当一家新加坡的AI创业公司宣布完成4000万美元的C3轮扩展融资，并将其整个C轮融资总额推高至1亿美元时，市场首先注意到的是其投资者名单的“含金量”——招商国际（CMBI）、三井住友银行（SMBC）亚洲成长基金、泰国开泰银行旗下Krungsri Finnovate、新加坡电信旗下Singtel Innov8、现代汽车集团，以及博世创投、港铁旗下MTR Lab等一众产业资本和金融巨头赫然在列。

但真正让行业观察者感到震撼的，不是这笔钱的数量，而是这家公司——Whale——所做的事情：它正在用一套名为“AI操作系统”（AIOS）的平台，将摄像头、传感器和麦克风变成企业运营的“眼睛、耳朵和大脑”，让物理世界中的每一个动作——顾客在货架前的停留、销售人员的每一句对话、工厂流水线上的每一次震动——都变成可以被AI理解、分析和执行的数字信号。

这听起来像是科幻小说里的场景，但Whale已经服务了超过1600家企业客户，覆盖45个国家，管理着超过60万个边缘AI节点。它的核心秘密武器是一个花费了整整七年时间训练的“商业世界模型”（Business World Model，简称BWM）——一个专门用来解读物理世界信号的AI模型，就像大语言模型（LLM）处理文本那样。

在这个企业AI赛道日益拥挤、大量公司急于用“AI概念”包装自己的时代，Whale的七年磨一剑显得格外另类。但正是这种“慢”，可能恰恰是它最大的壁垒。

信息摘要

公司名称 Whale
融资轮次 Series C3 Extension
融资金额 $40 million (Series C total: $100 million)
投资方 CMB International (via CMBI AI & Frontier Tech Fund), SMBC Asia Rising Fund, Krungsri Finnovate, Singtel Innov8, Hyundai Motor Group, Charisma Partners; earlier participants include Bosch Ventures, MTR Lab, MDI Ventures, Gentree Fund, Linear Capital
官网 https://whale.ai

行业痛点与底层逻辑：为什么企业运营的“最后一公里”如此难以数字化？

在谈论Whale之前，我们需要先理解一个困扰企业数字化领域数十年的根本性难题：物理世界与数字世界之间的鸿沟。

过去二十年，企业数字化转型经历了几个清晰的阶段。首先是“流程数字化”——ERP、CRM、HRM等系统将企业的财务、客户关系、人力资源等核心业务流程搬到了线上。然后是“数据中台”和“商业智能”——企业开始收集和分析结构化数据，试图从中发现规律。最近则是“AI赋能”——大语言模型让文本处理、代码生成、客服对话等场景实现了质的飞跃。

但所有这些努力，几乎都集中在已经数字化的信息上。一个残酷的现实是：企业运营中大量最有价值的信息，从未被数字化过。

想象一下一个典型的零售门店场景。店长每天早上打开电脑，可以看到昨天的销售额、库存周转率、会员复购率等报表数据。但他不知道：今天上午10点到11点之间，有多少顾客在某个促销堆头前停留了超过30秒？那位连续三天没有开单的销售顾问，在接待客户时到底说了什么话导致客户转身离开？新上架的冬季外套在哪个陈列位置最吸引目光？这些问题的答案，隐藏在摄像头画面、音频记录和传感器信号中，但传统IT系统根本无法捕捉和分析它们。

这就是企业运营的“最后一公里”问题。企业已经拥有了大量的“结果数据”（销售额、利润、客单价），但严重缺乏“过程数据”（顾客行为、员工表现、环境状态）。没有过程数据，管理者就只能凭经验猜测问题出在哪里，或者等到问题积累成灾难性后果时才后知后觉。

更糟糕的是，即使企业想要收集这些过程数据，传统方案也存在着巨大的技术瓶颈。传统的视频监控系统只能录制画面，需要人工回看才能发现问题，效率极低且成本高昂。一些初级的计算机视觉方案可以识别特定事件（比如“有人闯入禁区”），但它们只能处理预设的、规则明确的场景，无法理解复杂的商业语境。而音频分析、传感器融合等技术，更是长期停留在实验室阶段，难以在真实商业环境中大规模部署。

另一个被忽视的痛点是边缘计算与云端的平衡。一家连锁零售企业可能有数千家门店，每个门店部署数十个摄像头和传感器。如果将所有视频流都传输到云端处理，带宽成本将高得令人窒息，而且网络延迟会导致实时分析几乎不可能。但如果全部在本地处理，又面临算力不足、模型更新困难、数据孤岛等问题。

