但想把投资与培养往前推的趋势不假,也不只有董科含在做这件事。

9月22日,由a16z孵化的霍洛维茨·安德森学院在旧金山开放申请,同样面向16至22岁的年轻人,但要高中毕业,首期约50人。不打分、不考试,课程由Anthropic、OpenAI、英伟达等十家公司参与设计,还有机会直接进入这些公司实践。

这套玩法中国人并不陌生,过去它有个朴素的名字:定向培养。

这么干的原因,或许可以在董科含巡讲的一页PPT里找到答案。

那张标题为“正在发生的信号”的PPT写着:“顶级公司开始绕过大学直接招高中生;大学不再必然让人变强;学历与能力正在脱钩。”

而这张PPT,曾被一位“积极在系统外寻找备选之路”的海淀妈妈拍下,放进自己的公众号文章里。再加上陈广宇17岁、700万年薪的新闻——被打动的,恐怕不只是年轻人,还有焦虑的家长。

如果PPT上这三个判断成立,按照这套逻辑往下走,一个明显的指向是——如果学历不再是衡量年轻人能力的唯一标准,还能凭什么判断一个人的潜力?

董科含的公众号从去年下半年开始频繁更新。几篇传播最广的文章《如何发现一个20岁时就值得投资的人》《14岁,我迈出了创业第一步》《什么样的人非创业不可》写的都是董科含正在做的事,也在反复解释同一件事:什么样的年轻人值得被提前下注。

他不仅写,还会主动给微信好友群发文章,请人转发。N1成员高冉说,他有多个微信小号,“好友加起来快十万个,每人看一遍就是十万”。高冉知道“这是任何做媒体的人都不会干的事。他的行动力非常恐怖,而且他完全不照顾人面子。”

董科含在个人网站上把自己的方法总结为一个闭环:提前接触人才,与他们一起工作,在确信的时刻投入资本,再通过网络和叙事放大。

“成长斜率”“结构外生长力”“主人公感”“AI Native”,这些词不断出现在他的叙述里。旧标准尚未失效,一套新标准已被急切地提出。

当然他本人否认自己有这样的影响力,也没想过要干这件事。但他承认的是,无论N1还是N1 AI School,自己的角色都更接近“设定标准的人”。

不过,董科含不认为自己在塑造“小天才”。“我不觉得这种能塑造出来。我想塑造的是有雄心壮志的年轻人,有能力抓住这个时代最好的机遇的。”

“16岁训练模型、18岁发论文、20岁进顶级实验室。”在实习生李肖楠看来,董科含“不是在反内卷,而是发明了一种新内卷”。

Part06

“天才的代价”

Andy——那位从纽约追到普林斯顿免费拍摄的大学新生——曾在纪录片中说,他问董科含:“创业风险很大,如果我放弃一切、专注all in,失败了怎么办?”

按Andy的转述,董科含回答:“失败就是失败了,没有什么办法。为了让一个天才能够名留青史、改变世界,就会烧掉几百个天才来铺垫这一个。”

董科含在后来否认了这一转述,称是Andy“曲解了”。并强调自己也没要求对方辍学,而真要讲所谓的代价,“其实就是一年或者两年的学业的delay,我觉得还好吧,又不是回不去”。

但他并不否认成功与回报的高度集中。他曾以“幂律分布”来形容这个产业:“最顶尖的0.1%,可能赚走90%以上的钱”。

在清华的一场交流会上,董科含对年轻人说,最大的资本“不是钱,而是输得起”:没有房贷和家庭负担,失败了还能重来。

对一个投资人而言,一两年也许只是项目的试错周期;对一个年轻人而言,它可能是一次不可逆的人生分岔。

暗涌Waves曾向“大模型六小龙”中的一位CEO提出一个极端的假设:“如果一个‘小天才’,高中辍学,创业了三五年后再来求职,你要不要招?”

“不招。”

在这位CEO看来,这类年轻人很可能偏科严重,而大学提供的也不只是知识,还有社会化、协作等综合能力。“至少应该上两年吧”,否则“这些人除非极其幸运,不然很难有大的成功。”

他觉得在国内鼓励年轻人过早离开学校,是一种不负责任的行为。

这里让人想起哈佛前校长、美国前财长萨默斯在2013年对蒂尔奖学金的一句评价:“我认为,这是十年间方向最错误的一项慈善,彼得·蒂尔竟然花钱诱使年轻人从大学退学。”当时硅谷投资人彼得·蒂尔向出色的年轻人提供10万美元,支持他们离开大学、用两年时间创业。

董科含显然知道,自己当下所做的事也可能招来类似的评价。

所以无论在累计近5小时的两次对话中,还是在深夜发来的两段长均1400字的回复里,他都在极力纠正或者说试图引导我们理解N1、N1 AI school以及他与这些年轻人之间的关系。

他总是会先讲起那些过早显露天赋、却难以在现有教育体系中找到同类和施展空间的年轻人的处境,之后是他对这些年轻人的理解,以及试图建立一个“有资源、有反馈,也有一段可以自由探索和犯错时间的长期存在的环境”,从而使这些人能够不被既定路径“耽误”。

还说陪伴年轻人成长让自己“找到了自己的人生意义”,希望他们最终“不再需要我的建议”。

“但肯定不止于此吧?”暗涌Waves问。

他当然知道我们在问什么。他只是更想把商业利益方面的事尽量往后放。“它(N1)要形成一个可以自我循环的经济体系,能够有尊严的、自由的创新”。

“你不能因为我们有投资这个部分,就把它理解成所有事情都是为了投资。”他说,投资、社区和教育都是手段,“核心是这里的人”。

后来那两条发自深夜的长回复,更是将他的整个解释体系编织的滴水不漏——

他说N1会影响年轻人,“任何环境都会产生影响”;

他说“不把休学、创业、融资或者下一轮估值当成N1的成功标准”,更在意年轻人是否学会自己寻找问题;

他承认“我确实可能同时是一个年轻人的导师和投资人。这两种身份可能存在利益冲突,不能因为彼此信任就忽略”。

而对那些尚未决定是否创业的年轻人来说,这究竟意味着更多选择,还是让他们更早进入一种残酷的评价体系,现在还没有答案。

董科含手里另有一块更明确追求回报的投资:据他介绍,单飞这一年,他在中美两地个人直投了约20家公司,希望回报能给N1争取更多时间。

董科含正在募集新基金,尚未首关,目标规模“大几千万美金”。发现、培养年轻人需要持续投入,而他也必须证明,这套体系最终能够在商业上自我维持。

N1 AI School免学费,提供生活费、算力和项目支持,但学生们得到的机会并非没有成本,只是账单暂时不在他们手里。

“培养出来的人,怎么变成学校的商业回报?”暗涌Waves问。

“YC怎么算,我们就怎么算。”董科含答,“YC不就是对跑出来的项目持续加注,创业成功被卖掉;失败了,可以来做合伙人,可以再run起来……只要人才在这里,机会就是无限。”

无论你觉得他伟大还是饱受争议,董科含无疑是这个时代嗅觉最灵敏的人之一。他比许多人更早察觉到,AI正在改变年轻人的定价方式。过去需要学历、资历和机构认证的能力,如今可能凭一篇论文、一个开源项目,就获得资本市场的注意。

投资人害怕错过下一个天才,年轻人害怕错过属于自己的时代,家长也开始担心,在很多条路次第关闭的时候,到底哪条路才通向未来。这时候一条路敞开了:这个时代对“小天才”有着前所未有的渴求,也愿意给他们前所未有的回报。整个时代似乎都在说,创业要趁早、投资要趁早、辍学要趁早、赚钱要趁早,一切都要趁早。

上海的N1据点里,董科含坐在王座上,他并不孤独。

(应受访者要求,文中李肖楠、高冉均为化名。)

排版|王家玙

图片来源|AI生成

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

星连资本张鸣晨:在清华挖宝,看教授的虎气、猴气与熊气

原创 暗涌Waves 2026-10-27 10:05 山西

不投大厂投大学。

「不投大厂投大学。」

文|海若镜

又一支清华系基金募到了新钱,这一次是张鸣晨和他创立的星连资本。

年轻的星连资本,2021年出道时投了智谱天使+轮,此后一路加仓,一期基金40%的钱押在智谱。勇猛加仓的故事,还发生在基流、生数科技、面壁智能身上。

对基流,他们连投了五六轮,投成了外部第一大股东。基流以15亿估值融资的关口,原本谈好的投资人临时爽约,张鸣晨说,“没关系,我们领”。不到一年,基流估值翻了10倍。

见到张鸣晨前,我理解他可能是很敢bet的激进型投资人,但他自评“还挺保守”,打牌也很少梭哈。重仓有机会homerun的公司,以高风险搏高收益,在他看来是美元基金的常规打法,他称星连资本是“披着人民币外衣的美元基金”。而今,他们募到了美元。

暗涌Waves获悉,10月星连资本一期美元基金完成首关;8月人民币成长基金首关;4月投早期的人民币三期基金完成首关。成立至今,“一期基金投出的AI项目,有三分之一在IPO轨道上。”

张鸣晨理解的保守,第一层意思是不赌假说。如果把一个复杂任务拆成8步,他不会在只解决了2步时下场;而是等学术界啃下6个,只剩2个最难的问题时,才投钱入局。

聊AI技术时,他直言“哲学没用,直接定量”。海外一款新芯片被市场热议,他不参与定性讨论,直接找几家模厂问,用完效果如何——听到事实,结束讨论。

典型的理工科思维。

在张鸣晨看来,星连重仓的胆量,源于“离得足够近”。

张鸣晨本科、硕士都在清华大学自动化系,可以自然融入清华技术创业者的圈子。基流科技创业之初,没有客户,张鸣晨通过朋友帮他们协调了一批GPU,完成技术验证。投资只是一个开始。AI公司变化快,跟创始团队处得像同事,作为“一个战壕里的兄弟”,他了解重点被投的订单、管线、潜在需求,这些“明牌”让他敢于追投。

对于“投教授”,投资圈里常有摇摆,投与不投都有100个理由。张鸣晨是坚定的投资派,他定义星连资本是一家Researcher Fund,自2021年起坚定地“不投大厂,投大学”,因此,星连70%的项目出自清华大学。

如今,市场逐步有了共识:AI正在像数学,最顶尖的1000人做了全行业95%的贡献。早于市场两年半的转向,让张鸣晨捕捉到了国内顶级研究员的机会,也更深地融入了清华创业生态,能采集到在小圈子里流通的那些信息。星连与清华大学九个研究AI的院系合作,“有的研究员刚入组,创业项目就已推了过来”。

如何判断教授的商业化潜力?他说要看“三气”:虎气、猴气、熊气。如何形成能支撑VC变现的顶级认知?“七分技术,三分直觉”。在张鸣晨看来,看的项目足够多,做的决策足够多,获得的反馈足够多,就能形成“投资手感”,像训练AI一样。

在移动互联网时代,张鸣晨作为谷歌中国第一批员工、而后加入红点中国成为合伙人,曾投资过小马智行、Opay、趣头条等。

张鸣晨如何通过楼天城认识了唐杰?清华圈为什么创业成功率高?只投教育系统筛选出的“第一名”,会不会错过outlier?新的美元LP看了中国模厂后体感如何?

就诸多问题,我们与张鸣晨聊了聊,以下是「暗涌Waves」与张鸣晨的对话(经编辑):

Part01

保守入局,激进加仓

「暗涌」:智谱,是星连资本一期基金投的第一个项目?

张鸣晨:对,2021年那轮我们是领投,之后连着投了四轮。一期基金里,有40%的钱投到了智谱。其他还投了无问芯穹、辉羲智能,后面也都在加仓。

「暗涌」:最初怎么接触到智谱,又是怎么下决定投的?

张鸣晨:在红点中国时,我投资了小马智行。小马智行CTO楼天城,曾经被称为是“中国编程第一人”,清华计算机04级、姚班开山大弟子,清华很多人都叫他“楼教主”。有天他就说,你们一定得认识一下唐杰,计算机系vision最好的老师之一,非常厉害。唐杰老师拿了系里历史上第一篇ACM best paper。现在大家发得比较多了,但在2020年之前,那真的是凤毛麟角。

「暗涌」:那时候智谱已经在创业了么?

张鸣晨:还没有。但他已经带着一批人在做项目,杨植麟、刘知远等都是他们一个组。当时他们在智源研究院,做出了中国全行业第一个大模型,叫“悟道”。为什么叫“悟道”呢?因为模型是在五道口训的。

这个团队,其实就是中国大模型的黄埔军校,国内模厂的很多技术主力,都是这里走出去的。大家掌握了炼丹的技巧,开枝散叶,形成了中国大模型的整体格局。

智谱起家的业务是知识图谱,所以他叫智谱。干大模型这件事,一定程度上是我跟唐老师一起讨论出来的。当然最后拍板还是智谱自己的团队,但我们起到了重要作用。智谱体系内训的第一个模型,花的就是星连那笔钱。

「暗涌」:那考虑过投Kimi么?

张鸣晨:当然。但三四年前,愿意在早期bet大模型的钱就那么一些,资本供给侧是零和游戏,所以比较紧张,我们就重点押在智谱上。现在大家都看明白了,这些都成了“国宝级项目”,一堆钱追着投。

「暗涌」:智谱上市后股价大涨大跌,LP会追着问吗?

张鸣晨:也会。上市后都是公开信息,高点时市值超万亿,自然受关注。但二级市场波动很正常,它不光是基本面决定的,还跟宏观货币供应、板块轮动等很多因素有关,像弹簧,围绕fundamental上下波动。

我们更关注智谱的商业基本面。中期业绩会上,他们披露了新数据,计算下来8月单月收入相当于前6个月总和,增速非常快。

「暗涌」:投中一个明星项目不算罕见。但持续加仓,挺考验魄力。基流,你们投了几轮,把自己投成第一大外部股东?

