Red Bear AI schließt eine Serie-A+-Finanzierung in Höhe von mehreren hundert Millionen Yuan ab und erweitert seine Geschäftstätigkeit von B2B-Dienstleistungen zu B2C-Anwendungen auf Basis der KI-„Gedächtniswissenschaft“ | Exklusiv von 36Kr

36Kr erfuhr, dass RedBear AI heute die Abschluss einer Serie-A+ Finanzierung in Höhe von mehreren hundert Millionen Yuan bekanntgab, mit einer Post-Geld-Bewertung von fast 3 Milliarden Yuan. Diese Finanzierungsrunde wurde gemeinsam von Zhejiang Jiuwei Private Equity Fund, Jiaxing Zhangyuan Venture Capital und dem Altaktionär Graceful investiert. Dies ist die sechste Finanzierungsrunde, die RedBear AI innerhalb von nur 15 Monaten abgeschlossen hat.

Es ist bekannt, dass die Mittel aus dieser Finanzierung hauptsächlich dazu verwendet werden, die grundlegende Forschung zum menschenähnlichen Gehirn der Gedächtniswissenschaft der KI kontinuierlich zu vertiefen, die tiefe Integration des allgemeinen großen Modells OpenBear und des MemoryBear-Gedächtniswissenschaftssystems zu beschleunigen und die Marktabdeckung der vier Kernanwendungsszenarien intelligenter Kundenservice, intelligentes Marketing, ChatBI und intelligente Bildung zu erweitern.

Nach dem frühen Wettbewerb um die Anzahl der Parameter und die Rechenleistung großer Modelle tritt die Branche allmählich in eine tiefe Phase der Kommerzialisierung ein, in der "Anwendungen über den Erfolg entscheiden". Derzeit ist die Technologie, die sich auf die Dimension der "Gedächtnisebene (Memory)" großer Modelle konzentriert, zu einem wichtigen Angriffspunkt geworden.

In diesem Jahr häufen sich die Finanzierungsereignisse und beschleunigen sich deutlich: Das 13-köpfige Team Engram, an dem unter anderem Andrej Karpathy beteiligt ist, der bei Anthropic für das Vortraining von Claude verantwortlich war, und das eine Bewertung von 600 Millionen US-Dollar erreicht hat, ist öffentlich aufgetreten; Clipto, das sich darauf konzentriert, die Gedächtnisebene des Ökosystems aus persönlichen Daten und intelligenten Agenten zu verbinden, hat mehrere Folgeinvestitionen von HSG, GL Ventures und anderen erhalten; inländische Unternehmen wie "Memory Tensor", das eine Engelsfinanzierung von fast 100 Millionen Yuan abgeschlossen hat und sich auf die Entwicklung eines quelloffenen Gedächtnisbetriebssystems MemOS konzentriert, sowie MemoraX AI, die im Frühjahr 2026 nacheinander die Seed-Runde und die Seed+-Runde abgeschlossen hat und deren Gesamtfinanzierungssumme aus beiden Runden über 100 Millionen Yuan liegt, haben alle auf diesem technischen Gebiet Kapitalreserven aufgebaut.

Seit seiner Gründung im April 2024 hat RedBear AI die technische Linie "Gedächtnisgesteuertes AGI" festgelegt. Wie man technologische Innovationen eng mit den tatsächlichen industriellen Anforderungen von Unternehmen verbindet und die Gedächtnisbarrieren traditioneller Basis-Großmodelle bei der praktischen Umsetzung durchbricht, ist das Kernproblem, das RedBear AI in dieser KI-Welle zu beantworten versucht.

I. Warum braucht AGI ein dynamisches "Hippocampus"?

In den letzten zwei Jahren gab es in der Branche weit verbreitet das Phänomen, dass "das Training von Modellen priorisiert, die praktische Umsetzung von Anwendungen aber vernachlässigt wird". Eine große Menge an Rechenleistung und Ressourcen wird für das Vortraining von Basis-Großmodellen verbraucht, aber wenn diese Modelle für unternehmensweite Anwendungen bereitgestellt werden, stoßen sie oft auf mehrere praktische Engpässe.

