StartseiteArtikel

Star Intelligent Computing hat eine strategische Finanzierung in Höhe von mehreren Millionen Yuan abgeschlossen, um die „kognitive Gehirn-Blackbox“ für verkörperte Intelligenz zu entwickeln.

林间明月2026-11-19 11:33
Star Intelligent Computing sichert sich eine Finanzierungsrunde und entwickelt eine kognitive KI-Steuerungsebene, um Embodied Intelligence zu befähigen.

Kürzlich hat Hefei SentiMind Artificial Intelligence Technology Co., Ltd. (im Folgenden SentiMind) eine strategische Finanzierungsrunde in Höhe von mehreren Millionen Yuan (Seed+ Runde) abgeschlossen, deren Investor die Beijing Jingshi Zhongjiao Group ist. Die Mittel werden schwerpunktmäßig in die Bewertung der kognitiven Lernfähigkeit von KI-Kognitionsfähigkeiten in Bildungsszenarien investiert, um die Erfassung von Gehirndaten und das Modelltraining im gesamten Prozess des menschlichen Denkens, Erinnerns und Entscheidens zu verbessern und die Forschung von kohlenstoffbasiertem Leben zu siliziumbasierter Intelligenz zu beschleunigen.

SentiMind wurde 2025 gegründet und konzentriert sich auf die Forschung und Entwicklung multimodaler Basismodelle der Kognitionswissenschaft. Es überträgt das Forschungsparadigma der Kognitionswissenschaft auf die KI: Es sammelt menschliche Verhaltensdaten durch spielerische kognitive Aufgaben und versteht, prognostiziert und trainiert dann die kognitive Fähigkeit mit multimodalen Modellen. Derzeit hat es ein geschlossenes Kreislaufsystem aufgebaut, das den gesamten Lebenszyklus von „kognitiver Bewertung – Training – Verfolgung“ abdeckt. Die Daten decken mehrere Altersgruppen von Vorschulkindern bis zu Erwachsenen ab und zeichnen den gesamten Prozess auf, in dem die Schüler die Bewertungsaufgaben abschließen, sowie die millisekundengenauen zeitlichen Merkmale des Verhaltens, einschließlich, aber nicht beschränkt auf: Reaktionslatenz (RT), Klick-/Wischspuren, Korrektheitsrate, Fehlermuster (Fehlalarm / Auslassung), Häufigkeit des Strategiewechsels, Aufmerksamkeitsabfallkurve, Aufgabenverträglichkeit und Versuchsschnappschüsse (Trial Snapshots) in klassischen kognitiven Paradigmen wie Stroop, N-Back und Aufgabenwechsel. Die Erfassung und Kennzeichnung solcher vollständiger, millisekundengenauer Daten ist mit hohen Hürden, langen Zyklen und schwieriger Standardisierung verbunden, sodass skalierte qualitativ hochwertige Daten in der Branche selten zu finden sind. Aus Sicht von SentiMind sind der Umfang, die Dimensionen und die Erfassungsstandards der Daten selbst eine Barriere und die Grundlage für die kontinuierliche Iteration von kognitiven Modellen.

Große Modelle entwickeln sich derzeit von „redegewandt und schreibfähig“ zu „zuverlässig und nutzbar“. Aus Sicht von SentiMind ist der Mangel an „kognitiven Fähigkeiten“ wie Gedächtnis, Schlussfolgerung und Entscheidungsfindung eine wichtige Ursache für Probleme wie Halluzinationen und Gedächtnisverlust. Die Bewertungsparadigmen und Daten, die durch die Kognitionswissenschaft angesammelt wurden, können genau dieses Puzzleteil ergänzen. Daraus ergibt sich ein Weg, der „einerseits Menschen dient, andererseits KI dient“: Für Menschen werden Szenarien wie das Screening von Lernschwierigkeiten bei Kindern, die Entdeckung von Begabungen, die berufliche Abstimmung von Erwachsenen und der kognitive Rückgang älterer Menschen bedient; für KI werden seltene kognitive Daten und Mechanismusinspirationen für die nächste Generation großer Modelle bereitgestellt.