Whale的创始人兼CEO Jerry Ye在多个场合提到过一个关键洞察：“企业运营的复杂性在于，物理世界中的每一个信号都不是孤立的。一个顾客在货架前的犹豫，可能受到天气、当天促销活动、社交媒体趋势、甚至前一晚电视广告的共同影响。传统AI方案只能看到片段，而我们需要的是一种能够理解完整商业场景的‘世界模型’。”

这个洞察，正是Whale选择花费七年时间构建BWM的底层逻辑。它不是要做一个更好的“视频分析工具”或“语音识别系统”，而是要打造一个能够像人类店长那样“理解”整个商业场景的AI——只不过，这个AI可以同时“看”几千家门店，并且永远不会疲劳。

技术创新与核心架构：七年磨一剑的“商业世界模型”

Whale的技术架构可以用一个词来概括：全栈式物理智能闭环。它不是一个单一的产品，而是一个由六个核心产品组成的完整平台，覆盖了从物理信号采集、到智能分析、再到自动化执行的每一个环节。

商业世界模型（BWM）：AI的“通感”能力

BWM是Whale技术体系的核心。与传统AI模型专注于单一模态（比如只处理图像、或只处理文本）不同，BWM被设计为一种多模态融合模型，能够同时理解摄像头画面、IoT传感器数据和音频信号，并将它们映射到一个统一的商业语义空间中。

这个模型的训练过程极其复杂。Whale的团队花了七年时间，从真实的商业场景中收集了海量的多模态数据——包括零售门店、汽车展厅、工厂车间、餐厅厨房等不同环境下的视频、音频和传感器记录。更重要的是，他们不仅收集数据，还对这些数据进行了精细的商业语义标注。例如，一个视频片段不仅被标注为“有人在走动”，还被标注为“顾客在促销堆头前停留超过15秒，随后拿起商品查看标签，最终放回货架离开”。这种级别的语义理解，需要大量商业领域专家的参与，也是Whale最难以被复制的护城河之一。

BWM的另一个关键特性是边缘-云协同架构。在边缘端，Whale部署了轻量级的推理引擎，能够在本地摄像头或IoT网关上实时处理视频流和传感器数据，只将关键的“事件摘要”和“异常信号”上传到云端。这种设计使得单个门店的带宽消耗降低了90%以上，同时保证了实时响应的能力。在云端，BWM的大模型版本则负责进行更复杂的跨店、跨区域分析，以及模型的持续迭代和更新。

六款产品：从“看见”到“行动”的完整闭环

Whale的平台由六款产品组成，它们共同构成了一个从物理感知到智能执行的完整闭环：

  1. SpaceSight（空间视觉）：这是Whale的“眼睛”。它能够将门店、展厅、工厂等物理空间中的摄像头和IoT传感器，转化为实时的运营智能。具体来说，它可以追踪客流、分析顾客的停留时间（dwell time）、识别顾客与产品的互动行为（比如拿起、触摸、试穿）、监控商品陈列合规性（比如某个SKU是否被摆放在正确的位置）。SpaceSight的输出不是简单的“有人经过”，而是“今天下午3点，女性顾客在美妆区的平均停留时间比昨天同期增加了23%，主要原因是新上架的精华液试用装吸引了更多互动”。

  2. Echo（回声）：这是Whale的“耳朵”。它专注于分析一线销售人员的对话。通过部署在门店的麦克风（或集成到员工佩戴的工牌中），Echo能够实时转录和分析销售对话，识别出高绩效销售人员的“话术模式”——比如他们如何在开场白中建立信任、如何应对客户的拒绝、在什么时机提出成交请求。然后，Echo会将这些最佳实践提炼成可规模化的培训内容，帮助其他销售人员提升技能。对于连锁企业来说，这意味着“金牌销售”的经验不再只存在于少数人的脑子里，而是可以被系统性地复制到每一个门店。

  3. Lume（流明）：这是Whale的“内容分发引擎”。它利用AI来优化和管理企业在门店、官网、APP等渠道上的内容展示。例如，它可以基于SpaceSight提供的客流数据，自动调整门店数字标牌上播放的广告内容——当检测到有年轻女性顾客走近时，自动切换为适合她们的产品推荐。

  4. Alivia（艾莉维亚）：这是Whale的“执行手臂”。它是一个工作流自动化和智能代理平台。基于前三个产品提供的洞察，Alivia可以自动触发一系列操作。比如，当SpaceSight检测到某个货架缺货时，Alivia可以自动向仓库管理系统发送补货请求；当Echo发现某位销售人员在客户沟通中犯了常见错误时，Alivia可以自动向其推送针对性的培训视频。

  5. Harbor（港湾）：这是Whale的“知识库”。它负责管理企业的运营知识、合规文档和最佳实践。Harbor不仅是一个存储系统，更是一个智能检索和合规监控平台。例如，它可以确保所有门店的运营操作都符合最新的卫生或安全规范，并在出现违规时自动告警。