Aufgrund der Einschränkungen der zugrunde liegenden Architektur treten bei traditionellen Basis-Großmodellen in tatsächlichen Geschäftsszenarien häufig Unterbrechungen oder Kontextvergessenheiten bei langen Dialogen aufgrund von Token-Beschränkungen auf; gleichzeitig ist es aufgrund der hohen Wissensvergessensrate schwierig für die Modelle, die Konsistenz und Stabilität der Dienste aufrechtzuerhalten. Außerdem steigt der Token-Verbrauch großer Modelle in der Regel linear, was die Rechenkosten für den langfristigen Betrieb von KI-Systemen in Unternehmen direkt in die Höhe treibt, und das Fehlen einer kausalen Logikprüfung führt dazu, dass die Modelle leicht "Halluzinationen" erzeugen, was die Zuverlässigkeit der Geschäfte beeinträchtigt.

Das Team von RedBear AI ist der Ansicht, dass die bloße Verbesserung der Fähigkeiten der Basis-Großmodelle nicht ausreicht, um die tatsächlichen Probleme von Unternehmen zu lösen. Angesichts dieser gemeinsamen Schmerzpunkte in der Branche hat RedBear AI 2024 als erstes das Konzept der "KI-Gedächtniswissenschaft" vorgeschlagen.

Wenn große Modelle echte kognitive Intelligenz erreichen und die skalierbare Umsetzung in Unternehmen erfüllen wollen, muss ihre Informationsverarbeitung von "statischer Informationsanhäufung" zu "dynamischer Verwaltung von Organismen" aufgerüstet werden. 2026 hat RedBear AI einen entscheidenden Schritt in seinem technischen Ökosystem getan: Das OpenBear-Großmodell wird zum zweiten Mal tief in das selbst entwickelte MemoryBear-Gedächtniswissenschaftssystem integriert, und darauf aufbauend wird eine native Agentenarchitektur aufgebaut.

Diese technische Logik, die "Großhirnrinde (für das Schlussfolgern zuständig)" und "Hippocampus (für das Gedächtnis zuständig)" eng miteinander verbindet, treibt die Entwicklung unternehmensweiter KI-Anwendungen allmählich von dem passiven Werkzeugzustand "Frage und Antwort" zu einer neuen Phase des "gedächtnisgesteuerten Schlussfolgerns" voran.

II. Technische Grafik von RedBear AI: Dreieckige Matrix aus OpenBear, MemoryBear und nativer Agentenarchitektur

Die Kernfähigkeit, die RedBear AI aufbaut, ist ein geschlossenes Ökosystem, in dem das allgemeine große Modell OpenBear, das MemoryBear-Gedächtniswissenschaftssystem und die native Agentenarchitektur voneinander abhängen.

1. Das allgemeine große Modell OpenBear: Die zugrunde liegende Fähigkeitsbasis, die für das Gedächtnis entwickelt wurde

OpenBear ist eine neue Generation von AGI-Modellen, die von RedBear AI selbst entwickelt und vortrainiert wurde. Auf der unteren Ebene wird die MoE (Mixture of Experts) -Architektur für spärlich gemischte Experten verwendet, die über eine Parametergröße im Bereich von Billionen verfügt.

Aus der Perspektive des Designkonzepts gehört OpenBear zu den frühen vortrainierten Großmodellen in der Branche, die der Logik "Geboren für das Gedächtnis" folgen. Zu Beginn des Modellentwurfs hat RedBear AI darin eine spezielle Gedächtnisschnittstelle und ein Optimierungsmodul für den Aufmerksamkeitsmechanismus entworfen, sodass es mit dem externen MemoryBear-Gedächtniswissenschaftssystem in einem hochfrequenten und niedrigverzögerten Informationsaustausch interagieren kann und die nahtlose Verbindung der Schlussfolgerungsfähigkeiten und der Gedächtnisfähigkeiten des Modells realisiert. Dieses große Modellsystem betont Eigenschaften wie domänenübergreifende Generalisierung, Langzeitgedächtnis und Selbstreflexion. Es kann ohne spezielle maßgeschneiderte Optimierungen komplexe praktische Aufgaben in verschiedenen Fachgebieten verstehen.

OpenBear-Produktoberfläche

2. MemoryBear-Gedächtniswissenschaftssystem: Hierarchisches dynamisches Gedächtnis und gehirnähnlicher Mechanismus

Wenn das große Modell selbst für die logische Schlussfolgerung zuständig ist, dann ist MemoryBear sein Gedächtniszentrum. MemoryBear lehnt sich an den kognitiven Mechanismus des menschlichen Gehirns an und kombiniert technische Theorien wie die duale Gedächtnisarchitektur ACT-R, die Ebbinghaus-Vergessenskurve und das Aktivitätsmodell, den Algorithmus für intelligente semantische Beschneidung sowie die 3D-Selbstreflexions-Engine.

