Red Bear AI hat eine A+ Finanzierungsrunde im Wert von mehreren hundert Millionen Yuan abgeschlossen und erweitert sein Geschäftsfeld von B2B-Dienstleistungen zu B2C-Anwendungen auf Basis der KI-basierten „Gedächtniswissenschaft“ | Exklusive Erstveröffentlichung von 36Kr

Laut Informationen von 36Kr hat RedBear AI heute die Abschluss einer Serie A+ Finanzierung im Wert von mehreren hundert Millionen RMB bekanntgegeben, mit einer Post-Money-Bewertung von fast 3 Milliarden RMB. Diese Finanzierungsrunde wird gemeinsam von Zhejiang Jiuwei Private Equity Fund, Jiaxing Zhangyuan Venture Capital und dem Altaktionär Graceful investiert. Dies ist die 6. Finanzierungsrunde, die RedBear AI innerhalb von nur 15 Monaten abgeschlossen hat.

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

Nach dem frühen Wettbewerb um die Anzahl der Parameter und die Rechenleistung großer Modelle tritt die Branche allmählich in die tiefe Phase der Kommerzialisierung ein, in der „Anwendungen den Erfolg bestimmen“. Derzeit ist die Technologie rund um die Dimension der „Gedächtnisebene (Memory)“ großer Modelle zu einem wichtigen Angriffspunkt geworden.

In diesem Jahr häufen sich Finanzierungsereignisse und beschleunigen sich deutlich: Das 13-köpfige Team Engram mit einer Bewertung von 600 Millionen US-Dollar, an dem unter anderem Andrej Karpathy beteiligt ist, der bei Anthropic für das Vortraining von Claude verantwortlich war, ist öffentlich aufgetreten; Clipto, das sich als Gedächtnisebene für die Verbindung von persönlichen Daten und dem Agenten-Ökosystem positioniert, hat mehrere Folgeinvestitionen von HSG, GL Ventures und anderen erhalten; „Memory Tensor“, das in China eine Angel-Finanzierung von fast 100 Millionen RMB abgeschlossen hat und sich auf die Entwicklung des quelloffenen Gedächtnisbetriebssystems MemOS konzentriert, sowie MemoraX AI, das im Frühjahr 2026 nacheinander die Seed-Runde und die Seed+-Runde mit einem kumulierten Finanzierungsbetrag von über 100 Millionen RMB abgeschlossen hat, haben beide Kapitalreserven in dieser technologischen Richtung 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 Basismodelle bei der praktischen Umsetzung durchbricht, ist das Kernproblem, das RedBear AI in dieser AI-Welle zu beantworten versucht.

I. Warum benötigt 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 vernachlässigt wird“. Eine große Menge an Rechenleistung und Ressourcen wird für das Vortraining von Basismodellen verbraucht, aber wenn diese Modelle auf Unternehmensanwendungen angewendet werden, stoßen sie oft auf mehrere praktische Engpässe.

Aufgrund der Einschränkungen der zugrunde liegenden Architektur treten bei traditionellen Basismodellen in praktischen Geschäftsszenarien häufig Unterbrechungen oder Kontextvergessenheit bei langen Dialogen aufgrund von Token-Einschränkungen auf. Gleichzeitig ist es dem Modell aufgrund der hohen Wissensvergessensrate schwer, die Konsistenz und Stabilität des Dienstes aufrechtzuerhalten. Darüber hinaus steigt der Token-Verbrauch großer Modelle normalerweise linear an, was die Rechenkosten von Unternehmen für den langfristigen Betrieb von AI-Systemen direkt erhöht. Der Mangel an kausaler Logikprüfung führt auch dazu, dass Modelle leicht „Halluzinationen“ erzeugen, was die Zuverlässigkeit der Geschäfte beeinträchtigt.