  6. Novus（诺维斯）：这是Whale的“基础设施层”。它负责管理AI模型的生命周期、数据治理和边缘设备的运维。对于大型企业客户来说，Novus提供了对AI系统进行集中管控和审计的能力，确保数据安全和合规性。

这六款产品的整合，构成了Whale所谓的“AI操作系统”（AIOS）。它不是一套独立的工具，而是一个能够自我进化的智能系统：SpaceSight和Echo负责感知，Lume和Alivia负责决策和执行，Harbor负责记忆，Novus负责管理。它们之间的数据流是双向的、实时的，形成了一个持续优化的闭环。

技术壁垒：为什么七年时间如此重要？

在AI领域，七年是一个极其漫长的时间。大多数AI创业公司会在成立后的12-18个月内推出第一个产品，然后根据市场反馈快速迭代。Whale的七年，意味着它在产品商业化之前，就已经投入了巨大的资源进行底层模型的训练和打磨。

这种“慢”带来的优势是显著的。首先，BWM的训练数据覆盖了极其丰富的真实商业场景。Whale的团队在零售、汽车、餐饮、制造、金融等多个行业积累了超过60万个边缘节点的数据，这意味着BWM见过的“商业场景”比任何竞争对手都要多。其次，七年的持续迭代意味着Whale的团队已经解决了大量在真实部署中才会遇到的工程难题——比如如何在低带宽、高延迟的网络环境下保持模型的实时性，如何在不同光照条件、不同摄像头角度下保持识别的准确性，如何在不同国家的文化背景下理解顾客行为的差异。

一位参与投资的产业资本高管在内部评估中写道：“Whale的BWM不是实验室里训练出来的模型，而是在数千家门店的真实运营中‘长’出来的。这种数据和场景的积累，不是靠砸钱就能在短期内追上的。”

商业模式与市场竞争：从“卖工具”到“卖结果”

Whale的商业模式，与其技术架构一样，体现了一种深刻的行业洞察：企业客户不愿意为“AI技术”买单，但愿意为“运营效率提升”和“收入增长”买单。

订阅制与效果付费的混合模式

Whale的主要收费模式是SaaS订阅制，根据客户部署的节点数量（摄像头、传感器数量）和使用的产品模块来定价。但与传统SaaS公司不同的是，Whale越来越倾向于采用“效果付费”的定价模式。例如，对于零售客户，Whale会承诺通过其平台帮助客户提升某个关键指标（比如客单价、转化率、员工人效），然后按照实际提升的效果来收费。

这种模式对客户来说极具吸引力——它降低了采购风险，让客户从“购买一个不确定的技术工具”转变为“购买一个确定的业务结果”。对Whale来说，这既是压力也是动力：它迫使Whale必须真正理解客户的业务，并确保其平台能够产生可量化的商业价值。

客户画像与行业深耕

Whale的客户覆盖了零售、汽车、餐饮、制造和金融服务五大行业。这些行业有一个共同点：它们都拥有大量的物理触点，且运营效率对收入和成本有直接影响。

以汽车行业为例，一家汽车品牌的4S店展厅，每天可能有数十组客户到访。销售顾问如何接待每一组客户？哪些话术最有效？客户在哪个车型前停留最久？这些问题传统上只能依靠店长的经验判断。Whale的SpaceSight和Echo组合，可以精确地追踪每一个客户的展厅动线，分析每一段销售对话，然后生成“最佳接待流程”建议。现代汽车集团之所以成为Whale的投资方，正是因为看到了这种技术在其全球经销商网络中的巨大应用潜力。

在零售行业，Whale的客户包括一些全球知名的连锁品牌。通过SpaceSight，这些品牌可以实时了解每个门店的客流转化率、热区分布、商品互动率等关键指标。更重要的是，Whale可以跨门店、跨区域进行对比分析，帮助总部发现“为什么A门店的转化率比B门店高出30%”，然后快速将A门店的成功经验复制到其他门店。

竞争格局：与巨头和创业公司的多维竞争

Whale所处的赛道——企业AI运营智能——正在变得越来越拥挤。它的竞争对手可以分为三类：

第一类：科技巨头。亚马逊的AWS、微软的Azure、谷歌云都在提供AI视觉和IoT服务。但巨头的劣势在于：它们提供的是通用平台和工具，客户需要自己集成、训练和部署模型，技术门槛高且实施周期长。Whale的优势在于其“开箱即用”的行业解决方案，以及端到端的服务能力。