Strukturell baut MemoryBear ein hierarchisches dynamisches System von sofortigem bis zu dauerhaftem Gedächtnis auf, das das Arbeitsgedächtnis, das Kurzzeitgedächtnis und das Langzeitgedächtnis umfasst. Um den effizienten Betrieb dieses hierarchischen Systems zu unterstützen, hat MemoryBear auf der unteren Ebene mehrere Kerntechniken gemeistert:

Technik des zeitlichen Gedächtnisses: Ermöglicht es der KI, die Zeit von Ereignissen in Informationen zu erkennen und eine vollständige Zeitlinie aufzubauen, sodass die KI ein Geschichtsbewusstsein erhält.

Technik des dynamischen semantischen Netzes: Extrahiert automatisch Schlüsselentitäten und Kernansichten aus riesigen Mengen an langen Texten oder unstrukturierten Daten und baut ein dynamisches Wissensgraphen auf.

Technik der intelligenten semantischen Beschneidung: Basierend auf dem Prinzip der Ebbinghaus-Vergessenskurve werden redundante, veraltete oder fehlerhafte Informationen automatisch erkannt und regelmäßig gelöscht, um die Genauigkeit des Gedächtnisspeichers zu erhalten und den Token-Verbrauch des großen Modells zu senken.

3D-Selbstreflexions-Engine: Wenn sich das System in einer Phase mit niedriger Auslastung befindet, überprüft es automatisch die vorhandenen Erinnerungen erneut und korrigiert mögliche Fehler, um das Halluzinationsproblem des großen Modells zu mildern.

Technik des minimalen Gedächtnisaustauschs: Baut ein einheitliches Gedächtniszentrum in Szenarien der Zusammenarbeit mehrerer Agenten auf. Jeder intelligente Agent speichert nur die Schlüsselerinnerungen, die er zur Erledigung seiner eigenen Aufgaben benötigt, und andere intelligente Agenten rufen sie bei Bedarf ab, um den gesamten Rechenverbrauch zu senken.

Laut den von RedBear AI offengelegten technischen Indikatoren wird unter der Unterstützung von MemoryBear die Wissensvergessensrate des Basis-Großmodells auf unter 1 % kontrolliert; der Token-Verbrauch wird um das 25-fache gesenkt; die Vorverarbeitungsrate von branchenspezifischen Mehrdeutigkeiten wird auf unter 1 % kontrolliert; gleichzeitig sinkt die Halluzinationsrate des Modells auf etwa 0,2 %.

MemoryBear-Produktoberfläche

3. Native Agentenarchitektur: Entwicklung von passiven Werkzeugen zu aktiver Zusammenarbeit

An der Schnittstelle zwischen dem OpenBear-Großmodell und dem MemoryBear-Gedächtnissystem hat RedBear AI seine native Agentenarchitektur implementiert. Das Kernmerkmal dieser Architektur ist "Gedächtnisnativität", d. h., das Agentensystem ist von Anfang an mit Gedächtnisfähigkeiten ausgestattet, kann die Details jeder Interaktion mit bestimmten Benutzern und das Endergebnis der Aufgaben auswendig lernen und dies als Eingabe für die nachfolgende Optimierung verwenden. Außerdem unterstützt diese Architektur die autonome Planung und die Zusammenarbeit mehrerer Agenten und ermöglicht es intelligenten Agenten, unter einem sicheren und kontrollierbaren Berechtigungsverwaltungssystem dynamische Aufgaben auszuführen und automatisch fortzufahren.