Das „einseitige Fachproblem“ großer Modelle: Über Rechenleistung, aber fehlende geistige Fähigkeiten

Während alle um die Parameter großer Modelle und die Bewegungssteuerung humanoider Roboter konkurrieren, verhält sich die KI in der realen physischen Welt immer noch wie ein „Schüler mit einseitigen Fachkenntnissen“ – sie kann Bilder verstehen und fließend sprechen, versteht aber nicht, was „Müdigkeit“ ist, weiß nicht, wann sie „überlastet“ wird, und fehlt es noch an Respekt vor dem gesunden Menschenverstand der physischen Welt. Um dieses fehlende Glied zu ergänzen, hat SentiMind einen differenzierten Weg gewählt: Ausgehend von der Hirnwissenschaft baut es für die KI einen „schwarzen Kasten für kognitive Steuerung“ auf, der unabhängig von großen Modellen ist.

Derzeit besteht der Mainstream-Weg in der Branche der verkörperten Intelligenz und humanoiden Roboter darin, VLA-Modelle (Visuelles-Sprach-Aktions-Modell) auf der Endgeräteseite bereitzustellen. Obwohl sie das Abbildungsproblem von „Wahrnehmung zu Aktion“ gelöst haben, weisen sie allgemein eine tödliche Schwäche auf: Es fehlt eine unabhängige kognitive Steuerungsschicht.

„Das Gehirn des heutigen Roboters versteht nur das Generieren, nicht das Zurückhalten“, sagte Zhang Zhong, Gründer von SentiMind. Bei der praktischen Implementierung stehen Endgerätemodelle häufig vor drei großen Problemen: Erstens geraten sie bei langen Sequenzen komplexer Aufgaben sehr leicht in einen Systemstillstand oder Befehlsfehler aufgrund der Überlastung des Arbeitsgedächtnisses. Zweitens verstehen sie nur Textwahrscheinlichkeiten, fehlt es an „Hemmungskontrolle“ in der physischen Welt, und sie geben häufig nicht ausführbare gefährliche Befehle wie „Greifen zerbrechlicher Gegenstände mit hoher Geschwindigkeit“ aus (d. h. physische Halluzinationen). Drittens führt das erzwungene Ausführen großer Modelle mit hoher Parameteranzahl lokal dazu, dass die BOM-Kosten und der Stromverbrauch der Rechenleistungsplatte auf hohem Niveau verharren.

Um diese Probleme zu lösen, ist das bloße Wettbewerben um große Modelle selbst in eine Sackgasse geraten. Die von SentiMind angebotene Lösung ist „Schichtung“ – sie baut kein allwissendes universelles großes Modell und keine Gliedmaßen von Robotern, sondern eine Schicht des schwarzen Kastens für kognitive Steuerung auf der Endgeräteseite (Senti-OS).

Dieser schwarze Kasten ist auf einem leichten kleinen kognitiven Modell von 1-3B als Kern aufgebaut und spielt die Rolle des „Präfrontalen Kortex“ des Roboters. Wenn das große Modell Befehle ausgibt, führt der schwarze Kasten eine Bewertung der kognitiven Belastung und eine Prüfung der physischen Durchführbarkeit durch. Es kann den Roboter lehren, Aufgaben bei unzureichender Rechenleistung aktiv herunterzustufen und gefährliche Aktionen zwangsweise zu blockieren, sodass der Roboter nicht nur „bewegen kann“, sondern auch „mutig bewegen“ und „klug bewegen“ kann.

Von menschlicher Kognition zu siliziumbasierter Intelligenz: Der schwer nachzubildende Daten-Flywheel

Die Zuversicht von SentiMind, den „kognitiven schwarzen Kasten“ zu entwickeln, stammt von den extrem seltenen Datenvermögenswerten dahinter.