张鸣晨:大概五、六轮吧。基流一开始找到我时,只有非常强的技术,没有客户。聊完以后,我不光给了投资,还帮着联系了智谱,协调出一批GPU,支持他们做技术验证。所以,我不光给第一张term sheet(投资意向书),还给第一张商业合同。

为什么清华创业成功率高?首先肯定技术过硬,其次清华人真抱团,遇到事情真帮忙。

「暗涌」:投基流的几轮里,哪些是雪中送炭,哪些轮得抢份额?

张鸣晨:我记得非常清楚,15亿估值时,原本谈好的一个投资人掉了,公司给我打电话,我说没关系,我们来领投。那是去年的事,不到一年,基流现在估值已经150亿了。

「暗涌」:敢连续加仓,底气来自哪里?

张鸣晨:我们跟企业走得很近,与创始团队相处就像同事,有事随时打电话。所以对公司既有订单、未来管线、潜在订单需求等,都非常清楚。外部投资人对业务未必能了解这么全面,特别AI企业,三个月可能完全变样。

大家是一个战壕里的兄弟,一起把生意做大。那他遇到困难会找我,有好事也会想到我。比如,基流有卡可以出租了,我们投的哪些企业需要算力,也能最早知道。

「暗涌」:估值翻了几倍后,再追投会犹豫么?

张鸣晨:投资要往后看。今天这个价格投下去,后面还能不能有10倍的投资回报?如果有,今天就是好价。单看估值是100亿、1000亿,判断不了贵不贵。我们对基流的业务足够了解,所以没有犹豫。

「暗涌」:所以重仓加注,在星连比较普遍?

张鸣晨:智谱、生数、面壁、基流等,这些项目我们都多轮加仓。

「暗涌」:很多项目都需要重度陪伴,管得过来吗?

张鸣晨:投的企业多了,有的也长大了。有点像家里孩子多,老大带老二、老二带老三,互相之间就转起来了。

「暗涌」:你会用“激进”去形容自己的投资风格吗?

张鸣晨:还挺保守。我们不赌hypothesis,不会为假说买单。一个复杂任务,如果有8个问题需要解决,我不会在解决了2个、还剩6个的时间点进去;而是在学术界已经解决了6个、还剩下2个最难的timing进去,给钱,让他把最难啃的骨头解决掉。

「暗涌」:你们会讨论科技哲学吗?比如AI将怎样改变组织和社会吗?

张鸣晨:不用哲学,我们就做定量讨论,哲学没用。

直接问研究员:这事已经跑了多少步,有没有收益,能不能跑通。之前大家疯狂讨论一种新型芯片,很多人做定性讨论:它能不能用来跑模型。我直接问几家模型公司:你们用完怎么样?他们说掉点很严重。OK,这事就结束了。

真正开会的时候,我们都很严谨,聊技术、聊实际问题。哲学是课余愿意聊就聊。

Part02

在清华挖宝

「暗涌」:在外界看来,星连资本有一些标签,比如智谱CVC、清华系、AI native,你自己怎么定义这支基金?

张鸣晨:我们自己定义是Researcher Fund。美国AI产业里,最好的研究者都在大公司,投AI的基金围着几家大公司找人;中国顶级研究人员在几所顶尖大学里,逻辑不一样。

「暗涌」:所以你们投的项目70%来自清华。“智谱CVC”是当下你最想澄清的一个标签?

张鸣晨:也还好。智谱确实是我们最重要的合作伙伴之一。但市场上有种误读,觉得我们是智谱下面的投资部门,这不对。有些项目会觉得中间有冲突,不愿意聊。我们会解释:星连是market-based的基金,大部分钱是市场化渠道募集而来,智谱不是我们的大LP。

「暗涌」:之前投智谱、面壁、基流等都是清华系创业者。密集投清华的项目,你有什么体感?

张鸣晨:投清华的项目比较简单。

清华教授做的项目,在技术上不需要做特别的判断。能考到清华读书本就经过了严格筛选;清华计算机系一个年级150个人,能留校的只有一两个人。留校后,还有非升即走考核。在清华里能当tenure,都是各自领域里的“世界级人才”。所以主要判断,在商业上,他是不是一个足够有潜力的人。

「暗涌」:商业潜力的判断有什么方法论么?比如怎么判断一个年轻PI融资,是为了成就一家商业公司,还是想买卡做科研?

张鸣晨:我们说要“看三气”,虎气、猴气、熊气。

虎气,是说你要有领导力,不光自己学术做得好,还能把更厉害的研究员团结起来创业。猴气是足够聪明,有很强的vision、insight、taste。熊气,要有执行力、落地能力。我们也看到过行业里很多人光说不练,偏参谋型,这种就不适合做1号位。

最理想的肯定是三种气质都有。看得多了,会形成一种肌肉记忆。几次接触下来,我们就能感知到创始人哪方面气质格外突出,长板在哪里。

「暗涌」:现在是技术投资的时代,如果全世界同行都评议筛选过了,为什么许多投资机构在早期没投中清华系模厂?

张鸣晨:第一,AI技术确实新。很多老牌TMT投资机构的技术栈储备不够用了。第二,机构认知是否足够深。历史上有投了多个清华项目的投资人,错过了清华几个模型、重要Infra公司,还是因为没有看明白“模型”。早期非常恐惧,担心做大模型有诸多风险、没有商业模式。

聊早期项目先问“商业模式是什么”,这是典型的人民币基金风格;但模型和infra早期其实很难谈出来,所以就没投。

「暗涌」:从TMT到AI,投资逻辑发生了哪些变化?

张鸣晨:对于投不投教授,TMT投资人会有惯性、有摇摆。因为互联网公司需要强运营,要求创始人必须接地气、能打仗,把经济账算到极致。这些确实教授不擅长。

但AI更加技术驱动,它第一性原理是最高水平的研发,技术是决定性要素。有点像数学界——最顶尖的1000个人,干了全行业95%的事。

而且现在从技术到商业的转化非常直接,不经过销售和运营,只要做出一个好模型、好产品,通过GitHub、Twitter可以迅速传播,用户可以马上接API,公司就能产生收入。所以这个时代,顶级researcher大放异彩。

「暗涌」:清华系师生准备创业了,你们通常怎样第一个知道?那个“雷达”长什么样?

张鸣晨:我们有很多官方渠道,通过孵化器,我们跟清华技术转化部门等建立了合作框架,对口单位和院系都会给我们推项目。清华研究AI的有9个院系,我们都有合作。

因为之前投资过很多清华教授,老师们有时也会主动推荐项目。包括清华姚班也很鼓励创业,有的研究员刚入组成为PI,大家就把他的创业项目推荐过来了。深入合作,关键是意愿、能力、信任,这三点我们都具备。

「暗涌」:作为智谱、基流的天使投资人,在清华创业生态里,你认为自己属于什么角色?

张鸣晨:我们自己定义是,做被投公司的副驾驶。

创业三个要素:人、钱、事。除了给钱,人和事我们也一块来帮公司规划。清华老师介绍项目过来,也会说我们“是清华圈最知道怎么做AI项目、配置资源的,你们一定要过来聊聊。”

我们相当于建了一个“AI投资Infra”,一个AI创业供应链。把高校和产业、资源打通,批量产生高质量的AI创业项目。清华的人才其实是全国的人才,让全国受过最好教育的人,把最好的能力转化成AI生产力,最后释放到全社会。

「暗涌」:只在圈子内流动的信息多吗?

张鸣晨:很多。researcher是个小圈子,靠不靠谱,吃个饭、喝个酒,一聊就聊出来了。

「暗涌」:有些熟人推荐来的项目,会碍于人情投一点钱吗?

张鸣晨:我们投资决策是市场化的,大家标准统一:首先,只投全市场最好的1%项目。第二,这个项目后边能有10倍投资回报。

用这两个标准筛选,明显的资源类项目,我会拒绝掉,不是清华项目照单全收。因为正是严格筛选,好项目才愿意拿我的钱,创始人看重的是“我跟谁是Peer”。

「暗涌」:看好这类项目,你们会是领投、给出最高价格的那一家吗?

张鸣晨:基本都是领投,但不见得出价最高。最近我们孵化了清华一位教授的项目,市场上追的人很多。最后我们给的价格并不最高,他还是选了我们。因为两年前,我们就开始帮他探索这个生意,一起设计商业模式、补团队。他觉得和我们一起做靠谱,估值比别人低一些,也可以接受。

「暗涌」:只投体系筛选出来的第一名,会错过王兴兴那样的outlier吗?

张鸣晨:我们也愿意投outlier,比如我们在深圳投的Zettlab,是大疆和云鲸出来的人,做个人龙虾机(agent computer),做得非常好。不管哪个大学毕业,本质上还是挖掘“人”。

Part03

募到双币,去出海

「暗涌」:为什么在今年决定募美元基金?

张鸣晨:今年市场上越来越多项目倾向于拿美元:原来10个项目只有一两个,今年增加到四五个。特别是一些从美国回来的华人创业者,公司注册在香港、新加坡,没有美金不好投进去。

「暗涌」:星连资本成为一家双币基金,对你个人来说有什么意味么?

张鸣晨:比较顺理成章,我老说星连是“披着人民币外衣的美元基金”。

我们核心投资人基本都是美元基金背景,看人、看事、公司管理更偏美元风格,现在只不过真的手里有了美金。币种其实无所谓,我们一直关注的是怎么投资到伟大公司。

「暗涌」:感兴趣投资中国AI的美元LP,有哪些新特点?

张鸣晨:有一点挺重要,最近聊的美元LP很多都有产业属性,愿意跟中国AI技术公司做战略合作、出海。

「暗涌」:是传统的产业集团么,具体怎么合作?

张鸣晨:一些海外产业集团,主业是运营商、大连锁、头部金融公司等等,他们非常愿意搭着AI技术公司一起去做商业拓展。

就在前些天,欧洲一家管理约2000亿美元资产的机构,CEO特意跑到我们办公室。他发现他们每月花大量的钱买token去做行业研究、build内部系统。之前,多一半预算是花给美国模型做复杂任务规划,少一半花给中国模型做执行,中国模型性价比最高。

之后他觉得可能会反过来。他就想来看看,中国到底是一帮怎样的人在做模型,后面会怎么发展?既然中国模型这么强,那我们能不能战略合作,我帮你去打开欧洲客户的市场。

「暗涌」:看了五道口这边的模厂、Infra公司之后,有什么他预期之外的东西吗?

张鸣晨:看完就觉得欧洲人自己别做了,投资中国AI公司,建合资公司、一起做生意就行。他们有市场,我们有技术。

「暗涌」:技术上,这些潜在美元LP会问得特别细?

张鸣晨:他们看得非常深。有些美元LP跟VC一样,投资人每天看行业,看项目,一起交流前沿问题。比如最近recursive(递归式自进化)很热,OpenAI、Anthropic、国内几个大模型公司都在做,新成立的startup空间在哪?再比如World Model哪条路线能收敛?中国的算力怎么能追上?都是行业一线问题。

美元募资对我们来说,反而简单一些,他们就看业绩、看行业认知。要体系化地讲清楚:昨天在哪,今天在哪,明天在哪。

「暗涌」:业绩如何?

张鸣晨:星连一期基金有几十个项目,接近三分之一都在IPO轨道上。TMT时代,一期基金的常规IPO Rate 2%-5%,我们现在是30%。

Part04

AI投资:七分技术,三分直觉

「暗涌」:你多次提到AI时代投资要懂技术、要有顶级认知。你是一个绝对理性的人么?你所说的“顶级认知”从哪里获得?

张鸣晨:AI时代投资更强调理性,但也不能100%是机器人式逻辑思维,也有感性的东西。很多事情有不确定性,等完全想明白再投,也晚了。

非要划分的话,可能三七开。70%靠技术,是对行业、对企业的认知;30%靠直觉。好多时候直觉没有依据,但确实也很重要。

我跟同事讲,投资无非“两个多”:看的项目多不多,投的项目多不多?多了,自然产生手感。人也像一个神经网络,有很多说不清道不明的东西,但喂的数据足够多,就很容易形成机制。投资,是在不确定性里追求确定。靠运气可能找到一两个好项目,但不可能保障整个基金实现系统性的高收益。

「暗涌」:听起来跟训AI模型一样。早年你在聊趣头条的投资判断时说过,投资人获得一手信息是晚于市场信号的。现在投AI呢?

张鸣晨:好的GP必须提高信息收集频率,加快认知迭代。传统TMT投资,一个月更新一次信息可能够了,但AI每周、每天都有新东西,必须每天都接触最前沿的信息。

我们孵化器一年有100多场活动,顶级学者、工程师每天在想什么,技术推进到哪,市场需求在哪,都要跟他们一起交流。光触达信息还不够,你得“学而思”。拿到信息之后,不断理解、思考,把它变成自己的东西。

「暗涌」:把这些认知落到投资上,下一步你会把钱投向哪里?星连投在芯、算、模、用的比例如何?

张鸣晨:多一半在模和算,这是最基础、价值最大的,少一半在芯片和应用。但接下来,好应用会越来越多,有了好的模型和算力,拿它“炒菜”,就能炒出好菜。

今年vibe coding起来后,模型已经足够聪明。金融资产管理、医疗(诊疗、制药)、教育等都在出AI新应用,他们利用大模型的底层能力,显著提高了产品体验,正在给用户带来效率价值。

这有点像移动互联网的2011、2012年,移动网络铺好了,字节、快手、小红书就该出来了。

「暗涌」:去年投应用特别热,今年上半年很多人说不投应用。下半年风向又变了?