Das Team von RedBear AI ist der Ansicht, dass die bloße Verbesserung der Fähigkeiten des Basismodells nicht ausreicht, um die praktischen Probleme von Unternehmen zu lösen. Um diese branchenweiten gemeinsamen Probleme zu lösen, hat RedBear AI 2024 das Konzept der „AI-Gedächtniswissenschaft“ erstmals vorgeschlagen.

Wenn große Modelle echte kognitive Intelligenz erreichen und die skalierbare Umsetzung auf Unternehmensebene erfüllen wollen, muss ihre Informationsverarbeitungsmethode von der „statischen Informationsanhäufung“ zu einer „dynamischen Verwaltung von Organismen“ aufgerüstet werden. Im Jahr 2026 hat RedBear AI einen entscheidenden Schritt in seinem technologischen Ökosystem vollzogen: Es hat das OpenBear-Modell und das selbst entwickelte MemoryBear-Gedächtniswissenschaftssystem zum zweiten Mal tief integriert und darauf aufbauend eine native Agent-Architektur aufgebaut.

Diese technologische Logik, die „Großhirnrinde (verantwortlich für Schlussfolgerungen)“ und „Hippocampus (verantwortlich für Gedächtnis)“ eng miteinander verbindet, treibt die Entwicklung von Unternehmens-AI-Anwendungen von dem passiven Werkzeugzustand des „Fragens und Antwortens“ in eine neue Phase des „gedächtnisgesteuerten Schlussfolgerns“ voran.

II. Das technische Diagramm von RedBear AI: Die Dreiecksmatrix aus OpenBear, MemoryBear und nativem Agenten

Die Kernkompetenz, die RedBear AI aufgebaut hat, ist ein geschlossenes Ökosystem, in dem das allgemeine große Modell OpenBear, das MemoryBear-Gedächtniswissenschaftssystem und die native Agent-Architektur voneinander abhängen.

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

OpenBear ist eine neue Generation von AGI-Modellen, die von RedBear AI selbst entwickelt und vortrainiert wurde, und verwendet im Unterbau die spärliche Mixture-of-Experts-Architektur (MoE).

Nach seinem Designkonzept gehört OpenBear zu den frühen vortrainierten großen Modellen in der Branche, die der Logik „für das Gedächtnis geschaffen“ folgen. Zu Beginn des Modellarchitekturdesigns hat RedBear AI darin spezielle Gedächtnisschnittstellen und Optimierungsmodule für den Aufmerksamkeitsmechanismus entworfen, sodass es mit dem externen MemoryBear-Gedächtniswissenschaftssystem mit hoher Frequenz und niedriger Latenz Informationen austauschen kann und eine nahtlose Verbindung zwischen der Schlussfolgerungsfähigkeit und der Gedächtnisfähigkeit des Modells realisiert. Dieses große Modellsystem legt Wert auf Eigenschaften wie domänenübergreifende Verallgemeinerung, Langzeitgedächtnis und Selbstreflexion und kann eine Vielzahl komplexer professioneller realer Aufgaben verstehen, ohne dass spezielle Anpassungen und Optimierungen erforderlich sind.

OpenBear-Produktoberfläche

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

Wenn das große Modell selbst für die logische Schlussfolgerung verantwortlich ist, dann ist MemoryBear sein Gedächtniszentrum. MemoryBear lehnt sich an den kognitiven Mechanismus des menschlichen Gehirns an und kombiniert technische Theorien wie die ACT-R-Doppelgedächtnisarchitektur, die Ebbinghaus-Vergessenskurve und das Aktivierungsmodell, den intelligenten semantischen Beschneidungsalgorithmus sowie die 3D-Selbstreflexions-Engine.

Strukturell baut MemoryBear ein hierarchisches dynamisches System von dem momentanen bis zum dauerhaften Gedächtnis auf, das ein Arbeitsgedächtnis, ein Kurzzeitgedächtnis und ein Langzeitgedächtnis umfasst. Um den effizienten Betrieb dieser hierarchischen Architektur zu unterstützen, hat MemoryBear im Unterbau mehrere Kerntechnologien gemeistert:

Zeitgedächtnistechnologie: Ermöglicht es der AI, die Zeit von Ereignissen in Informationen zu erkennen und eine vollständige Zeitlinie aufzubauen, wodurch die AI eine historische Perspektive erhält.

