共同见证每一次成长和脱变

复旦师生Pre-A轮融资超10亿，想让AI懂人的情绪与处境

复旦大学科研团队创立的模思智能公司，近日完成超过10亿元人民币的Pre-A轮融资，由华控基金联合领投，主要投资方包括国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金等，原有股东元禾控股、上海国投旗下上海科创集团、星连资本等继续跟投。这笔资金将用于全模态实时交互系统的研发和全球商业化落地。

人的情绪变化，比如喜怒哀乐忧惧，对人工智能来说是否重要？当人们交谈时，会留意对方的语气、停顿和表情，试图理解真实想法。但交流被转化为提示词文本后，许多情绪信息就会丢失。模思智能由复旦大学特聘教授、上海创智学院副院长邱锡鹏创办，这家公司一直关注AI的情绪感知能力。

模思智能CEO李世民认为，AI要理解用户意图，需要将用户所说内容、周围环境以及历史交互联系起来，情绪是其中一种情境信号。例如用户突然结束与AI对话，可能是任务完成，也可能是AI答错导致不耐烦，这种反馈隐藏在语音、语气和更广泛的情境中。他们追求的“情境智能”，是让AI持续理解现场：谁在场、之前发生了什么、当前环境如何、人正在做什么、接下来可能做什么。但完全实现这种智能感知和预测仍有诸多挑战，因此模思智能选择先将交互模型作为工程化入口——让模型能理解、生成语音和视频等多模态信息，并实现实时交互，这套系统命名为MOSS Live。

早在2023年初，邱锡鹏团队推出类ChatGPT的语言模型MOSS，迅速登上热搜受到广泛关注。当时有投资机构邀请他们创业，但团队未立即行动。同年，团队研发了端到端语音大模型SpeechGPT，尝试让模型理解和生成语音，并保留声音中的情绪、语速、音色等信息。2024年开发的AnyGPT，探索让模型处理更多模态信息。沿着这一研究路径，情境智能的目标逐渐清晰。要实现这一目标，模型必须进入现实情境，在现场获得客户真实反馈，以反哺模型。2024年底，团队正式孵化创业，成立模思智能，由SpeechGPT核心作者、年轻的复旦博士李世民担任CEO。

李世民表示，过去半年多，模思智能团队发布并迭代了20多个模型版本，包括语音生成、音频理解、视觉理解等。他讲述了与B端客户共同打磨交互模型的经历，强调真实情境的需求不同于学术指标，客户要求准确、快速且成本低廉，这些约束改变了模型架构和推理框架。至于当前热门的AI for AI，他认为这不是新事物，也不是壁垒，许多团队早已用AI加速模型研发。单点模型的领先可能很快被超越，但如果模型能快速进入产品，真实场景反馈又能转化为下一轮训练材料，系统迭代速度可能拉开差距。

关于模思智能为何强调“情境智能”，李世民解释，情境比大模型中的“上下文”更泛化，包括真实物理环境中的人、物、事件及其时空关系。例如找钥匙的场景，如果AI能持续接受环境视频流，就能知道钥匙被放置的位置。拥有情境智能的AI回答问题，依赖此前积累的情境感知能力，而非提问瞬间的信息。他提到，下一个AI会从“回答问题”走向“持续在场”，能边看、边听、边接收信息并给出反馈。全模态实时交互正是解决这一问题的关键。

李世民举例说明全模态实时交互与普通语音助手的区别：比如在车内有人说“有点冷”，仅语音识别无法理解意图，但真正的交互智能会考虑车内温度、说话人身份、车辆状态和用户偏好，判断是描述感受还是需要调节空调。他强调，他们真正关心的是AI能否理解现场。

邱锡鹏团队从语言模型MOSS转向语音理解和生成模型，再加入视频，都是为了接近情境智能目标。李世民说，创立模思之初，他们对情境智能的描述是：AI能充分感知、理解复杂物理情境，并在交互中持续提升模型能力。最初强调前半句，从语音入手让模型听懂语气和情绪；2025年语音模型领先，开始集成视觉理解；现在更强调后半句，即“在交互中持续提升模型能力”。

对于多模态交互模型的进展，李世民提到MOSS Live是一套实时交互系统，包含交互模型和能动性模型。交互模型持续看、听、说，理解人和环境；能动性模型负责复杂推理、工具调用和任务执行。模思智能还开发了视频生成模型，因为理解与生成相互促进，底层有共通积累。

实现理想情境智能的难点包括：对音视频流的持续理解与双工交互、记忆能力、意图理解与规划，以及从真实交互反馈中改进。这些问题尚未被很好解决。

在商业化方面，模思智能主要接触智能终端客户，如智能座舱和AI智能硬件。客户要求模型理解用户说话内容，结合语气、环境和历史交流判断意图，并具备Always-on体验。李世民认为，语音赛道仍有很大机会，新技术能力提升会解锁新需求。他们计划通过模型能力和基础设施优势降低成本，实现商业化。目前B端业务逐渐成熟，已交付部分项目，本轮融资完成后C端业务预计有较大起色。

关于AI for AI技术，模思智能早在数据处理、标注和质量评估环节就大量使用模型。例如训练多说话人语音生成模型时，他们自研轻量级模型进行数据标注。理解模型不仅标注数据，还评判生成内容质量，生成结果反过来验证理解模型能力。这套数据管线比常见方案效率提高两到三倍，模型迭代速度很快。

李世民认为，AI for AI本身不是壁垒，关键在于能否将AI融入多模态数据和模型迭代的全流程。单点模型领先可能被迅速超越，但实时多模态交互需要语音、视觉、视频、理解、生成、推理系统、真实场景和数据管线协同推进。模型快速接入系统、真实场景数据回流并成为训练材料，这些环节持续运转，能放大系统迭代速度。

模思智能目前200多人，约3/4是研发人员。李世民表示，虽然人才密度高，但公司不是实验室，而是要走通商业闭环的企业。研发占比高是为了打通研究、模型和产品，客户需求会反过来影响模型架构和推理框架，促使他们提供更低成本、高效率的模型。他期望模思智能成为AI与真实物理世界交互的基础设施，类似于电影《Her》中的AI助手，能充分理解情境，实现智能、实时、连贯的交互。