张鸣晨:跟着模型能力走。模型变强了,大家就担心“应用”会被整个吃掉。但其实不是的,很多场景能产生独立的应用层,有自己的价值。所以哪个市场大,就先做哪个,里面可能会出现一个或几个超级应用。

我们跟模型公司离得很近,认知可能比市场领先半年到一年,所以看起来我们老跟市场反着来。

「暗涌」:你怎么判断,哪类应用不会被通用模型吞掉?

张鸣晨:看整个工作流里,有没有human in the loop。只要最后需要人来决策,或者必须有人提供反馈,这类场景就有独立存在的空间。像吃药、开刀,最后还得由医生拍板;而且没办法给出非常清晰的奖励函数。

如果全过程AI都可以主动运行,结果又能明确判断0或1(对与错),比如coding、数学,通用模型就可以不断获得反馈、自主迭代进化,做得非常好。这些场景很可能被模型吃掉。

「暗涌」:模型能力仍在往上走。现在这些创业团队想解决什么问题、大机会在哪里?

张鸣晨:现在有一波Neo labs,想用新架构,把Transformer的效率提升很多倍,让模型更聪明,同时更省算力。

比如人脑是分区的,做不同任务会调动不同区域。神经网络里的参数,作用也不均匀。有一派研究员就在研究,哪些节点在什么任务里起作用,能不能把它识别出来,只激活1%的参数,就把任务解决了?还有一种思路,找到网络里的几个“超级节点”,通过改善这些节点,迅速提升整个网络的表现。

这些都很有价值。假如现在ChatGPT是120分,换一种架构,有没有可能迅速提高到150分。

「暗涌」:回看移动互联网时代,你会反思那些错过吗?比如投了趣头条,没投今日头条;投了秒拍,没投快手。

张鸣晨:肯定会。既要选对赛道,也要选对赛手,核心还是把握产业的底层逻辑和规则。AI这一波,我们还是吃到了很大的红利。

「暗涌」:你说终极目标是投到伟大的公司,对你自己而言,更底层的驱动力是什么?

张鸣晨:挣钱有很多条路。VC特别幸福的地方,是你可以通过好奇心获得顶级认知,用认知去做未来的事,去改变世界。这是一级市场最有意思的地方。

「暗涌」:最有成就感的时刻,是自己的判断一步步得到验证?

张鸣晨:对。真的从零开始,像养孩子一样,一点点帮他长大。看到他做得很好,考上清华、北大,真正成才了,是这种感觉。我们真正创造了价值。

排版|郭栩君

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

36氪暗涌实习生招募

暗涌Waves 2026-10-26 12:07 山西

36氪暗涌实习生招募 | 热切期待爱探索的你

岗位:榜单实习生

【岗位职责】

1. 配合完成投资机构、企业、投资人、创业者的资料搜集、文案撰写及排版;

2. 辅助调研并整理不同行业、企业信息,背景调研信息整理,持续挖掘优质创业项目线索;

3. 针对活动需求,基于现有模板完成图片美化制作;

4. 协助完成其他运营工作,配合部门线下活动执行。

【岗位要求】

1. 本科及以上学历,商科或传媒类专业更佳;

2. 学习能力强,渴望探索新事物,尤其是创业投资前沿科技等领域;

3. 网感和审美在线,掌握基本公众号编辑排版技能;

4. 熟悉36氪内容调性,有较好的信息收集筛选能力;

5. 长期实习优先,每周到岗不少于3天。

【加分项】

1. 在校期间有校媒体、记者团方面的实践经历;

2. 有商业科技类媒体、投资机构或咨询的实习经验;

3. 能够主动探索并使用AI工具。

工作地点:北京

跳转微信打开

  •  

对话单伟建:好CEO发大财,坏CEO请走开

原创 暗涌Waves 2026-10-21 09:05 江苏

所谓AI要驾驭人类的末日,它要达到什么目的呢?

「所谓AI要驾驭人类的末日,它要达到什么目的呢?」

文|海若镜

并购交易时常惊心动魄,故事却多隐秘。等过了保密期,能与人说时,历史的色彩往往已经泛黄,许多细节也随时间散失。单伟建把亲历的几笔交易写了下来,并购中的冲突、妥协与进取,终于不再模糊,回归为有名有姓、你来我往的故事。

2004年底,单伟建主导的深圳发展银行收购案,剩下临门一脚时,团队却发现了一笔高达15亿元的可疑贷款:钱几乎刚发放,就成了坏账。当时深发展的账面净资本仅40多亿元,这笔贷款占了银行资本的1/3。

谁靠这笔“又大又坏”的贷款发了财?始终未能查清。单伟建在书中写道,他们追到的每个人,都抱怨自己是受害者。

这只是深发展收购案中的一章曲折。最终这笔收购交易留下了一组漂亮的业绩:新桥资本1.5亿美元的初始投资,六年后退出净套现22.5亿美金,15倍收益。

谈判历时30个月,单伟建曾拒绝了卖方1.5倍账面净资产的报价,却在后面接受了更高的1.65倍;入主后选定的第一位外籍行长,懂得经营一家好银行,却没有扭转一家坏银行的经验,惊动银监会也得换人。

“又大又坏”这样的坏账,只是新桥发现的诸多不良贷款之一,最终他们找到了合适的管理者,改了薪酬制度,让坏账回收成为内部“香饽饽”。单伟建告诉我们,这些年的经历让他深深意识到,人的作用实在太大了。一个好的CEO能管好一家坏企业,一个坏的CEO能管坏一家好企业。

对人的理解,贯穿了并购谈判和入主改造的全程。对方在意什么、顾虑什么,什么条件能争取、什么时候该妥协,直接影响着交易的成败。面对价格分歧,单伟建曾不想让步,但他的老板大卫·庞德曼却当机立断,指出2500万美元的差价无关宏旨,关键要抓住时机做成交易。

谈判,不必谈到极致。要给别人留一些余地,哪怕别人未必愿意给你留。

深发展收购案,是单伟建以私市股权投资人身份重仓中国的标志性起点。交易退出之后,他募资25亿美元,共同创建了太盟投资集团(PAG),缔造了多起控股型交易,典型如:万达商管、盈德气体、后并入腾讯音乐的海洋音乐等。

如今,众多类型的金融交易走向量化,AI越来越擅长分析和计算,但一笔复杂并购交易中角逐的力量过多,承诺可能变化,信息总不完整,各方对同一方案的理解常有差异。在僵局中寻找机会,格外需要人的智慧和想象力。早在2018年,李开复曾把并购专家列为AI最难替代的职业之一,而今看来依然如此。

2026年中,我们见到单伟建时,他独自背着一个很重的黑色单肩包,边角已经磨旧。他和我们聊了新书里的故事,也花了一些时间讨论AI。

这位从内蒙古戈壁上走出来的投资人,完全不认同“AI末日论”。他写了一篇书评,反驳赫拉利《智人之上》中AI可能统治人类的言论。在他看来,AI会在许多方面会超越人类智能,但它没有“生存和繁衍需求”,不会产生内在动机、自主意识。

“爱因斯坦在十几岁时,就想象和光一起同步旅行,在他的思想实验中,光并没有以光速移动,与他是相对静止的,就像今天人坐在飞机上,也感觉不出飞机在高速移动。像这种想象力,我觉得只有人能拥有。”

对人类智能的信心,也没有让他低估AI对商业、社会组织的冲击。年初,因为难以判断AI对标的公司的影响,他们选择不投一家IT服务公司。

至于AI即将带来的失业潮、极端贫富分化,单伟建对中国的处境更为乐观,他认为中国有能力通过分配制度、社会保障机制来应对技术冲击。

谈话中,单伟建总会把问题带回“人能做些什么”,去应对变化。以下是暗涌Waves与单伟建的对话(经编辑):

Part01

反对AI末日论,

但警惕极端贫富分化

暗涌:今年初你写过一篇评论,反驳赫拉利《智人之上》书中提到的“AI末日论”。你认为,AI没有人类那无可替代的想象力,未来也不可能统治人类?

单伟建:我不认同他的主要观点,就是所谓AI末日。他认为人工智能可以取代人类智能,甚至可以统治人类。我觉得这是不可能的。

人类智能最基础的东西是生存和繁衍的需要,这是智能发展的根本。人类一切活动,都是这个根本需要所决定的。因此,人能设计行为目标。

比如说你我今天坐在一起,是我们设定的一个目标。我们做的每一件事都是自主决策,这要求人知道自己的存在,有自我意识,及要达到的目标。

AI可以发展到很多方面比人类智能更强,但它不会有自主意志。没有自主意志,就不可能自主设定目标。它所设定的目标,还是人需要它达到的目标。所以它也不可能驾驭人类。

像电影《黑客帝国》里,AI把人奴役了,它设计出的目的是汲取人们类能源。我觉得很荒唐,人类能产生多大能源?(笑)如果AI的能力已经到了那个地步,它完全可以通过核反应堆等去产生能源。所以,所谓AI要驾驭人类的末日,它要达到什么目的呢?

暗涌:这更像是科技哲学的思考,你认为AI没有动机。

单伟建:它没有动机、没有目的。它不需要繁衍,也不需要生存,所以我觉得所谓人工智能最后取代人类智能,甚至驾驭人类,是耸人听闻,不可能发生。

我不是写这篇书评时才有这个意见。十几年前,物理学家霍金就有过“AI最终会驾驭人类”的担忧,当时我就思考过这个问题。几年前我发表了一篇文章,谈到AI会在很多方面超越人类,但它不可能驾驭人类,因为它没有想象力。

AI可以更快地达到一个人类设定的目标,它可以引申,但它不可能凭空想象出一个训练数据集中没有的东西。

爱因斯坦在十几岁时,就想象和光一起同步旅行,在他的思想实验中,光并没有以光速移动,与他是相对静止的,就像今天人坐在飞机上,也感觉不出飞机在高速移动。像这种想象力,我觉得只有人能拥有。

暗涌:目前AI倒没有驾驭人类,但已经对商业世界带来很大影响,比如裁员,很多人焦虑工作会被AI取代。

单伟建:哪一次工业革命不是对人类世界带来巨大影响?第一次工业革命,蒸汽机代替人力,没有造成人类灭亡,带来了进一步繁荣。电气化、计算机,同样如此。

但人工智能会产生一个很大的问题:财富集中。这已经在美国表现得淋漓尽致,它创造了资产万亿的富人,也正让很多人失业(比如谷歌大裁员)。财富分配进一步不均,导致贫富两极分化。

暗涌:失业、极端贫富分化,该怎么应对?

单伟建:我觉得在这方面中国有优势,分配系统不至于如此极端。过去几十年,中国很大的一个成就是消灭贫穷,让一些人和区域先富起来,先富带动后富。电视剧《山海情》比较真实地反映了中国扶贫的一种方式:富裕省份配对扶持较贫穷的省份。这是中国体制才能做到的,美国也有人愿意这样做,但没有从体制层面策划的分配。

暗涌:AI时代可能不需要那么多就业岗位了?现在很多公司招聘新人越来越少。

单伟建:任何一次工业革命都会出现这样的现象,有些人掌握的技术过时了,比如AI取代人写代码。

早年国企改革、关停并转,很多工人下岗,当时国家就设计了再就业训练制度,阶段性保障工人基本工资。并由此,在90年代初,建立了社保制度,后来设立了全国保障体系。这些制度性的设计,让下岗工人能有再就业机会。

我觉得中国的体制有一定优势,不会在AI大规模取代人的工作后,对失业者不管不顾。而且,现在的社会条件更好,劳动者的自我修复能力、重新训练能力也很强。

暗涌:具体到太盟投资(PAG)的投资决策,AI正在成为你判断一家公司的关键变量吗?

单伟建:要看什么样的项目。今年年初,PAG团队看过一家印度IT服务公司。印度有很多受过高等教育、说英文、成本又低的员工,欧美企业普遍会把软件和IT服务外包到印度,这曾是一门很赚钱的生意。

当时AI取代编程、IT服务的趋势还不是很明确,在投资委员会上,我们就问:如果AI彻底改变了编程的方式,对这家公司有什么影响?团队请来的几位专家基本都表达了正面影响:比如原来100个人做的事,现在10个人就能做。

但我们进一步想,欧美客户选择印度,是因为劳动力成本低。如果AI比印度劳动力还便宜,客户可能就不需要外包了。他只要告诉AI自己的目的,就能把软件写出来。

所以,AI究竟能帮这家公司提高人效,还是会让客户不再需要它?当时我们无法判断,最终就没有投。考虑到未来退出,如果买家同样无法判断AI对公司的影响、不确定这家公司未来的价值,那谁也不敢买。

我现在觉得,很多软件公司几乎以什么样的价格,都不会有人买,就是尚且难以预料人工智能对它们未来的影响。

Part02

谈判不必到极致

暗涌:《金钱博弈:一个峰回路转的故事》里,我第一个印象很深的点是新桥收购深发展时你们关于价格的博弈。新桥认为深发展的合理价格是0.8-1.5倍账面净资产,对方提出1.5倍,你拒绝了,但你复盘“这是一步错棋,差点满盘皆输”。而后大家重回谈判桌,你们最终接受了1.65倍的价格。分歧是如何解决的?

单伟建:当时深发展的账面净资产并不真实,按道理是有资产窟窿,所以我们认为作价1.5倍账面净资产已经是上限。对方就是要1.65倍,我觉得很难接受。但我以前的老板大卫·庞德曼说,差额的2500万美元不是大事、无关宏旨,最关键的是把交易做了。

他教会我,谈判的时候,不能谈到极致,要给别人留一些东西。哪怕别人不见得给你留,但你应该给别人留一点(余地)。

暗涌:类似的取舍,在并购谈判中经常会出现?

