来源：复旦大学计算与智能创新学院 · 2026-10-13 · 原文链接

分类：产品、产业与资本

一句话概括

复旦邱锡鹏教授创办的模思智能完成超 10 亿元 Pre-A 轮融资，把赌注押在「全模态实时交互智能」——让 AI 不靠人先把世界翻译成 prompt，而是自己持续看见、听见并跟上一个正在发生的现场。

核心要点

  • 融资与定位：10 月 12 日官宣超 10 亿元 Pre-A 轮，华控基金领投，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、临港策源基金跟投；元禾控股、上海科创集团、星连资本等老股东续投。公司 2024 年底孵化于邱锡鹏带领的 OpenMOSS 团队。这是它今年第二次官宣融资——3 月刚完成 IDG 资本领投的数亿元天使轮（报道里没提，属同源信息补充）。
  • 核心命题：AI 怎样离开输入框。第一幕竞争发生在屏幕里，前提是「人先理解现实，再把它转换成模型能处理的输入」。新入口是眼镜、玩具、汽车、家庭终端和机器人——那里没有键盘，人边说边走、会打断、会改口，声音画面动作环境设备状态同时变化。真实世界给 AI 的不是一次干净的输入，而是一段持续发生的情境。
  • 「实时」被重新定义了（我认为这是全文最值得记的一句）：不只是响应更快——“如果模型理解的是几秒钟之前的现场，它即使给出了正确答案，也可能已经答错了问题”。实时 = 语义不过时，不是延迟够低。
  • 技术谱系：2016 预训练 → 2023.02 MOSS（国内首个类 ChatGPT 开源模型）→ 2023 SpeechGPT（端到端语音）→ 2024 AnyGPT（统一多模态）→ 2024 底孵化模思 → MOSS-TTS / MOSS-Audio / MOSS-Transcribe-Diarize / MOSS-VL / MOVA。2026 年半年内连续发布 20 多个模型（4 月 7–13 日一周内 MOSS-VL 与 MOSS-Audio 迭代 6 个版本）。
  • MOSS Live（即将发布）：前端交互模型持续看、听、说，后端能动性模型负责复杂推理与任务执行，让 AI 在执行任务时仍能保持与人的实时交流。
  • 第二条腿「AI for AI」：生成模型生产语音/图像/视频/场景数据，理解模型负责判断、筛选和反馈，结果送回下一轮训练。而当这套能力进入眼镜、汽车、家庭终端和机器人后，得到的不只是合成数据，而是互联网数据里相对稀缺的垂域真实场景数据与连续交互。从模型到交互，从交互到数据，再从数据回到模型。

金句

过去几年，大模型行业一直在回答"模型还能有多强"；当 AI 开始走出屏幕，新的问题已经摆在面前：它能不能真正看懂一个正在发生的世界，跟人自然地相处，又能不能把这些真实交互变成自己下一轮演进的燃料。

如果模型理解的是几秒钟之前的现场，它即使给出了正确答案，也可能已经答错了问题。

真正稀缺的不是一个更会聊天的模型，而是一套能让 AI 持续"在场"的交互智能。

质疑与核查

  • 信源性质：这是学院官微的融资通稿，本质是公司自宣的转述。澎湃新闻（记者秦盛）、智东西（10-12）已独立报道，金额、领投方、跟投方名单三方一致，融资本身可信度高；但"全模态实时交互"的战略表述、技术路线优越性判断全部是公司自述，无第三方验证。
  • 金额语境：超 10 亿元的 Pre-A 轮在国内属罕见量级，但天使轮已是 IDG 领投的"数亿元"——两轮加起来才是完整图景，单看 Pre-A 会高估其陡峭程度。老股东名单里的星连资本是智谱系基金（智东西明确指认），这点报道里没点破。
  • “20 多个模型"是发布数量不是质量：半年 20 多个、一周 6 个版本，这种节奏更像迭代能力的展示，不等于能力领先；没有横向评测、没有榜单、没有第三方复现。
  • MOSS Live 未发布：全文最核心的产品尚不存在，所有关于它的描述都是预告。前端/后端双模型协同架构是好设计，但没有任何实测延迟数字。
  • “AI for AI"要打折：生成模型造数据、理解模型筛数据这条闭环，筛的标准仍然是人定的（什么算好数据、什么算质量达标）；而且合成数据闭环历史上反复出现模型自噬（model collapse）风险，全文未提。
  • 文末的《带上她的眼睛》引用，取了比喻的一半：文章用它讲"视觉可以共享，于是身处两地的人能共同经历此刻”。但这个故事的悲剧内核恰恰是触觉不可传递——被困地心的女主角只有视觉和听觉被接出去，她能看草原、能听风，摸不到。文章借这个比喻论证"共同现场”，却正好撞上了它没讲的那半边——眼睛可以被带上旅途，手不能。

本文为阅读剪藏（摘要 + 摘录 + 评论），非原文转载。查看原文