摘要
36氪获悉，红熊AI今日宣布完成数亿元人民币A+轮融资，投后估值接近30亿元人民币。本轮融资由浙江九纬私募基金、嘉兴彰元创业投资与老股东格睿丰联合投资。这是红熊AI在短短15个月内完成的第6轮融资。 据了解，本轮融资资金将主要用于持续深化AI记忆科学的类人大脑基础研究、加速OpenBear通用大模型与MemoryBear记忆科学系统的深度融合，以及扩大智能客服、智能营销、ChatBI与智能教育四大核心应用场景的市场覆盖。 在经历了大模型参数量与算力的早期竞赛后，行业正逐步步入“以应用论英雄”的商业化深水区。目前，围绕大模型“记忆层（Memory）”这一维度的技术成为重要的攻坚点。 今年融资事件频发，并明显呈加速状态：由在Anthropic负责Claude预训练工作的Andrej Karpathy等参与投资、估值达6亿美元的13人团队Engram已公开亮相；定位于连接个人数据与智能体生态记忆层的Clipto，已获红杉中国、高瓴创投等多轮追投；国内完成近亿元天使轮融资、专注于开发开源记忆操作系统MemOS的“记忆张量”，以及在2026年春季相继完成种子轮与种子+轮、两轮累计融资金额超1亿元人民币的MemoraX AI，均在这一技术方向上完成了资金储备。 红熊AI从2024年4月创立之初，就确立了“记忆驱动AGI”的技术路线。如何将技术创新与企业的实际产业需求紧密结合，并打破传统基座大模型在实际落地中的记忆壁垒，是红熊AI在这一轮AI浪潮中试图解答的核心命题。 一、 为什么AGI需要一个动态“海马体”？ 过去两年中，行业内普遍存在“重模型训练、轻应用落地”的现象。大量的算力和资源被消耗在基座大模型的预训练上，但当这些模型被推向企业级应用时，往往会遭遇多重现实瓶颈。 传统基座大模型由于底层架构限制，在实际业务场景中普遍存在长对话由于token限制而出现断联或上下文遗忘的现象；同时，由于知识遗忘率高，模型难以保持服务的一致性与稳定性。此外，大模型的token消耗通常呈现线性增长，直接推高了企业长期运行AI系统的算力成本，而因果逻辑校验的缺乏也使得模型容易产生“幻觉”，影响了业务的可靠性。 红熊AI团队认为，单纯依赖基座大模型能力的提升，并不足以解决企业的实际问题。