单伟建:新桥在出售韩国第一银行时,同时跟渣打银行、汇丰银行谈,两家的报价差1亿多美元,韩国监管机构倾向于出价低的那一家。

1亿美元,对一般人来说,是很大的数字。但是在庞德曼看来,这只是一个“四舍五入的差别”,还是要考虑韩国政府的倾向。

直到后来,出价高的那家又大幅提高了报价,差距就很有意义。韩国政府是韩一银行持股49%的股东,价格提高,对他们也有很实质性的影响。最终他们也接受了更高报价。

暗涌:听起来是比较朴素的常识:能够换位思考,要替别人的立场、利益考虑。并购交易中涉及的参与方特别多,大家建立信任的关键是什么?

单伟建:任何信任都需要经过时间,我认为最重要的是一诺千金。言必行、行必果,说话得算数。但别人说话不算数时,你也要能接受。人非圣贤,孰能无过。

言而有信,设身处地替别人利益考虑,自然会渐渐建立信任。

暗涌:如果别人反悔,或者不认可你站在他立场上的让步,难免让人不快。你会怎么处理谈判中遇到的纷争?

单伟建:苏东坡讲,“卒然临之而不惊,无故加之而不怒”,我一直想用这个标准衡量自己。前半句我可以做到,但后半句很难。

我在《金钱博弈》里写过一次跟韩国官员谈判的经历,当时谈韩一银行的不良资产作价,我们做出了让步,提出了比应有价格更高的方案,但对方不屑一顾,认为不良资产就是优质资产。这让我不快。但事后一位参与谈判的同事提醒我,我们做的一切都是工作,不要让它影响个人情绪。

很多事情,站得再高一点、远一点,退而思之会发现没什么大不了。所以不必把情绪带入谈判。做到“无故加之而不怒”很不容易,我其实做不到,但要尽量做。

暗涌:新桥入主深发展后,改造的过程一开始也很波折,经历了更换行长的风波。此前收购韩一银行时也换过人。控股型并购交易中,新入主的管理者需要更铁腕吗?作为管理学教授,你怎么看管理中的刚柔并济?

单伟建:管理学教授不见得会管理。尤其我教管理学的时候,完全不懂管理(笑)。

私市股权投资收购,成功的几率大于失败,一个重要原因就是对被投企业的管理。

我们的特点在于,收购企业后,会给管理层非常好的激励制度。通过股票期权、共同投资等方式,把双方利益紧紧捆绑在一起,公司和股东赚大钱,管理者也能赚大钱。

同时,我们会和管理层共同制定合理的目标,从100天预算开始,到一年、三年、五年的预算,经董事会批准,用来考核管理层。如果达到或超过预算,股权奖励制度就会给你带来很大利益;如果不能达标,说明能力不够,那就换人。

有些公司发现管理层不行,也没法更替,就凑合下去,公司因此表现不好。我们做收购,遇到这种情况,就要当机立断。庞德曼说过,如果该换这个CEO,那他昨天就应该被换。当断不断,反受其乱。

暗涌:改造深发展时,选择的第一位CEO就没有达到目标。书里评价他“柔性大于刚性”。

单伟建:柔性大于刚性,这是庞德曼的判断,我当初没有这个判断。多谋善断、杀伐果断的掌舵人很难找。首先,你要能想出很多主意,还要能做决断;然后你还要杀伐果断。

我们换掉的那个行长,懂得怎么管好一家银行,但没有扭转改造一家坏银行的经验。他进入一个没有规章制度、一切百废待兴的体制,就无所措手足。他有能力,但不适合在这工作。

这么多年我深刻意识到,人的作用太大了。一个好的CEO,能把坏企业管好;一个差的CEO,也能把好企业管坏。

Part03

醉能同其乐,醒能述以文

暗涌:现在很多基金投资人不乐于公开表达,但你仍在持续写书、深度输出,动力从何而来?

单伟建:因为我花了很多时间去研究宏观经济,这也是投资判断必须要做的工作。研究得深入后,有一些心得,就愿意表达出来。

之前三本书,都有特定的书写背景。第一本《走出戈壁》是想记录我们这一代人的记忆,我们经历了上山下乡、跨越了改革开放,见证了中国巨大的变化,这些值得被记住。

第二本书《金钱博弈》讲述了收购韩国新一银行控股权的内幕,初衷是想填补buyout(控股权收购)行业的文献空白。作为私市股权投资的一部分,buyout已经是一个非常大的行业。现在在美国,由私市股权公司控制的企业数量,超过上市公司的两倍。但此前没有一本书能完整记录收购和退出的完整内幕,我恰巧身在其中,经历了全过程,就想弥补这个空白。

最近这本中文版《一个峰回路转的故事》不仅是新桥资本收购深发展的故事,还关系到中国银行体制改革、金融开放,跟欧美成熟的收购市场不同,我觉得其中有很多启发,值得书写下来。

暗涌:这些交易当时有很多媒体报道,但真正了解内幕细节、来龙去脉的人确实不多。

单伟建:媒体报道非常零碎,有很多是猜测,也相当不准确。

欧阳修在《醉翁亭记》里写:醉能同其乐,醒能述以文者,太守也。“醉能同其乐”的人很多,“醒能述以文者”的人并不太多。很多人做并购,恐怕没有兴趣再把过程记录下来。我恰巧有点学术背景,毕竟以前是教书的,所以属于“醒能述以文者”。

暗涌:亲历这些历史,再把它们写下来,你想要“立言”、在历史上留下一些痕迹么?

单伟建:没有这么想过。古人讲立德、立功、立言,还是从个人角度考虑问题,我不想这些东西。咱们是微不足道的人。做事,能做就做了;写东西,能写就写了,有兴趣做的事情就做。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

复旦师生Pre-A轮融资超10亿,想让AI懂人的情绪与处境

原创 暗涌Waves 2026-10-12 08:50 江苏

像电影《Her》里的AI助手。

「像电影《Her》里的AI助手。」

文|孙小雯 海若镜

访谈、编辑|海若镜

人的喜怒哀乐忧惧,对AI来说,重要吗?

与人交谈时,我们会留意他的语气、停顿、表情,边听边想对方的真实所思。但当交流被整理成提示词文本,很多情绪信息会被过滤掉。

模思智能,这家由邱锡鹏教授(复旦大学特聘教授、上海创智学院副院长)创办的模型公司,一直在意AI的情绪感知能力。

在模思智能CEO李世民看来:AI要理解用户的意图,需要把用户说了什么、周围发生了什么,以及此前的交互联系起来。情绪也是其中的一种情境信号。比如用户突然结束了与AI的对话,可能因为任务已经完成,也可能因为AI答错了、让人不耐烦。这种反馈,藏在语音里、语气中,及更广泛的情境中。

他们想实现的“情境智能”,是让AI能够持续理解现场:谁在场,之前发生了什么,现在是什么环境,人正在做什么,接下来可能要做什么。但完整实现这种智能感知和预测,仍有很多难题待解。所以,模思智能选择先把交互模型作为工程化入口——让模型能理解、生成语音和视频等多模态,并可实时交互。他们把这套系统命名为MOSS Live。

「暗涌Waves」独家获悉,模思智能近日完成超10亿元Pre-A轮融资,由华控基金领投,主要投资方包括国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金等,元禾控股、上海国投旗下上海科创集团、星连资本等老股东持续投资。本轮资金将用于全模态实时交互系统研发与全球商业化落地。

早在2023年初,邱锡鹏带领团队推出了类ChatGPT的语言模型MOSS,迅速登上热搜被广泛关注。当时就有投资机构邀请他们创业,但团队没有立即出来。

同年,这支团队研发了端到端语音大模型SpeechGPT,尝试让模型理解和生成语音,并保留声音中的情绪、语速、音色等信息。2024年,其开发的AnyGPT,探索让模型能处理更多不同类型的模态信息。

沿着这条研究路径,情境智能的目标渐渐清晰。要实现这一目标,模型就必须进入到现实情境中去,在现场获得客户的真实反馈,反哺模型。2024年底,这支团队终于孵化创业,成立模思智能,由SpeechGPT核心作者、年轻的复旦博士李世民担任CEO。

李世民告诉我们,过去半年多,模思智能团队发布迭代了20多个模型版本,包括语音生成、音频理解、视觉理解等。他讲了与B端客户一起打磨交互模型的经历,真实情境的需求不同于学术指标,客户要准、快,还要便宜。这些约束,也改变着模型架构和推理框架。

至于当下热门的AI for AI,他认为这不是新事物、也不是壁垒,过去许多团队都用AI加速模型研发。如今,单点模型的领先可能很快被追上,但如果模型能快速进入产品,真实场景反馈又能变成下一轮训练材料,系统迭代速度可能拉开差距。

他们在做的实时交互模型,与日常已用的语音助手有哪些不同?如今距离情境智能,还缺着哪些能力?智能座舱等终端客户到底想要怎样的AI模型?这家成立两年的公司为什么能融到10亿元?

以下是「暗涌Waves」与模思智能CEO李世民的对话,经编辑整理:

Part01

让AI理解“现场”

「暗涌」:模思一直强调“情境智能”,这里的“情境”到底怎么理解?

李世民:我们理解的情境,英文也是context,但它比大模型里常说的“上下文”更泛化。

真实物理环境里的信息,其实是持续不断流入的。这里有什么人、有什么东西、刚才发生过什么、人与物时空关系如何,这些我们都认为属于情境。

有个很简单的例子,大家都有过找钥匙的经历。如果你突然问AI:“我的钥匙放哪儿了?”假如AI只能看到你当下的这一帧,它自然不知道答案;但如果它一直在持续接受环境的视频流,就可能看到你进门后把钥匙放到了哪里,后面人离开了、东西有没有移动。

拥有情境智能的AI回答问题,依赖的是此前持续积累下来的情境感知能力,而不是提问那一刻获取到的信息。

「暗涌」:听起来,像一个随行的AI助理。现在大家期待的不止是拟人对话,还希望AI像人一样,能在物理世界更自主。

李世民:我们选择面向智能终端提供交互能力,底层逻辑就是要AI像人一样和物理世界交互。在真实环境中,人会停顿、改口;周围的声音、画面和环境状态也会一直变化。

最终AI一定会进入眼镜、车、玩具、机器人等终端,在这些地方,人不会每次都先整理好一个Prompt,完整告诉AI自己要什么。

真正的情境智能,需要双工交互,输入和输出是并行的,模型能够边看、边听,接收信息的同时也能给出反馈。所以,下一代AI会从“回答问题”走向“持续在场”,能持续理解人和环境,并在合适的时候回应、行动。我们现在做全模态实时交互,就是在解决这件事。

「暗涌」:可以举例讲讲,全模态实时交互,跟大家熟悉的AI语音助手有哪些不同吗?

李世民:真正的交互系统,要解决的是信息怎么同时进来、怎么互相影响、怎么在场景变化时持续更新。

比如一个人在车里说了句“有点冷”,只做语音识别,识别出这三个字就结束了。但真正的交互智能,要知道现在车里多少度、谁在说话、车辆是什么状态、说话人过去的偏好是什么,最后判断这句话只是描述感受,还是希望AI调一下空调。

我们真正关心的是AI能不能理解现场。

「暗涌」:邱锡鹏教授团队最早走红网络是2023年的语言模型MOSS,后面转向“语音理解和生成模型”,再后来又加入视频。这些都是为了接近“情境智能”的目标吗?

李世民:在创立模思之初,我们对情境智能有这样的描述:AI能够充分感知、理解复杂的物理情境,并在交互过程中持续提升模型能力。

最初我们更强调前半句。AI与物理世界最自然的交互方式是语音,所以我们先从语音入手,先让模型听懂用户的语气和情绪。用户打字、用文本表达的话,语气情绪等信息都会丢失。

2025年,我们的语音模型能力已经做到相对领先,就开始把“视觉理解”集成进来,让模型既能听懂,也能看清物理世界。

现在,我们会更多地强调后半句,“在交互中持续提升模型能力”。随着基础大语言模型、多模态模型逐渐成熟,我们也正往更加全面的多模态交互推进。

交互智能,是重要的工程入口。如果AI没有理解情境,会在交互里暴露错误。做交互模型,是在把情境智能做进系统里。

「暗涌」:那么目前的多模态交互模型,做到哪一步了?你们最近提出了MOSS Live,具体怎么理解?

李世民:过去半年左右,我们陆续发布、迭代了20多个模型版本,覆盖语音生成、音频理解、语音识别、视觉理解和内容生成等环节,也在持续开源。

一些模型在特定任务上已经取得了比较好的效果。比如MOSS-Audio除了理解用户说了什么,也能分析他说话时的情绪、语速和状态,甚至声音里细微的抖动;

多说话人语音识别模型MOSS-Transcribe-Diarize-0.9B,在一些特定任务上的效果可以超过参数量更大的模型。

现在正处在把过去诸多单点能力接成系统的阶段。我们更愿意把MOSS Live理解成一套实时交互系统。这套系统里,有交互模型,也有能动性模型。交互模型持续看、听、说,理解当前的人和环境;能动性模型负责更复杂的推理、工具调用和任务执行。

「暗涌」:模思为什么还要做视频生成模型?这个赛道也很卷。

李世民:这要和视频理解放在一起看。在我们的技术体系里,理解和生成是相互促进的。

比如训练视频生成模型,需要先把视频里的内容准确地描述、标注出来,这就依赖理解模型的能力。理解模型还可以帮助评判生成内容的质量;反过来,生成模型的效果,又能帮助我们验证理解模型的能力。这两件事在底层有很多共通的积累,包括音视频数据、数据处理管线,以及训练和推理的基础设施。我们做视频生成,也复用了此前在语音和音视频理解上积累的能力。

所以我们会把理解和生成放在一起迭代,最终服务于全模态交互这个目标。

「暗涌」:要实现理想中的AI情境智能,难点主要是哪些?