第二类：垂直AI创业公司。市场上有一批专注于“门店AI”或“零售分析”的创业公司，比如美国的Standard Cognition、以色列的Trax等。这些公司通常只解决单一场景的问题（比如无人零售、货架分析），而Whale的AIOS覆盖了从感知到执行的完整闭环，并且横跨多个行业。此外，Whale的BWM多模态能力也是一个关键差异点——大多数竞争对手只能处理视频或只能处理音频，而Whale可以同时理解两者。

第三类：传统IT服务商。像埃森哲、IBM这样的传统IT服务商也在帮助企业进行数字化转型，但它们更多是提供咨询和集成服务，而非自有的AI平台。Whale与它们的关系更多是合作而非竞争——Whale的平台可以作为传统IT服务商交付方案的一部分。

Whale最核心的竞争壁垒，仍然是其七年积累的数据和模型。一位行业分析师指出：“在AI领域，数据飞轮效应非常明显。Whale已经拥有超过60万个边缘节点，每天产生海量的真实运营数据。这些数据反过来又用于训练和优化BWM，使得Whale的模型越来越准确。后来者即使有同样的技术能力，也需要花数年时间才能积累同等规模和质量的数据。”

战略发展与关键挑战：从“东南亚冠军”到“全球玩家”

Whale的C3轮融资，明确指向了一个战略目标：全球化扩张。这家总部位于新加坡的公司，此前已经在亚太地区建立了稳固的客户基础，现在它要将触角伸向北美、欧洲、中东和北非。

扩张路径与战略重点

根据Whale的规划，北美和亚太是下一阶段的核心市场。北美是全球最大的企业软件市场，也是AI技术采纳率最高的地区之一。Whale在北美将面临更激烈的竞争，但也拥有更大的市场空间。亚太市场则是Whale的大本营，它计划进一步深耕日本、韩国、东南亚等市场，利用其本地化优势和投资者网络（三井住友银行、现代汽车、新加坡电信等）来加速客户获取。

中东和北非市场被列为第二梯队目标。这些地区正在经历大规模的经济转型，对AI技术的需求快速增长，且竞争相对不那么激烈。欧洲市场则被列为后续目标，主要原因是欧洲对数据隐私和AI监管的要求更为严格，Whale需要更多时间来确保其平台符合GDPR等法规。

关键挑战：规模化、竞争与人才

尽管Whale拥有明显的技术优势，但它面临的挑战同样不容忽视。

第一个挑战是规模化部署的复杂性。Whale的平台需要与客户现有的IT基础设施（摄像头、传感器、网络、ERP系统等）进行深度集成。在不同国家、不同行业、不同规模的客户中，这种集成的复杂度呈指数级增长。Whale需要建立强大的本地化实施团队，或者找到可靠的系统集成合作伙伴。

第二个挑战是竞争加剧。随着企业AI赛道的持续升温，越来越多的资本和人才涌入这个领域。Whale的七年先发优势是真实存在的，但竞争对手也在快速追赶。特别是，如果某个科技巨头决定将“物理世界AI”作为战略重点，它可能会投入数十亿美元来快速构建类似的能力。

第三个挑战是人才争夺。Whale需要同时具备AI技术、商业理解和行业知识的复合型人才。这类人才在全球范围内都极度稀缺，而Whale作为一家新加坡公司，在吸引顶尖AI人才方面面临着来自硅谷和北京科技巨头的激烈竞争。

第四个挑战是盈利压力。Whale已经完成了C轮融资，这意味着它需要向投资者证明其商业模式的可扩展性和盈利能力。效果付费模式虽然对客户友好，但也意味着Whale需要承担更多的风险——如果客户没有实现预期的效果，Whale的收入就会受到影响。

未来12-18个月的里程碑

对于Whale来说，未来12-18个月有几个关键的观察指标：

  1. 北美市场的客户获取速度：Whale能否在北美签下几个标志性的大客户？这将直接验证其产品在成熟市场的竞争力。
  2. BWM的持续进化：Whale能否在保持模型准确性的同时，降低部署成本和推理延迟？这将决定其平台能否进入更广泛的客户群体。
  3. 合作伙伴生态的建设：Whale能否与全球主要的系统集成商、云服务商和硬件厂商建立深度合作？这将决定其规模化扩张的速度。
  4. 财务指标的改善：Whale的毛利率、客户留存率和单位经济模型是否在持续改善？这将决定其能否在下一轮融资中获得更高的估值。

核心判断：Whale的七年积累为其构建了难以复制的数据和场景护城河，但企业AI运营智能赛道的竞争正在从“技术竞赛”转向“规模化竞赛”。未来12-18个月，Whale能否在北美市场证明其产品的普适性和可复制性，将决定它能否从一家“东南亚冠军”成长为真正的“全球玩家”。核心观察指标包括：北美大客户签约数量、BWM在跨行业场景中的泛化能力、以及合作伙伴生态的扩张速度。