In der KI-Branche sind Textkorpora bereits überflüssig, aber „echte dynamische zeitliche kognitive Daten des Menschen“ sind extrem knapp. Herkömmliche Roboterhersteller verlassen sich meist auf simulativer synthetischer Daten und können die echten Regeln des menschlichen Aufmerksamkeitsabfalls und Fehlermachens nicht simulieren.

Durch die frühe kommerzielle Implementierung auf ToB/ToG-Seite (wie kognitives Screening an öffentlichen Schulen und Bewertungen in Bildungs- und Ausbildungsinstituten) hat SentiMind bereits mehr als 3 Millionen echte anonymisierte kognitive Verhaltensdaten, eine Bibliothek von mehr als 500 spielerischen kognitiven Aufgaben und das große kognitive Verhaltensmodell V1.0 angesammelt.

„Mit dem Gesetz des ‚Erschöpfens der Energie‘ echter Menschen trainieren wir das Steuerungsmodell des Roboters, „nach seinen Fähigkeiten zu handeln“, was durch reine Roboterdaten nicht nachgebildet werden kann“, erklärte Gründer Zhang Zhong.

Derzeit hat das zugrundeliegende ToB-Geschäft von SentiMind den geschlossenen Kreislauf an mehreren öffentlichen Schulen und führenden Bildungs- und Ausbildungsinstituten in Hefei realisiert. Diese kommerziellen Szenarien liefern dem Unternehmen nicht nur einen gesunden Cashflow, sondern werden auch zu einer „Waffenfabrik“, die ständig seltene Daten produziert, um das Training und die Iteration des kleinen kognitiven Modells auf der Endgeräteseite zu unterstützen.

Das „Eisendreieck“ aus Spitzenakademie, Ingenieurwesen und Geschäft

Um die extrem lange und komplexe Kette „Hirnwissenschaft – großes Modell – Endgerätehardware“ zu durchbrechen, ist ein Team mit starken übergreifenden Fähigkeiten unverzichtbar. Derzeit hat SentiMind ein „Eisendreieck“ aufgebaut, das aus Wissenschaftlern, Ingenieuren und Geschäftsmanagern besteht:

· Akademische Seite: Unterstützt von relevanten Professoren des Staatlichen Schlüssellabors für kognitive Neurowissenschaft und Lernen der Tsinghua-Universität und der Peking-Normal-Universität, um die absolute wissenschaftliche Gültigkeit des zugrundeliegenden kognitiven Paradigmas zu gewährleisten;

· Ingenieurseite: Lü Gang, CTO, ehemaliger CTO der BTG Group, verfügt über 20 Jahre Erfahrung in der Architektur komplexer Systeme und ist dafür verantwortlich, die umfangreichen hirnwissenschaftlichen Algorithmen zu verkleinern, zu quantisieren und an Chips auf der Endgeräteseite anzupassen;

· Geschäftsseite: Mei Jian, COO, MBA der Tsinghua-Universität, hat bekannte Marken wie das 8848-Handy und Xiaoguantea geleitet und ist für die Kommerzialisierung des zugrundeliegenden Modells und die skalierte Erweiterung der Vertriebskanäle verantwortlich.

Schlusswort

Derzeit befindet sich SentiMind an einem kritischen Knotenpunkt des Übergangs von „Softwarealgorithmen“ zu „Anpassung von Chips auf der Endgeräteseite“. Das Unternehmen startet offiziell eine neue Angel-Finanzierungsrunde. Diese Mittel werden schwerpunktmäßig für die Einstellung von eingebetteten KI-Architekten, die Fertigstellung der quantisierten Verpackung des 1-3B kleinen kognitiven Modells und die Zusammenarbeit mit führenden Roboterherstellern zur Durchführung von Echtgerätevalidierungen verwendet.

In dem Billionen schweren Sektor der verkörperten Intelligenz sind große Modelle die Muskulatur, VLA die Nerven, und SentiMind möchte der „Präfrontale Kortex des Gehirns“ werden, der die Obergrenze der geistigen Fähigkeiten von Robotern bestimmt.