李世民:核心主要有几点。第一,对音视频流的持续理解能力和双工交互。让模型在信息输入侧跟输出侧并行,能边看、边听、边说。

第二,记忆能力,不仅包括历史画面,还要能够在交互过程中对长时间信息进行编码,并在交互中更新。

获得这些信息之后,还要理解用户的意图,在输出动作之前做规划和目标拆解。这部分目前的语言模型和agent已经做得不错。

最后,还要考虑怎么从真实交互的反馈中改进。这跟coding任务不同。coding任务可以直接从代码是否运行正确来判断结果,但在现实生活中,反馈其实没有那么明确。用户不一定会直接说“你错了”,而是生气,或是直接沉默了。这个时候模型就需要结合更多的情境信息分辨。

这些问题在当前的交互模型里,都还没有被很好地解决。

Part02

用户需求,改变AI模型

「暗涌」:早在2023年你们就做了端到端语音模型SpeechGPT,当时外界的反馈主要是怎样的?

李世民:大家觉得范式很新,但也有质疑。

当时,端到端语音最明显的优势是降低时延,能保留更多语音里的非文本信息。但真正到用户场景里,它的代价也很明显:模型参数量大,部署成本高;为了降低时延,在一些特定任务上的效果反而不理想。所以有些客户反而希望我们做一套更智能的三段式方案,先把他们的实际问题解决好。

直到2024年GPT-4o出来,大家才理解端到端语音的价值,是让交互更自然。这件事对我启发比较大,我们可以靠技术和认知去做出新的模型范式,但最后还是要和真实的用户场景结合,才能产生更大的用户价值。所以我们决定在2024年底出来创业。

2025年我们做了很多单点模型,包括多说话人的语音识别、音频生成、单独的音频理解,很多技术选型,都会根据实际市场反馈去调整。

「暗涌」:现阶段,你们也在和一些B端用户做联合开发。主要有哪些用户需要全模态的能力?

李世民:我们目前主要接触的是智能终端客户,包括智能座舱、AI智能硬件等。它们的使用场景不同,但对模型有一些共通的要求:

理解用户说话的内容,也要结合语气、周围环境和之前的交流,判断用户的意图;在拟人度、流畅度上表现更好;以及具备Always-on的体验,用户可以随时唤醒AI、跟它交互。

这些需求在不同终端上表现不同,但底层需要解决的理解和交互问题有相通之处,所以模型能力可以在不同场景复用。

「暗涌」:目前的智能座舱大多都有语音交互,已经能即时响应一些需求。但座舱内的多模态交互,会是刚需么?

李世民:要看客户希望座舱里的AI做到什么程度。像开空调、调音量这样的明确指令,现有语音交互已经能解决不少问题。但我们看到的一些客户需求,已经涉及更连续、更复杂的交流。比如车里多人交谈时,用户跟其他人说话,不希望触发语音助手;跟语音助手实时交互时,用户话说到一半,可能正在思考,不希望被AI打断;打开车窗后,风声、鸣笛声等,如何避免背景音误触发。这些都是我们当前正在做、一些现有座舱语音助手还没有解决的问题。

打磨这些具体的细节,让模型知道什么时候应回复用户、什么时候该沉默,做到这些,用户能感觉到AI突然聪明了很多。

在此基础上,一些客户也希望模型能够同步理解视觉和音频信号。因为单靠声音,AI获得的现场信息仍然有限;加入视觉,可以补充对周围环境的理解,帮助模型判断用户的意图。对于想提供持续交互体验的座舱,多模态就有了具体的用途。

「暗涌」:终端的算力能支撑得住么?

李世民:我们会根据不同场景设计不同大小的模型。

比如端到端的语音转录模型,如果是用于具身机器人、小型AI硬件、手机等,对时延要求高,且端侧芯片的算力有限,可以用0.9B的轻量级模型,提供本地服务。

同系列我们也有旗舰版模型,可以完成长音频多人转写、说话人分离和时间戳标注,主要通过云端提供服务。这个版本更适合对时延要求没那么高、但希望获得更强模型能力的场景。比如内容生产、线上模态交互,或是客服、医患交流的内容和质量分析。

「暗涌」:来自用户侧的需求那么多,你会怎样判断哪些值得投入研发?

李世民:现在判断一个技术是否要深度投入,首先还是需求导向;第二个标准是有没有可复用性,是只有一个客户有需求,还是很多场景底层解决的是同一个问题;第三,它是不是还在情境交互智能的目标主线上。

我们会看这个项目除了收入以外,对模型能力有没有帮助,做完以后这个方案能不能迁移到其他客户。比如一个AI硬件或者终端场景,如果它能帮助我们迭代交互模型、双工模型,这种项目我们会优先做。

「暗涌」:做语音模型的老牌厂商,已经积累了不少客户。这个赛道会不会太拥挤?

李世民:我们认为,语音赛道还有很大的机会。大家对市场规模的判断,往往基于当前已经看到的模型能力,但新技术能力提升,会解锁新的需求和使用场景。

比如我们的多说话人语音识别模型MOSS-Transcribe-Diarize,可以分析谁在什么时间说了什么。发布之后,就有一些AI语音硬件公司主动联系我们,希望能够接入API,增强产品多说话人分离、内容识别的能力。

语音生成,也还有很大提升空间。比如让模型在一次生成中,统一控制情绪、语速和说话人身份;生成玻璃破碎、踩雪等背景音。这套统一的声音生成范式成熟之后,也能够用在AI短剧等内容生产中。

「暗涌」:会担心从研发走到商业化,难度反而更大吗?

李世民:我自己还是比较有信心。AI时代,模型能力是最大的竞争力,模型效果足够好,再加上我们的infra能力能够把成本压下来,客户会选择一个效果更好、成本更低的方案。

目前B端业务逐渐成熟,我们已经做了一些交付。这轮融资完成后,C端业务预计也会有比较大的起色。

Part03

AI for AI,能否放大迭代速度

「暗涌」:你们很早就用到AI for AI技术么,具体发生在模型训练的哪一步?

李世民:AI for AI是一个很常见的概念,很多顶尖团队都会用到。像数据处理、标注、质量评估这些环节,现在都需要大量借助模型来完成。

比如我们训练多说话人对话语音生成模型MOSS-TTSD的时候,需要一个能够标注多说话人语音内容的模型。但市面上的模型在这个场景里做得不太好,所以我们自己训练了轻量级端到端语音转录模型MOSS-Transcribe-Diarize-0.9B,再用它标注MOSS-TTSD的训练数据。

理解模型不仅可以为生成模型标注数据,也可以评判生成内容的质量,作为奖励模型帮助生成模型训练。生成模型的结果,又可以反过来验证理解模型的能力。

「暗涌」:具体标注时,人和模型分别做什么?

李世民:我们会先找很多相似场景的源数据,用初步的AI模型把数据整体标注一遍,再在模型标注的基础上做人工质量核对,得到质量更高的训练数据。

这套数据管线,我们从2023年开始迭代和积累。除了上述模型,整套数据标注管线里还会用到许多音频理解和多模态理解模型,分别处理不同的数据任务。模型之间怎么编排,数据管线先处理哪些任务、后处理哪些任务,都需要经过精细的实验。

「暗涌」:让AI进入数据生产、标注、和模型训练,对效率的提升是怎样的?

李世民:效率方面,我们比市面上常见的多模态或音频数据处理管线提高了两到三倍,这里面也包括对数据处理算子的工程优化。靠这套共通的数据处理管线和研发infra,我们的模型迭代速度也很快。近半年,我们陆续发布了二十多版模型。

图源:模思智能

「暗涌」:现在很多团队都在用AI辅助研发。你们希望建立哪些壁垒?

李世民:AI for AI,机器学习里其实研究了很多年。我觉得,这个词本身不是壁垒。

我们更关心的是,能不能把AI真正放进多模态数据、模型迭代的生产流程里。比如音频、视频、图像和交互数据进来以后,过去很多事情要靠人做,现在这些环节都可以逐步训练模型来处理。

单点模型今天领先,过一段时间很可能就会被追上。实时多模态交互不一样,它需要语音、视觉、视频、理解、生成、推理系统、真实场景和数据管线一起往前走。

模型能不能快速接进系统、真实场景里的数据能不能回来,数据回来以后能不能很快变成下一轮训练材料,这几个环节如果能持续转起来,最后能放大整个系统迭代的速度。

下一步真正要证明的,是产品和客户场景产生的数据,能不能持续回到模型训练。

「暗涌」:从团队角度来看,模思智能现在200多人,大概3/4是研发人员,你会觉得整个组织更像Lab么?

李世民:从人才密度上看,我们确实有一些实验室的特征,差不多一半是纯算法研究;剩下的人里又有一半是开发侧研发。但模思不是一个Lab,我们是一家要走通商业闭环的公司。

研发占比高,是因为我们要把研究、模型、产品一路打通,每一环都离不开研发。模思的模型能力,要变成用户真正用得上的产品和服务;用户和市场会反过来影响我们的模型。

以前做语音模型,可能更关注词错率、语音相似度这些学术指标;但客户会提需求:不光要准、低时延,价格也不能太贵。这些约束最后会反过来改变模型架构、推理框架,甚至我们的基础设施,逼着我们去做更加细致化的优化,提供更低成本、高利用率的模型。

「暗涌」:你们希望,模思最终会成为一家怎样的公司?

李世民:我们想做的,还是AI和真实物理世界交互的基础设施。

往理想的方向讲,就像电影《Her》里的AI助手。AI能够充分获得用户所处的情境,理解人,能跟人进行智能、实时、连贯的交互。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

独家|成立不足5月,芯光界五轮融资超10亿,角力NPO量产

原创 暗涌Waves 2026-09-24 14:13 江苏

光里淘金。

「光里淘金。」

文|王诗涵

编辑|巴芮

暗涌Waves独家获悉,成立不足5个月,国内光互连初创公司芯光界已经完成五轮融资。

企查查显示,9月14日,芯光界再次发生股东变更,国虹投资、红点中国、普罗资本、商汤国香资本、松禾资本、沸点资本、知识城创投等机构或旗下基金进入股东名单。

6月中旬以来,芯光界融资频率接近每月一次。此前,启明创投、IDG资本分别领投第二轮和第三轮;华映资本、耀途资本、松禾资本、熵一资本、佰维存储、国方创新等参与第四轮。

知情人士对「暗涌Waves」透露,五轮融资过后,芯光界累计融资额已超过10亿元。第六轮融资已在近期启动,完成后公司将暂缓融资,直至产品正式进入量产阶段。

据悉,芯光界正推进一款3.2T NPO(近封装光学)光引擎的量产,面向一家国内GPU和交换机龙头企业,双方正联合研发,共享部分上下游产业链资源,推动技术方案对接和验证,预计最迟于2027年年中进入量产阶段。

成立初期就拿到订单、资本光速涌入的背后,是一个正在形成的产业需求。

近两年,光互连被视为AI算力产业链的配套环节,GPU数量增加,光模块随之出货。随着“超节点”出现,在千卡、万卡集群里,芯片之间传输数据的速度和功耗开始影响整套算力系统的效率。

更多GPU协同工作,也意味着更多数据需要在芯片之间来回搬运。算得再快,数据送不到,芯片也得等。因而,在3.2T及以上的高速互联场景中,以铜互连为主的机柜内部通信面临更高的损耗和功耗压力,光连接开始进入机柜内部。

可插拔光模块仍是市场当前的出货主力,但行业的聚光灯已投向NPO、CPO(共封装光学)等路线。

NPO将光引擎放置在芯片封装附近,同时保留独立的封装形态,能让数据少走一段电路、更早进入光纤。CPO则把光引擎与主芯片共同封装,对封装、散热、良率和维护提出更高要求。

工程上的折中,构成了NPO的吸引力。当前,多家厂商把NPO视为更接近近期产业化的一条路线,也将其作为从可插拔光模块走向CPO之间的过渡方案。

9月17日,华为发布采用NPO光引擎的昇腾960超节点,业界迎来首个量产的NPO产品。中际旭创、新易盛、光迅科技、华工科技等上市公司也在今年发布了NPO产品或研发计划。押注这条路线的还有初创公司英伟芯、海光芯正等。

TrendForce预计,全球NPO/CPO市场规模将从2025年的约1亿美元增长至2030年的390亿美元以上。

量产竞赛已拉开序幕。这家新兴公司有机会成为黑马吗?