Dynamische semantische Netzwerktechnologie: Extrahiert automatisch Schlüsselentitäten und Kernansichten aus massiven langen Texten oder unstrukturierten Daten und baut ein dynamisches Wissensgraphen auf.

Intelligente semantische Beschneidungstechnologie: Basierend auf dem Prinzip der Ebbinghaus-Vergessenskurve identifiziert und löscht es automatisch redundante, veraltete oder fehlerhafte Informationen regelmäßig, um die Genauigkeit der Gedächtnisbibliothek zu erhalten und den Token-Verbrauch des großen Modells zu senken.

3D-Selbstreflexions-Engine: Wenn das System sich in einer Phase niedriger Last befindet, prüft es automatisch die vorhandenen Gedächtnisse erneut und korrigiert mögliche Fehler, um das Halluzinationsdefizit des großen Modells auszugleichen.

Minimale Gedächtnisfreigabetechnologie: Baut ein einheitliches Gedächtniszentrum in Szenarien der Zusammenarbeit mehrerer Agenten auf, wobei jeder intelligente Agent nur die Schlüsselgedächtnisse speichert, die zur Erfüllung seiner eigenen Aufgaben erforderlich sind, während andere intelligente Agenten sie bei Bedarf aufrufen, um den gesamten Rechenverbrauch zu senken.

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

MemoryBear-Produktoberfläche

3. Native Agent-Architektur: Die Entwicklung von einem passiven Werkzeug zur aktiven Zusammenarbeit

An der Schnittstelle zwischen dem OpenBear-Modell und dem MemoryBear-Gedächtnissystem hat RedBear AI seine native Agent-Architektur gekapselt. Das Kernmerkmal dieser Architektur ist „gedächtnisnativ“, d. h. das Agent-System ist von Anfang an mit Gedächtnisfähigkeiten ausgestattet, es kann jedes Interaktionsdetail mit einem bestimmten Benutzer und das endgültige Ausführungsergebnis der Aufgabe merken und dies als Eingabe für die nachfolgende Optimierung verwenden. Darüber hinaus unterstützt diese Architektur die autonome Planung und die Zusammenarbeit mehrerer Agenten, sodass intelligente Agenten unter einem sicheren und kontrollierbaren Berechtigungsverwaltungssystem die dynamische Aufgabenausführung und automatische Fortsetzung realisieren können.

Darüber hinaus hat RedBear AI auf der technologischen Basis des MemoryBear-Gedächtnissystems die Gedächtnisfähigkeit weiter in den Bereich der Entwicklerwerkzeuge ausgeweitet und die CodeBear-Plattform für große Modelle des gedächtnisgestützten Programmierens eingeführt. Im Gegensatz zu herkömmlichen AI-Code-Hilfswerkzeugen liegt der Kernunterschied von CodeBear im „gedächtnisgesteuerten Entwicklungsprozess“. In einer echten Entwicklungsumgebung kann CodeBear Anforderungen selbst verstehen, technische Lösungen selbst planen, Code selbst schreiben, die Ausführung selbst überprüfen und auf der Grundlage des MemoryBear-Hierarchiegedächtnissystems kontinuierlich Projekterfahrung, Codestandards und Geschäftslogik aus jeder Interaktion ansammeln, um wiederverwendbares personalisiertes Entwicklungswissen zu bilden. Es löst effektiv die Probleme herkömmlicher Programmierwerkzeuge wie unterbrochene Kontexte und hohe Kosten für wiederholte Kommunikation und verbessert erheblich die Effizienz und Kontinuität der Entwicklung komplexer Projekte.

