首发|羲悉智能完成数千万元种子轮融资，首次公开类脑智能自进化基座系统

近日，在浦江创新论坛上，致力于探索下一代人工智能技术范式的AI NEO LAB羲悉智能首次公开亮相，介绍了公司的技术路线和跨学科团队，以及自主研发的“类脑智能自进化基座系统”。

现场，羲悉智能宣布完成数千万元人民币种子轮融资。本轮资金将主要用于持续技术研发和行业应用共创。公司希望解决一个现实问题：当AI走进金融投行、管理咨询、涉外法律等专业场景，如何持续、稳定地完成一项复杂任务。

一位类脑智能专家投身创业

羲悉智能创始人蔡炎松博士，长期从事计算神经科学、类脑智能和人工智能系统研究。

他曾任新加坡科技研究局（A*STAR）类脑计划项目子课题负责人、华为2012实验室类脑计算组算法首席专家、中国电子科技集团首席专家及南湖研究院类脑实验室主任，入选中国“千人”领军人才，并负责及参与国家脑计划等国家重大项目。

2024年世界互联网大会期间，他曾发布国内首 个类脑医疗大模型“脑启-素问”并在CMB-Exam评估中夺冠；2025年，其技术应用于提供情绪陪伴服务的“栖心”心理大模型，并参与构建了规模达百亿神经元的通用异构融合类脑计算系统。此外，他领导的类脑技术已在医疗、电力、能源、交通、农业等多个领域实现落地应用，拥有从基础研究、前沿算法研发到云边端大系统工程落地的复合型经历。

这段跨越科研与产业的经历，也影响了羲悉智能的创业方向。

过去几年，大模型的生成和推理能力快速提升，外界对模型的评价标准也在发生变化。相比单次问答和静态跑分，真实工作场景更加关注模型能否完成一项复杂任务。

以金融投行、管理咨询和涉外法律为例，一项专业工作可能涉及大量不同类型的文档，还要在多个软件之间协同操作，经过多轮分析和判断，最终形成完整交付。在这样的长程任务中，现阶段以生成式推理为主的通用模型，仍容易出现逻辑漂移、误差累积和执行不稳定等问题。

相关评测也反映了这一差距。APEX-Agents主要评估跨应用复杂任务，Harvey LAB则关注专业法律成果的交付能力。公开结果显示，在Harvey LAB严格的All-Pass标准下，领 先模型的完整任务通过率近20%。

“AI已经具备非常强的生成和推理能力，但在严肃工作场景中，真正的挑战是能否像人类专家一样，持续、可靠地将一项复杂长程任务稳定交付。”蔡炎松表示。

在他看来，单纯扩大模型参数规模，仍难系统解决复杂长程任务中的可靠执行与经验沉淀问题。基于长期研究，羲悉智能提出Brain-inspired Intelligence for Artificial Intelligence，简称BI4AI。

这一路线借鉴生物智能在认知、记忆、学习和反馈中的系统机制，希望推动AI逐步从“以计算为中心”走向“以记忆为中心”。通俗来说，就是让AI在完成任务的过程中记住经验，并把这些经验用在下一次任务中。

围绕类脑智能和AI持续学习，羲悉智能组建了一支跨学科团队。核心成员来自计算神经科学、类脑计算、大模型算法、认知科学和系统工程等领域，兼具科研与产业经历，多项相关研究成果曾发表于Nature Machine Intelligence和IEEE TNNLS 等学术期刊。

不再只拼参数

让AI积累“工作经验”

羲悉智能将“以记忆与经验为中心”的理念进一步落到系统架构中，构建由模型与记忆双系统协同驱动的System 1 + System 2架构。

其中，System 1负责高频任务的快速执行。羲悉智能采用自研轻量化专用模型，并引入模型内部表征层面的向量化交互，让不同模块之间可以直接传递信息。

传统智能体通常依靠自然语言上下文完成模块协作。随着任务链条变长，输入文本越来越多，Token消耗和信息损失也会随之增加。羲悉智能希望通过向量化交互，降低多模块协作中的延迟和损耗。

System 2则是一套面向真实任务的层级化经验记忆网络。它既保存知识信息，也记录业务流程、判断准则和试错路径。面对非标准化任务，系统能够自主检索历史经验，形成决策约束与指引。

两个系统根据真实任务反馈，形成“执行反馈泛化固化”的持续学习过程。

在这一过程中，系统会把经过验证的经验和技能，通过向量方式转化为模型能力。评估验证、门控筛选和状态回退机制贯穿其中，用于控制系统的学习和进化过程。随着经验不断积累，系统将逐步适配个人与组织的工作方式。

据羲悉智能，这套基座系统已经完成阶段性验证。在部分复杂专业任务的榜单评测中，搭载约300亿参数自研模型的智能体基座系统，取得了与超过万亿参数的前沿大模型相当的得分，并支持完全本地私有化部署。

羲悉智能透露，其正与多家专业机构围绕金融投资决策、法律尽调、复杂企业运营管理等垂直专业场景开展共创探索，验证类脑智能自进化基座在真实业务流程中的应用价值。