知情人士称,芯光界在设计NPO时预留了速率升级空间,若市场出现更高带宽需求,产品能在一个月内从3.2T切换至6.4T。有业内人士猜测,其3.2T方案或采用32个100G通道,未来将单通道速率升至200G、400G后,理论带宽可逐步演进至6.4T、12.8T。

芯光界正建设一座光电实验室,预算超过1亿元。据了解,实验室总规划面积超过3000平方米,首期约1500平方米,规划设置晶圆级和芯片级测试区、模块全自动光耦合封装区、模块测试区及可靠性实验区。

另外,其创始人兼CEO董坡长期从事硅光器件、光子集成电路和高速光互连研发。他曾负责诺基亚贝尔实验室硅光团队,并于2017年、2018年先后当选Optica Fellow和IEEE Fellow。在光通信领域,他已累计发表约250篇论文,参与70多项专利,其中有45项获得授权。

芯光界公开称,公司已经构建从芯片设计、封装耦合和系统级信号完整性的全链路自研能力。但据了解,其在晶圆流片、封装制造等环节仍需要外部供应商。

在芯光界的股东名单中,知识城创投在泛半导体环节展开布局,佰维存储的主营业务为存储芯片和先进封测。产业资本的进入,或带来供应链与量产资源。

光互连的路线也在持续扩展,芯光界同时在研发CPO,并为OIO(光输入输出)储备技术。

OIO指将光收发器件或光学Chiplet直接集成至计算芯片封装内部,让芯片之间通过光信号进行高速通信,面向更高集成度的计算系统。

未来较长一段时间内,这三种方案将共存发展:NPO可能率先形成商业闭环,CPO或在1—2年进入规模化部署阶段,OIO则更加远期。

热钱的涌入,为芯光界角力NPO竞赛提供了弹药。但这只是起点,技术验证、量产良率,以及更多客户订单,才构成硬科技公司的真正壁垒。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

独家|智冉医疗获超6亿元融资,脑机接口大钱涌向侵入式

原创 暗涌Waves 2026-09-21 14:46 江苏

假如植入脑机像种牙一样简单。

「假如植入脑机像种牙一样简单。」

文|刘凌果 胡香赟

编辑|海若镜

暗涌Waves根据工商变更信息发现,侵入式脑机接口公司「智冉医疗」完成了新一轮融资,估算本轮融资金额超6亿元人民币。

其中,顺禧基金、济峰资本、君联资本、红杉资本、国寿资本、元生创投、顺为资本、美团龙珠、中关村科学城、杏泽资本、佳银资本、中科创星、华盖资本、丹麓资本等参与投资。

按此前公开信息,自去年8月完成超3亿元A轮融资至今,智冉累计融资超过12亿元。

我们就上述变更消息向智冉医疗方面求证,截至发稿,其尚未回应。

2026年,脑机接口赛道持续升温。马斯克和Neuralink持续验证技术可行性;国内脑机产品获批、临床试验加速,叠加未来产业的政策红利,脑机接口开始越过医疗器械的边界,向更广阔的科技产业延伸。

智冉医疗,自2022年成立之日,就站在治病救人、人机交互融合两种想象力的交汇点。以可拉伸柔性电极为长板,智冉选择了对标Neuralink的全植入式脑机接口路线,而今技术也收敛于此。

成立四年多,到了“交作业”的时候。今年5月,智冉医疗128通道脑机接口系统启动了多中心GCP注册临床,年内将完成30至40例患者入组,预估明年完成临床并提交三类证注册申请。下一代产品,他们将跨步到1024通道,目前产品已定型。

侵入式、千通道、高通量,是趋近人机交互的必要尝试。

将柔软的电极植入大脑皮层,首先要解决生物相容性、长期稳定性,这是智冉联合创始人方英教授的强项。“早在2022年,他们就预判到柔性丝状电极植入人体后,可能移位脱落,并提出了一个巧妙的解决方案。”君联资本投资人黄静露回忆道。

2024年,Neuralink首例人体试验遭遇电极丝批量移位失效,这个隐患才浮出水面。科学家的先见之明和原创能力,是推动黄静露下决心领投智冉A轮的原因之一。

今年2月,《Nature Electronics》刊发方英团队研发的可拉伸柔性电极。灵感源自剪纸,电极丝被弯成螺旋,能够跟随脑组织的搏动与颅内位移进行伸缩,持续记录目标神经元,且所需拉力约为Neuralink线性电极的1%。

另一个关键指标,是系统能够稳定采集到多少活跃神经元信号。据了解,其128通道系统能采集100个以上活跃神经元的Spike信号,为运动意图解码提供信号基础。为匹配千通道能力,配套芯片需要重新设计,算法、传输和功耗也要同步升级。据介绍,目前智冉已将单次解码时间控制在10毫秒以内。

激进的路线,审慎的落地。这种风格与智冉两位创始人的气质相合。方英博士毕业于哈佛大学,现任北京脑科学与类脑研究所资深研究员,在微纳材料、神经科学方面成果斐然;宋麒曾就职于美国AI医疗独角兽HeartFlow,回国后创办科亚医疗,积累了新技术工程化、临床开发的经验。

7月中旬,在智冉启动多中心注册临床后,暗涌Waves曾与宋麒进行一次对谈。我们聊了聊侵入式脑机接口未来可能像“种牙”一样微创?高通量意味着什么?脑机接口如何承载资本圈对人机融合的想象?

“我们想解决星辰大海的问题,瞄准终局解决方案。”宋麒判断,高通量侵入式脑机接口,从医疗器械走向人机交互融合,可能还需十年左右。

以下对话来自当时的访谈(经编辑):

Part01

千通道,

打开人机交互未来

暗涌:今年五月,智冉128通道(编者注:从128个电极位点采集信号)的植入式脑机接口系统启动了临床试验,具体进度如何?

宋麒:我们计划今年完成30至40例患者入组,主要针对脊髓损伤患者的肢体运动功能重建。预计明年提交注册申报。

暗涌:全植入式脑机接口的试验终点设计是怎样的?患者可能有怎样的期待?

宋麒:具体细节还在与药监部门沟通。主要难点在于,脑机接口是三类创新医疗器械,临床终点既要考虑患者获益,也得体现产品性能,如何设计终点,是整个行业都尚在摸索的问题。

比如,每个患者对康复的期待不尽相同。有些患者很年轻,工作和生活高度依赖电脑等媒介设备。他们会希望能够重新操作电脑、手机,从而重获与外界交流的能力,生活自理水平也会有巨大提升;有些患者职业是互联网从业者,甚至可能恢复本职工作,那他们就已经感到非常满意。

也有患者希望重新站起来,或者恢复正常排便的能力。但患者之间,受伤程度、患病时间、身体素质各不相同,有些人的肌肉严重萎缩,有些人已截肢。相应地,脑机接口能够帮助他们实现的功能也会不一样。患者的确希望恢复得越多越好,但我们得告诉他,现阶段能够做到什么,未来可能做到什么,又存在哪些风险。

暗涌:据说智冉下一代脑机系统要直接做1024通道,为什么选择大跨步,而不是从256通道逐步测试?

宋麒:128通道对我们来说,是平衡患者临床获益与风险的产品。作为一项创新性的治疗手段,128通道脑机接口能够给患者带来较大的临床获益,安全性方面也有足够保障。

但这并不意味着,百通道是技术的终点。从原理上说,大脑活跃神经元的采集数量,决定着脑机接口系统的效果。在信噪比、神经元采集效率相同的前提下,通道数越多,系统性能也会更好。

千通道的产品代表着我们抢占技术高点、给患者带来更大临床获益的决心。与此相应,在技术层面以及安全性层面,也会带来更多的挑战,需要有更长时间的开发和验证周期。

综合考虑植入式产品的验证周期、安全性和临床获益,我们希望下一代产品实现更显著的性能跨越,因此选择越过256通道,直接做到1024通道。但是在研发过程中,我们没有跳过中间阶段,128、256、512和1024通道的系统都有开发。

暗涌:千通道的芯片必须自研?自研芯片的投入会特别高么?

宋麒:我们是通过和第三方伙伴合作,进行定制化开发的形式进行的。

成本角度,目前市面上能买到的商用芯片只有64通道,128通道要用两颗;1024通道不可能拼20颗64通道芯片,只能自己定制。流片一次费用约是百万级,但一批能出几百、上千颗,摊到每一颗,成本可控,还是比商用芯片便宜。

我们跑在前面,对芯片的功能也有自己的需求,等不了别人先把芯片做出来;后来者或许不必每家都自研,但我们等不起。

暗涌:千通道对算法的挑战是什么?怎么保证解码跟得上?

宋麒:三道关。

一是功耗。通道越多,功耗越大;二是体积。通道数越高,电路越复杂,体积越大;三是实时性。采集到的数据越多,处理需要花的时间更长,对实时性有影响。正常人的反应时间是150到300毫秒,如果解码要花一秒钟,延时感就很强,解码时间最好控制在100毫秒以内。我们的单次解码在10毫秒以内,加上信号传输等环节,总时长能控制在50毫秒以内。

Part02

微创脑机是趋势,

适应症正在拓展

暗涌:高通量,是打开人机交互未来的要素之一。你觉得植入式脑机接口还要多久,才可能从医疗器械走向脑功能增强等消费级应用?

宋麒:十年左右,通过微创植入式脑机进行高通量的人机交互就有可能拓展到非临床场景。未来五年,植入式脑机接口更多还是会集中应用在临床端。

前提是获益和风险跨过一个临界点:一边拼命扩大获益,一边继续压缩植入损伤。Neuralink最新的手术已经不打开硬脑膜,用微针直接穿过去,患者当天就能出院。等植入手术进一步简化,假如未来能像植一颗牙一样简单,获益又足够明确,植入式脑机就可能成为消费级应用。

那个具体的“爆点”会落在什么功能上,现在谁也说不准,但时间点我判断在十年上下。

暗涌:要实现“微创、无创”,主要难点是什么?

宋麒:最大的挑战其实不是穿过硬脑膜,是怎样在不打开硬脑膜的情况下看清里面的血管,做更精准的定位。但它属于系统工程整合问题,不是科学问题,不存在我们不了解的黑科技。

比如,Neuralink的解决思路是使用造影和OCT。这也是这家公司的优势所在,它花了很大精力研究从植入端到未来临床使用端可能遇到的各种挑战,并做了非常好的系统级整合。这值得我们学习。

暗涌:今年,除了传统运动功能重建,侵入式脑机接口公司也开始讨论语言和视觉功能重建。你怎么看待这种适应症的拓展?在这些方面,智冉有哪些布局么?

宋麒:我认为这首先是竞争层面的原因,运动功能重建领域已经出现头部公司,再继续扎堆的差异化有限。因此,开拓语言、视觉等新方向是很自然的事。智冉未来也会拓展不同的应用场景,因为脑机接口本身就是平台型产品。

现在大家提到的语言解码,大部分仍属于运动意图解码的范畴。无论是让患者想象写字还是说话,读取的都是动作执行阶段的信号。如果真的能从人脑的高级语言区,解析人的念头,做到患者想什么,系统就直接相应输出,这已经接近“读心术”,目前技术能力还没到这一步。

视觉重建也是如此。目前,更多是先采集外部世界的信息,再去刺激患者的视觉皮层,让他感知到相应的视觉信息。离真正实现和正常人一样的“自然视觉”的重建,还有一定距离。

暗涌:目前几家头部侵入式脑机接口公司出来时,柔性电极是必需的长板。现在有些新团队不做电极,也拿出了集成系统。电极还是不是必备的壁垒?

宋麒:这个看技术路线。非侵入式主要用传统电极,半侵入式对电极的要求也不高,做这两类路径,电极本身不构成绝对的壁垒。

但对于神经元级脑机接口,柔性电极的意义很重要。用传统电极做短期、低通量的试验,比如现成的SEEG电极,能够满足术中定位需求,或能植入10天、20天。但高分辨率、高通量脑机产品,不可能是“扎几根现成电极”就能满足的。

以视觉脑机为例,需要长期、连续、精准的刺激,存在电极加速老化等一系列潜在问题。能不能真正解决问题,最终要看长期临床数据。判断电极行不行、系统行不行,正式的多中心GCP临床试验是唯一尺子。

目前在全球,全侵入式脑机领域真正能进入长期临床阶段的公司,仍然只有寥寥几家。

已经有不少公司来找我们做电极,未来我们愿意把柔性电极方面的积累,通过供应、合作的形式对外输出,做产业链的供应商;只是现阶段还顾不上,先专注自己的产品。

Part03

脑机接口,

或能反哺大模型与具身

暗涌:过去几年,脑机接口经历了从资本降温到“热得发烫”的变化。市场对这一轮热度也有很多解释,你怎么看?

宋麒:这一轮升温的核心,一方面是政策层面,脑机接口成为六大未来产业之一,受到政府的高度重视。同时,DeepSeek爆火后,市场开始从硬科技角度切入脑机接口,视其为硬科技代表。这让大家开始重视在医疗场景以外,脑机接口和大模型、具身智能相互赋能的空间。比如,随着侵入式脑机接口采集到的神经信号越来越多,我们对大脑功能会有更深了解。这些数据,未来可以反哺大模型、神经网络算法、甚至是具身智能等。

这方面的潜力被越来越多硬科技投资人注意到,他们倾向于从第一性原理出发,关注脑机接口到底能实现哪些功能、可扩展的应用场景和潜在市场有多大、技术天花板在哪里?同时,他们的“等待”周期更久,比如未来十年,甚至更久之后,医疗器械注册具体流程反而没那么重要。整个赛道的水温因此升高。

暗涌:脑机接口和大模型、具身智能相互赋能是个很有趣的说法。从大脑采到的信号,为什么能增强大模型?

宋麒:今天的大模型基于深度神经网络,而深度神经网络本来就是在模拟人的神经活动。可我们对人脑高级功能背后的原理,仍然所知有限。

侵入式脑机接口把大规模神经信号和人的具体行为关联起来,这些数据一方面可能帮助重塑深度神经网络技术本身;另一方面,对具身智能来说,具身大脑是很重要的一部分。这些数据能让它们跟人的神经活动产生更深刻的连接,进一步理解人的决策机制,做出更像人的判断。

只是其价值如何变现还不清晰,可能是做数据服务,通过数据让模型变强。也可能深度参与到大模型与具身智能模型训练的环节。

暗涌:市场思路改变,会影响你们对自己的定位吗?