Darüber hinaus hat RedBear AI auf der technischen Grundlage des MemoryBear-Gedächtnissystems die Gedächtnisfähigkeiten weiter in den Bereich der Entwicklerwerkzeuge erweitert und die CodeBear-Plattform für große gedächtnisgesteuerte Programmiermodelle eingeführt. Im Unterschied zu herkömmlichen KI-Code-Hilfswerkzeugen liegt der Kernunterschied von CodeBear in der "gedächtnisgesteuerten Entwicklung". In einer echten Entwicklungsumgebung kann CodeBear Anforderungen selbst verstehen, technische Lösungen selbst planen, Code selbst schreiben, Ausführungen und Überprüfungen selbst durchführen und auf Basis des MemoryBear-Hierarchiegedächtnissystems aus jeder Interaktion kontinuierlich Projekterfahrung, Codestandards und Geschäftslogik anhäufen. Dadurch wird wiederverwendbares personalisiertes Entwicklungswissen gebildet, was die Schmerzpunkte herkömmlicher Programmierwerkzeuge wie unterbrochene Kontexte und hohe Kosten für wiederholte Kommunikation wirksam löst und die Effizienz und Kontinuität der Entwicklung komplexer Projekte erheblich steigert.

III. Aufschlüsselung der vier Anwendungsszenarien: Tatsächliche Umsetzung von Anwendungen großer Modelle

Auf Basis des oben genannten technischen Ökosystems aus "Modell + Gedächtnis + intelligenter Agent" hat RedBear AI derzeit vier Kernanwendungsprodukte auf dem Markt eingeführt, um den kommerziellen Wert der KI-Gedächtniswissenschaft in verschiedenen Nischenmärkten zu validieren.

1. Intelligenter Kundenservice: Personalisierte Speicherung bei langfristigen Interaktionen

Der Haupteinschränkung herkömmlicher intelligenter Kundenservicesysteme liegt darin, dass "jede Angelegenheit separat abgeschlossen wird" und es an der Fähigkeit fehlt, die langfristigen Interaktionsverläufe von Kunden zu speichern. Das intelligente Kundenserviceprodukt von RedBear AI kann über das MemoryBear-System die historischen Gesprächs-, Kauf- und Beschwerdeaufzeichnungen sowie die Servicepräferenzen von Kunden auswendig lernen. Wenn Kunden erneut zugreifen, kann das System auf Basis der historischen Erinnerungen gezielte personalisierte Dienste anbieten. Laut offiziellen Daten von RedBear AI steigt die Lösungsrate von Kundenproblemen bei kooperierenden Unternehmen durch dieses Produkt um über 60 %, und die Arbeitsbelastung der menschlichen Kundenservices wird um 70 % reduziert.

2. Intelligentes Marketing: Von oberflächlichen Profilen zu personalisierten Angeboten für jeden Kunden entlang des gesamten Verhaltensablaufs

Im Bereich des intelligenten Marketings muss das System in der Regel riesige Mengen an dynamischen Daten verarbeiten. Das Marketingprodukt von RedBear AI nutzt die KI-Gedächtnistechnik, um die Surf-, Warenkorb-, Kauf- und historischen Interaktionsverhalten von Benutzern zu erfassen und auswendig zu lernen und dadurch ein dreidimensionaleres Benutzerprofil zu erstellen. Durch die Analyse der Interessenspräferenzen und Konsumgewohnheiten der Benutzer kann das System adaptiv personalisierte Marketingtexte, E-Mails oder SMS generieren, um die inhaltliche Attraktivität von Marketingkampagnen und die Kapitalrendite (ROI) zu verbessern.

3. ChatBI: Datenanzeigetafel in natürlicher Sprache mit Kontextgewohnheiten

Herkömmliche BI-Tools (Business Intelligence) haben in der Regel hohe Betriebshürden und erfordern Fachpersonal zum Schreiben von SQL-Anweisungen. Das ChatBI-Produkt von RedBear AI kombiniert die Verarbeitung natürlicher Sprache mit der Gedächtniswissenschaft, sodass nicht technische Geschäftsanwender die benötigten Datenanalysenergebnisse durch alltägliche Gespräche erhalten können. Der Unterschied dieses Produkts liegt darin, dass es die Abfragehistorien und Analysegewohnheiten der Benutzer auswendig lernen kann, automatisch die Einschränkungen der vorherigen Runde verknüpft und die Benutzer nicht dazu zwingt, den Hintergrund erneut zu erläutern, wodurch die Effizienz des Ablaufs komplexer Datenentscheidungen verbessert wird.

4. Intelligente Bildung: Individualisierte Förderung auf Basis historischer Fehler und Lerngewohnheiten

Intelligente Bildung zielt auf personalisierte Lern- und Planungsdienste für die Hochschulbildung und berufliche Bildung ab. In Szenarien der intelligenten Bildung speichert das System von RedBear AI über die Langzeitgedächtnisschicht die historischen Lernkurven