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

Auf der Grundlage des oben genannten technologischen Ökosystems aus „Modell + Gedächtnis + intelligenter Agent“ hat RedBear AI derzeit vier Kernanwendungsprodukte auf den Markt gebracht, um den kommerziellen Wert der AI-Gedächtniswissenschaft in verschiedenen Teilbereichen zu überprüfen.

1. Intelligenter Kundenservice: Personalisierte Speicherung bei langfristigen Interaktionen

Der Hauptengpass herkömmlicher intelligenter Kundenservicesysteme liegt darin, dass jede Angelegenheit separat abgeschlossen wird und die Fähigkeit fehlt, die langfristige historische Interaktionsspur von Kunden zu speichern. Das intelligente Kundenserviceprodukt von RedBear AI kann über das MemoryBear-System die historischen Gespräche, Kaufaufzeichnungen, Beschwerdeaufzeichnungen und Dienstpräferenzen von Kunden merken. Wenn der Kunde erneut zugreift, kann das System auf der Grundlage des historischen Gedächtnisses gezielte personalisierte Dienstleistungen anbieten. Laut offiziellen Daten von RedBear AI erhöht dieses Produkt die einmalige Lösungsrate von Kundenproblemen bei kooperierenden Unternehmen um mehr als 60 % und reduziert den Arbeitsaufwand der menschlichen Kundenservices um 70 %.

2. Intelligentes Marketing: Von oberflächlichen Profilen zu personalisierten Angeboten für jeden einzelnen Nutzer über die gesamte Verhaltenskette

Im Bereich des intelligenten Marketings muss das System normalerweise massive dynamische Daten verarbeiten. Das Marketingprodukt von RedBear AI nutzt die AI-Gedächtnistechnologie, um das Surfverhalten, das Hinzufügen zum Warenkorb, das Kaufverhalten und historische Interaktionsverhalten von Nutzern zu erfassen und zu merken, um ein dreidimensionaleres Nutzerprofil aufzubauen. Durch die Analyse der Interessenspräferenzen und Konsumgewohnheiten der Nutzer kann das System adaptive personalisierte Marketingtexte, E-Mails oder SMS generieren, um die Attraktivität der Inhalte von Marketingkampagnen und den Return on Investment (ROI) zu verbessern.

3. ChatBI: Daten-Dashboard in natürlicher Sprache mit Kontextgewohnheiten

Herkömmliche BI-Tools (Business Intelligence) haben normalerweise eine hohe Betriebshürde und erfordern, dass Fachpersonal SQL-Anweisungen schreibt. Das ChatBI-Produkt von RedBear AI kombiniert die Verarbeitung natürlicher Sprache mit der Gedächtniswissenschaft und ermöglicht es nicht-technischen Geschäftspersonen, die erforderlichen Datenanalyseergebnisse durch alltägliche Gespräche zu erhalten. Der Unterschied dieses Produkts besteht darin, dass es den Abfrageverlauf und die Analysegewohnheiten des Nutzers merken und automatisch die Einschränkungen der vorherigen Runde verknüpfen kann, ohne dass der Nutzer den Hintergrund wiederholt erläutern muss, wodurch die Effizienz des Ablaufs komplexer datengesteuerter Entscheidungen verbessert wird.

4. Intelligente Bildung: Individualisierte Förderung basierend auf historischen Fehleraufzeichnungen und Gewohnheiten

Intelligente Bildung zielt auf personalisierte Lern- und Planungsdienste für die Hochschulbildung und berufliche Bildung ab. Im Szenario der intelligenten Bildung merkt sich das System von RedBear AI über die Langzeitgedächtnisebene die historische Lernkurve, den Beherrschungsstand der Wissenspunkte, die Lerngewohnheiten und den Lernstil jedes Schülers. Basierend auf diesen historischen Aufzeichnungen kann das System für Schüler personalisierte Lernpläne und Aufgabenschritte anpassen, um einen echten personalisierten Unterrichtsablauf zu realis