宋麒:我们的定位本就是TMT与医疗结合。从一开始,我们就没有把智冉锁定为一个纯医疗器械公司,在医疗场景之外,我们瞄准的是人机交互、人机融合,甚至是人机共生,做新一代高通量、高质量双向信息传递的脑机接口。

传统医疗端,我们聚焦于包括运动功能重建,神经系统疾病治疗等;在人机交互方向,我们希望高通量产品,未来能让正常人的大脑功能、整体的身体功能都得到增强。这是非常确定的。

如果植入损伤进一步减小,手术变得更简单,侵入式脑机接口像种植牙一样微创、甚至无创,患者植入当天就能出院,它就更可能成为面向普通人的To C产品。而海量的神经数据,也可能帮助大模型和脑科学研究打破认知上限。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

以小博大,一家AI4S水下公司的野心

原创 暗涌Waves 2026-09-17 08:40 江苏

AI4S也有Coding的万亿未来。

「AI4S也有Coding的万亿未来。」

文|胡香赟

编辑|海若镜

今年5月,28岁的张载熙结束普林斯顿的博后研究,回到国内。在他面前,有几扇门同时打开:美国高校教职、AI大厂首席科学家和千万年薪。最终,他选择进入香港科技大学担任助理教授,并挺进了创业窄门,创立AI for Science公司科理新序(Scinetics)。

暗涌Waves独家获悉,科理新序近日完成近5000万元人民币融资。本轮融资由英诺科创基金领投,沂景资本、小苗朗程、麟阁创投跟投。

这或许是他既往人生中,为数不多的岔路口。从中科大少年班、直博,到哈佛医学院联合培养,随后进入普林斯顿王梦迪团队做博后。研究AI4S的青年PI,是当下创投市场最喜欢的创业者画像之一。

但创业的决策过程,他也曾纠结。

进入大厂,意味着更充足的算力、数据和人才配置;成为高校PI并创业,要比较独立地找人、找钱、找资源,技术和商业都有不确定性。

最终让张载熙下定决心做出选择的是“工作自主性”,他想主导自己的研究方向,而不是被更大的公司组织约束。他更享受从零搭建一套体系的过程。

创业前,张载熙和团队曾经做出过科学智能体Stella。去年,Stella上线后,服务了上千名科研用户,其中七成以上来自斯坦福、普林斯顿等高校和顶级实验室。相比自训基座模型,智能体落地更快、更容易接入现有研发流程,实现商业化。

不过,这条轻巧的路线,目前仍有局限。以大语言模型作为推理引擎,科学智能体在遇到蛋白质结构、核酸序列等数据时,会先将问题翻译为“自然语言”,再把文字指令交给模型执行。精细的三维结构和模态关系,在几次翻译转换中会出现“损耗”,智能体几十次交互也无法绕开误差。

博士期间,张载熙曾开发分子筛选模型MGSSL、药物分子生成模型FLAG等,在多个细分领域达到SOTA。但他判断,单点能力仍是不够,未来AI4S行业会集体走向多模态。所以,科理新序的核心是做多模态长程推理基座模型。

他提出了“Science Token”概念,希望把小分子、核酸、蛋白质结构等科学数据,转化成模型统一的表征单元,不再经过人类语言的转译,让模型在原生科学模态中推理,完成科学任务。

短期,他们将聚焦商业化路径最清晰的生命科学,未来逐步拓展至材料、工程等科学领域。

谈起未来,张载熙认为AI4S一定会出现GPT时刻、Coding时刻,且这是一个可能超越Coding的市场;他也相信自己所带领的小小团队,有实力开发出“大一统”的科学底座模型,成为AI4S领域里对标DeepSeek、Anthropic的基座模型公司。

技术革命初期,路线没有收敛,创业者才有“以小博大”的机会。近日,我们和张载熙聊了聊,此时投入AI4S创业,他究竟想赌一个怎样的未来?

对话(经编辑):

Part01

AI4S,媲美Coding的万亿市场

暗涌Waves:2019年,你21岁,选择了AI for Science作为博士研究方向,现在回头看很有先见之明。这个赛道从冷变热,你的体感是怎样的?

张载熙:确实比较幸运,职业生涯转型刚好踩中了行业风口。

我读博阶段,这是一个非共识赛道,行业认知是“Science+AI”,AI是提升业务效率的附加算法工具,项目必须深度绑定具体药物管线,比如聚焦多肽药物,或只做蛋白质垂直模型。

现在AI4S朝着通用方向演进,市场普遍认为这个方向会迎来属于自己的“Coding时刻”。写代码赋予了人类在数字世界创造事物的能力;AI4S则是在变革人类底层科学探索、发现新知识的能力,市场价值可以比肩甚至超越Coding。

从Alpha Fold从1到4的迭代,可以清晰看到AI能力正迅速变强。需要被研究的科学问题没有巨变,但新算法让过去难以建模、难以预测的任务,具备了解决条件,更多科学模态的纳入,让模型能力更强。

暗涌Waves:Science其实是覆盖非常广的方向,现在创业投资的主流技术路线有哪些,技术路径上有收敛的趋势么?

张载熙:客观说,现阶段的AI4S赛道噪声不小,AI4S从业者主要基于自己既往背景做布局,还没有在技术路线上形成共识,难以判定孰优孰劣。

首先是科学智能体,主要靠调用外部工具完成科学任务。优势是落地快、能迅速嵌入现有研发流程,商业验证周期短,因此诞生了不少初创公司。

大厂也都在做,如Anthropic的Claude Science、OpenAI 的GPT-Rosalind。不过,他们的主战场还是Coding等更general的方向,科学方向属于占位式布局、浅浅试探。

第二是虚拟细胞。受Arc Institute相关工作和论文影响,虚拟细胞从去年起热度暴涨。理论上,它在电脑里模拟细胞受药物、基因编辑后的变化,能提前批量筛掉无效候选,压缩研发时间和成本。行业期待很高,发展速度也比较快。

第三就是我们选择的AI4S基座模型方向。这是一种“自下而上”的路线,聚焦底层分子相互作用,从分子机制推导疾病、基因调控网络等上层现象。

暗涌Waves:去年你们上线了科学智能体Stella,据说反馈也不错,为什么没有选择这条更轻巧的路线?

张载熙:Stella去年上线后,服务了上千名科研用户,七成以上来自斯坦福、普林斯顿等名校和顶级实验室,MIT的张峰教授也使用过。

但我们发现,科学智能体范式有个根本性问题:

它本质上是把科学问题翻译成自然语言让模型理解,再翻译回结构指令让工具执行。很多精细的三维结构信息、多模态之间的微妙关联,会在翻译过程中丢失。

这是范式本身的天花板。你当然可以在智能体框架上不断加工具、加流程,但只要底层推理还基于文本完成,这个瓶颈就一直在。

暗涌Waves:可以举一个智能体做不出来的例子么?

张载熙:比如蛋白质局部结构优化。要把某个侧链朝特定角度旋转5度,形成氢键或者其他分子相互作用,这高度依赖3D空间的精细推理设计。

如果用智能体做,就是让大语言模型输出文本指令,再调用RF diffusion这类结构扩散模型去执行。但结构模型本身没办法很好理解文本信息,工具输出结果又要转成字符串、截图,再反馈回大语言模型,智能体读得云里雾里,好像对,又好像不太对,只能继续迭代。

就这个步骤,我们尝试了很多智能体,反复交互过几十遍,浪费了大量Token,结果是跑了一堆用不了的东西。根源就是,没有原生的科学模态推理能力。

Part02

小天才的大梦想:多模态科学底座模型

暗涌Waves:所以你认为必须开发AI4S基座模型?有了基座模型,可以解决“跨模态翻译”问题?

张载熙:既然翻译会产生损耗,就不翻译了,让模型直接在原生科学模态空间内,做针对多模态科学数据的长程推理(Chain of Science Tokens)。这一基座模型,也是我们公司的核心产品。

我们针对组学、蛋白质结构、分子化学式、核酸序列等各类科学模态,开发了离散Token化方案,把各类科学信息转化为统一的Science Token输入模型,不再依赖人类自然语言做抽象中转,更贴近科学本质。

模型训练分预训练、mid-training、后训练三个阶段:其中,预训练建立多模态生命科学表征,mid-training学习从序列到结构、功能和细胞表型的跨层规律,后训练重点增强长程推理能力。

AI4S基模训练框架(图源:科理新序)

暗涌Waves:这种长程推理,跟既往垂直小模型解决单点任务,有什么不同?

张载熙:比如做酶设计,不再一步出结果,而是像人类科学家一样分步推理:先搭建酶的活性中心,它决定催化功能的核心区域;再搭建蛋白质支架,把活性中心撑起来;最后补充侧链、微调细节。

这套长链条推理能力,是传统垂直模型、工具调用智能体不具备的。

暗涌Waves:把各类科学信息转换成“大一统”的Science Token,听起来更性感,但小分子、核酸、蛋白质等数据结构差异很大,为什么你们团队可以做?

张载熙:Science Token首先要解决的,是让模型读懂不同科学模态。

过去,围绕小分子、核酸、蛋白质、复合物和跨模态文本,我们分别做过相应的基座模型。从数据收集、模型搭建到训练,完整地走过。因此,团队知道每类科学数据应该怎样编码,不同模态之间又该如何对齐。

同时,做Stella、BioClaw等智能体时,我们积累了大量长链条推理数据,也摸索了通过后训练增强推理能力的方法。

另外,干湿闭环也很重要。Stella除了计算和算法模块,也接入了自动化湿实验。我们在靶点发现、抗体优化、小核酸设计等任务中,跑通过干湿闭环案例。因此,也清楚AI 应如何对接真实科研任务、连接自动化实验设备。

模型进化,需要主动获得大量高质量数据。干湿实验闭环,可以支撑我们持续获取训练数据、持续迭代。

暗涌Waves:从目前的探索结果来看,这个基座模型的能力如何?

张载熙:在蛋白质结构预测、蛋白功能注释、RNA二级结构预测、DNA突变预测等单项任务上,已取得不错效果。

我们对这个结果不是很惊讶,毕竟科学系统本身就是复杂多模态体系,如果能把多模态信息全部纳入模型,从全局视角做设计搜索,自然更容易得到更优解。

目前,我们在探索下一代模型训练方式,比如尝试AI for AI,Recursive的训练范式,挖掘科学内在规律、拓展更多模态,或提升模型参数量,以此强化长程科学推理能力。我们期待沿着这个方向,能实现AI4S基座模型的ChatGPT时刻。

Part03

以Science Token为商业模式

暗涌Waves:从定价和商业化上看,Science Token会带来新的商业模式吗?

张载熙:是的。不过,Science Token和文本Token的定价逻辑不一样,后者定价主要参考算力和电费成本,但Science Token除了考虑这些基础成本之外,还要衡量它背后的科学价值。有些领域,比如小核酸,数据非常稀缺,对应的Token价值自然更高,定价要体现实际的业务价值。

我们希望成为AI4S领域对标DeepSeek、Anthropic的基座模型公司,探索以Science Token作为计费单元的商业模式。

暗涌Waves:用Science Token计费,理想的买方是谁、具体用在什么场景?

张载熙:比如药企。当模型能力足够强之后,我们不需要花大力气做BD,绑定单条管线做交付。抗体管线、多肽管线、小核酸管线,各类任务都可以承接。

这时候计价单元就可以基于“消耗了多少Science Token解决这个药物设计问题”。就像Coding,不会按代码行数或模块来定价,客户信任模型能力,直接调用服务,消耗多少Token就付多少费用。这能省去大量BD个案的谈判工作。

暗涌Waves:如果这个模式能实现,它也会成为AI4S基座模型企业通行的商业化路径吗?

张载熙:Science Token还是我们提出的独有概念;至于衡量长链条科学推理数据质量的标准,及其计费标准,在全行业都没有成熟方案。我们和一些AI大厂交流时,他们也没太想清楚这件事。所以它还是一个非常早期的商业想法,需要行业共同推动形成共识。

暗涌Waves:从一级市场视角,我们能看到不少投资机构和资金在涌入,但这个方向目前的融资声量跟大模型、具身相比,还差得很远。你觉得大家的分歧在哪里?

张载熙:市场上存在两种极端心态,都可能造成投资决策犹豫。

一部分投资人认可AI4S万亿市场,相信AI科学平权,希望每个人都能释放想象力参与科学探索,他们的怀疑点在于:现阶段的技术能力,能不能把这件事做成。另一部分人则把AI4S市场看得比较小,觉得客户只有高校师生和PI,付费能力弱。

既往,市场对垂直模型具备清晰认知,但投资人对“大一统”的科学基座模型评判标准更严苛。因为他们觉得Harness加垂直领域小模型,足够解决科研需求。从用户端,很多科研人员虽向往更智能化的基座模型,但受惯性影响,习惯了调用工具化专项模型,这也是个矛盾点。

暗涌Waves:怎样的投资机构更愿意押注于AI4S基座模型?

张载熙:一些投科技的市场化基金,及部分曾深耕过制药领域的投资人。他们理解现有研发体系里的“历史技术债”,就像“屎山代码”一样:药企内部集成上百个小模型,每个环节信息传递都有损耗,维护成本极高。

因此,他们从系统工程的逻辑判断,AI会是变革这些的最强力量。这类投资人更愿意押注基座模型路线。

投资人的共识性要求是:必须快速迭代模型,抢占领头羊位置。团队配置上,我们已经把过去学术界和部分工业界大厂做AI4S基模研发的核心人才聚过来了,技术积累比较扎实。我们本来希望在今、明两年能达成一些商业化订单,但投资人觉得,短期内不需要过度在意这点,优先把模型能力做出来更重要。

排版|王家玙

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  

放弃百万美金年薪,牛津兄弟想训出「华尔街AI分析师」

原创 暗涌Waves 2026-09-16 09:10 江苏

自研模型,冲向交易金字塔尖。

「自研模型,冲向交易金字塔尖。」

文|孙小雯 海若镜

编辑|海若镜

做AI金融模型创业前,子辰已是年薪百万美元的“金领”,凭借在顶级投行练就的交易嗅觉,赚钱对他来说不算难事。

创业的起心动念,源于一场AI交易大赛Alpha Arena。2025年底,DeepSeek、GPT、千问等大模型都下场参赛,也让子辰发现:通用大模型已经进化出一定的独立判断能力。也许未来,他引以为傲的投资决策能力,也能被大模型复现。

与其恐慌,不如下海去搏一搏风浪。他找到正在Meta从事模型研究的方正,两人一拍即合,开启了名为FreeRide的AI创业航程。「暗涌Waves」独家获悉,FreeRide AI近日完成数百万美元种子轮融资,投资方为L2F光源创业者基金。

在还没有Demo时,就拿到融资,关键有两点:一是选择的方向,二是创始团队的履历和潜能。从牛津大学数学系毕业后,子辰先后在伦敦和香港的摩根士丹利、摩根大通、华泰国际等机构工作,从事复杂衍生品交易,曾担任高级交易主管。

方正的履历则更为复合。牛津大学物理系毕业后,他先后在瑞银、Evercore、麦格理资本等机构,处理欧美区域的投行投资业务。因为感知到AI在金融行业的巨大潜力,他又回到剑桥大学攻读计算机科学博士,并参与到Meta、Oracle等大厂的AI模型训练和AI系统的研究。

两人开始探索:大模型已初具决策智能,但要让AI拥有“华尔街交易员”级别的能力,还有多少座山要翻越?

第一座绕不开的是“数据”。文本、代码可以被海量采集,但真正影响金融交易的高质量经验,往往只存在于一线从业者的大脑里。即便能采购诸多类型的数据库,但怎么判断数据价值、权重,进而转化为真实世界里的决策智能,仍有鸿沟。

而且,金融交易数据天然高噪声,现有大模型围绕coding智能体,适配出的长流程模式很难直接迁移。

架构层面,金融交易任务往往依赖极高维度的逻辑分析,很多任务不是定点、单向的求解路径,仅靠常规模型训练方法难以突破,还需要引入专门的系统学习架构。

即便金融专业模型掌握了应有的专业知识与能力,金融市场瞬息万变,只有让AI能够自主学习、自我进化,才可能捕捉到真实市场信号。

这些路障,也让他们理清了技术路线:做AI金融交易大脑,必须自训专业的垂直模型底座,同时做自进化Agent。基于在金融行业沉淀的经验,调整接入通用大模型的参数权重,进化出更有实操经验的LLM底座,先让AI成为有2-4年工龄的初级员工;再通过自进化Agent,让模型能够适应实时多变的金融交易。

自研模型,无疑是昂贵且艰难的。但子辰、方正认为,这是冲上金融“金字塔尖”的必经之路。一旦跑通,垂直模型进入塔尖的华尔街投行和一线基金,参与衍生品定价、复杂投资研究及决策,未来将能辐射更广的金融市场,甚至成为普通人的交易“副驾”。

在他们看来,模型大厂和互联网平台的确拥有更多算力与资源,但却很难偏离当前AI发展主线,聚焦于金融这一细分场景。未来AI系统,或许更像一个交响乐团:通用大模型,与一群专业模型合作,完成复杂任务。

除训练金融专业模型以外,两人在2026年发表论文,初步验证Agent在高噪声、高变化金融领域自进化的可行性。这一“会寻找Alpha的研究员”机制,在沪深300市场中测验,经过1600步进化后,将生成因子的IR中位数从1.6提高到3.9。这个表现不俗,在传统量化领域,IR大于1.0就可称为优秀因子。

技术初验后,接下来FreeRide将从衍生品定价等专业任务切入,做出金融专业人士可用的模型,再拓展到更广泛的金融任务。

以下是「暗涌Waves」与FreeRide联合创始人张子辰、沈方正的对话(经编辑):

Part01

AI交响乐团:

通用模型带一群垂类

暗涌:通用模型能搭Agent和Harness,为什么还要自己训练底层模型?

子辰:我们还是要用第一性原理去解决智能问题。现在Agent和Harness的架构越来越复杂,但如果你不掌握底层模型权重,上层设计地再精妙,也会面临一些风险,比如通用模型无法满足特定场景的任务质量。

另一方面是,以后机构会有自己的Agent,但这个Agent用哪个模型去驱动?现在的通用大模型不一定适合,我们希望做出一个更适合金融场景的模型,让这些Agent有机会用到FreeRideAI模型。

我们对比过GPT、Claude、DeepSeek、千问、MiniMax和智谱。在衍生品定价这类问题上,它们的确懂很多基础知识,但更像一个很好的实习生。你来投行实习,给出这样的回答,我觉得是OK的;但作为正式员工就不达标,因为你的答案过于肤浅,理论没有结合实际市场经验。

暗涌:投资人怎么看金融垂类模型,担心被通用模型吞掉吗?

子辰:感觉几个月以前,大家还在担心通用模型可以吞噬一切,但最近这一个月开始有变化。

通用大模型有几个限制,包括在专业领域的性能、成本和速度。对于特定专业,模型规模不一定是越大越好,最终形式可能是通用大模型与一系列专业模型合作完成任务。

现在的通用模型,在编程垂类已经做得非常好,但在金融、医疗等专业领域仍需要垂类模型。因为金融领域的一些实操经验,网上搜不到,书里也不会有。一个科技工作者很难复刻垂直领域里的顶尖能力。

方正:与其叫垂类模型,叫专业化模型可能更准确。与通识教育类似,现代AI在早期训练中打下的广泛知识基础,但若想像专业人士一样在特定领域独当一面,必须有高度专精的知识与职场技能培养。

暗涌:怎么确定金融模型该学什么?

方正:如果把模型训练比作“炼丹”的话,首先要知道这个“丹”是给谁吃的、解决什么问题。正因为我们团队在伦敦、纽约、香港等国际金融中心拥有丰富的专业经验,我们知道金融机构和专业人士需要AI模型做什么,就能反过来判断它应该具备什么能力、需要什么样的数据。

暗涌:买大量的商业金融数据库,来训练金融专业模型,是必须的?

子辰:确实需要采购数据库。但真正的经验是两点:第一,找到这些数据;第二,判断它们的价值和权重。同时面对100个数据,哪一个更重要?怎么把这些数据变成对决策有帮助的东西?决策思维链是怎样的?这些经验既往只存在于很小的金融圈,大家不会把它记录并公开出来。

比如期权定价的某一个参数,特定情况下怎么选,互联网语料和文献材料很少。但有一线交易实操经验的团队知道什么对、什么错,现有的数据里哪个权重应该更高、哪个应该更低。

如果只是把数据丢给模型专家,说“我有这些数据,你帮我去训吧”,最后的智能程度会非常低。就像经理让一个初级分析师分析问题,他直接把数据怼过去,那经理肯定会问:“我要你干什么?”

暗涌:只靠小圈子的经验,数据量够么?

子辰:首先,我们团队有能力从真实场景出发,针对需要解决的问题将相应的训练数据量放大。

另外,除了金融圈内的经验,我们还在做一件更有意思的事情,就是创建“模拟经验”的生成机制。它有些像AI斯坦福小镇,可以模拟人类的行为,各个角色在AI世界里交互。我们希望利用已有经验,用AI把数据量做大,去模拟更多有价值的经验。

暗涌:有具体的例子吗?

方正:关键技术细节,现阶段还不太方便透露太多。

但举一个例子,比如论文揭示的STAR机制,该机制处理的原始数据规模很小,而且全是有限、离散且信息与噪声高度浓缩的数值。

即便如此,我们仍然看到其中可以推导出有价值的观察结果,进而在后续阶段指导状态判断与决策行为。虽然应用于自进化和传统的后训练有所不同,但它印证了金融市场中很多信息可以被有效提取,并且作为信号推动AI系统与模型的整体迭代优化。

暗涌:金融领域现有的Benchmark怎么样,你们的垂类模型表现如何?

方正:现在金融领域的Benchmark并不是非常理想。比如去财报里找一些数字,本质上还是信息检索;或者是简单的计算,实质是把通用任务放到金融场景里。

我们也看到近期有一些Benchmark找专业人士标注,例如看一个问题需要从哪些角度思考的评测。但很多做得还比较粗糙,有些不是业内真正会考虑的问题。

子辰:我们不会盲目打榜。金融太大了,一个评测集可能只有小几百个问题。税务、会计、零售金融的问题跟机构金融的问题放在一起,各自覆盖面会比较狭窄。我们会针对性地判断,哪些Benchmark更适合我们。

Part02

自进化Agent:

即时感受市场变化

暗涌:为什么既要训练模型,又要让Agent自进化?

方正:它们是相辅相成的。由于通用模型在金融任务上的能力限制,只做Agent进化仍有效率和效果的瓶颈。与此同时,如果只做模型,那金融市场变化非常快,模型无法实时根据市场动态调整。

如果直接让通用大模型在金融任务上试错和进化,就像把基础能力不错的“高中生”送到华尔街,他成长为国际顶尖机构专业人士的进度,远不及直接引进具备扎实专业知识、高适应力的名校毕业生。训练金融专用模型,就是输出“AI金融名校生”。

我们希望Agent能够持续感知市场的变化,像人一样,慢慢沿着职业阶梯往上走。

暗涌:STAR自进化机制挖掘Alpha,和常见的Alpha挖掘有什么不同?这套机制会怎么用到产品里?

子辰:很不一样。一般大家会规定方向直接找Alpha。但我们的设计是让Agent进化成为一个很会找Alpha的研究员。

STAR加入了一个元认知模块,可以修改研究员的提示词、记忆、工具和研究流程。搜索时,也不只挑当前得分最高的个体,它会优先扩展能产生更强后代的谱系。论文里较少的进化步骤和成本,就将生成的因子使用的算子数量翻了将近7倍。

这些我们没有告诉它,都是它自主进化出来的。

反映到产品里,我们可以让用户定义自己想进化的方向。比如我现在有一个什么样的想法或者策略,你能不能通过STAR这套机制帮我进化,看看多少代之后会变得更好?这个是我们有机会做成“AI研究员”的能力之一。

暗涌:但论文的实验环境很简单,距离真正帮助机构做投资决策还有多远呢?

子辰:STAR这篇论文的核心目标并非优化单个Alpha因子,而是演化一个具备自主提炼能力系统的“Alpha研究员”。作为研究员,它能够综合市场现状、凝练思维框架、历史经验记忆及高阶数学算子工具,协同输出适配策略的量化因子。

这个世界上没有恒定的财富密码。

培养能够整合策略框架、经验与数学工具的研究型Agent,比单纯优化因子更具现实意义,也更契合人类研究员的工作逻辑。模型提出的因子,虽可通过不同样本及回测中的IC、IR和夏普比率等指标进行评估,但要将因子转化为最终的投资决策与收益,仍需历经投资组合构建、风险控制及交易执行等环节——这正是专业金融机构的标准运作流程。

现在机构大部分已经有自己比较成熟的机制,我们刚开始想做的是先融入进去。比如我给你一个好的Factor,你自己还有很多Factor,可以把它加进去做组合构建。

暗涌:怎么判断Agent给出的分析判断够不够专业?

方正:这里可以有很多方法,其中一种是将“高难度验证”转化为“低难度验证”。根据场景不同可以有很多具体实施细节,但其核心目标一致,即通过转换成正确性判定标准,简化整体验证流程。

不过,各种验证方法都无法完全取代行业最顶尖专家的重要性。我们有一个非常大的专家团来支持,他们是华尔街最顶尖的金融机构里的资深从业者,普遍有十几年、二十几年工作经验。

子辰:我举个例子。比如你问它怎么定价一个期权,普通的答案可能是看股票价格、波动率、股票的借款利率和股息率,这些都是教科书上能看到的东西。

但我们希望它能考虑到更多。比如这样的定价方式是否有对行业和同板块的分析,是否考虑到对未来事件的预测、对股票和行业未来资金流的分析等等。如果一个AI模型告诉我期权应该怎么定价,把这几点都说到了,我才觉得它在金融场景中是专业的。

Part03

未来之路

暗涌:FreerideAI首先想服务谁?他们最大的痛点是什么?

子辰:首先当然是希望金融机构和金融专业人士能满意。如果能做到,说明它达到了很高的智能水准。之后可以推广给更多普通人,这也是未来我们也想做的。

目前的问题是,大家根本不放心真的让AI协助投资决策。比如你问DeepSeek,明天该不该抄底?它会跟你说很多,看起来很专业,但有些回答存在AI幻觉,有些回答像教科书只给出概念。在专业的人看来,其实并不可用。

暗涌:现阶段,你们希望模型达到什么水平?什么时候能看到初步产品?

方正:近期要达到外资投行或者顶级对冲基金初级员工的能力,也就是有2到4年工作经验的员工水平。

随着模型训练越来越厉害,进化机制匹配得越来越好,再慢慢提高经验年限。当然,一开始是我们重点训练的场景和专业领域内,之后再逐步扩大事情的边界。

子辰:我们计划Q4推出初步Demo,到时候就可以看到一些特定场景的预演。衍生品定价是其中一个,未来还会逐渐泛化,扩展到二级市场交易、一级市场的投研等等。

暗涌:现在有密集接触投资人吗?什么时候准备启动下一轮融资?

子辰:最近主要在密集做产品研发和模型训练,等下个月Demo出来之后,再开始见一些投资人,准备融下一轮。

排版|郭栩君

图片来源|Unsplash

推荐阅读

钱的     流     向     ,     人的     沉     浮

跳转微信打开

  •  
❌