当一项投行尽调任务需要同时打开财务模型、法律意见书、行业数据库和邮件客户端，在十几个工具之间反复切换、交叉验证、形成判断，最后输出一份经得起合规审查的交付物时，通用大模型的表现往往并不像演示中那样从容。单次问答的准确率可以很高，但把任务链条拉长到几十步甚至上百步之后，逻辑漂移、误差累积和执行不稳定开始出现。Harvey LAB 在严格 All-Pass 标准下给出的公开结果是：领先模型的完整任务通过率接近 20%。也就是说，在最严苛的专业交付口径下，五道题里能完整做对一道，已经代表当前前沿水平。
这正是羲悉智能选择切入的位置。在浦江创新论坛上，这家以 AI NEO LAB 为英文名的公司首次公开亮相，并宣布完成数千万元人民币种子轮融资。创始人蔡炎松给出的判断是：“AI已经具备非常强的生成和推理能力，但在严肃工作场景中，真正的挑战是能否像人类专家一样，持续、可靠地将一项复杂长程任务稳定交付。”他没有把问题定义成“模型不够大”，而是指向了另一个方向：模型缺少一套能够沉淀经验、并在后续任务中调用经验的记忆机制。
这个判断背后，是蔡炎松从计算神经科学到产业系统的长期路径。他曾任新加坡科技研究局类脑计划项目子课题负责人、华为 2012 实验室类脑计算组算法首席专家、中国电子科技集团首席专家及南湖研究院类脑实验室主任，并入选中国“千人”领军人才。2024 年世界互联网大会期间，他发布了国内首个类脑医疗大模型“脑启-素问”，据公开信息在 CMB-Exam 评估中夺冠；2025 年，其技术应用于“栖心”心理大模型。从医疗到心理陪伴，再到现在的专业长程任务，这条线都围绕同一个问题：如何让 AI 不只是生成答案，而是持续完成任务。
| 字段 | 内容 |
|---|---|
| 公司 | 羲悉智能（AI NEO LAB） |
| 轮次 | 种子轮 |
| 金额 | 数千万元人民币（具体金额未披露） |
| 投资方 | 未披露 |
| 总部 | 上海杨浦区长阳创谷智脑工场孵化器（据入驻孵化器信息） |
| 创始人 | 蔡炎松 |
| 官网 | https://xisiid.com/ |
用“记忆”替代“上下文”来对抗长程任务衰减
羲悉智能提出的路线叫 BI4AI，全称 Brain-inspired Intelligence for Artificial Intelligence。按照公司披露，这一路线借鉴生物智能在认知、记忆、学习和反馈中的系统机制，目标是推动 AI 从“以计算为中心”走向“以记忆为中心”。这个表述如果停留在概念层面，并不比“认知智能”或“自主智能体”更有信息量。真正让它区别于一般大模型 Agent 方案的，是羲悉智能把“记忆”落到了具体的系统架构上：System 1 和 System 2 双系统。
System 1 负责高频任务的快速执行，采用自研轻量化专用模型。值得注意的不是“轻量化”本身，而是它在模型内部表征层面引入向量化交互。传统智能体通常依靠自然语言上下文完成模块协作，任务链条越长，输入文本越多，Token 消耗和信息损失随之增加。羲悉智能称，向量化交互的目标是让不同模块之间直接传递信息，降低多模块协作中的延迟和损耗。这个设计针对的是当前 Agent 系统的一个真实瓶颈：自然语言作为模块间接口，既冗余又容易在长链条中丢失关键约束。
System 2 是一套面向真实任务的层级化经验记忆网络。据公司披露，它既保存知识信息，也记录业务流程、判断准则和试错路径。面对非标准化任务，系统能够自主检索历史经验，形成决策约束与指引。两个系统根据真实任务反馈，形成“执行—反馈—泛化—固化”的持续学习过程。评估验证、门控筛选和状态回退机制贯穿其中，用于控制系统的学习和进化过程。
从已披露的架构描述看，羲悉智能试图解决的是一个工程上非常具体的问题：通用大模型在长程任务中缺乏可累积、可检索、可回退的任务记忆。自然语言上下文是“一次性”的，任务结束即消失；而羲悉智能想做的，是把任务过程中形成的判断和试错路径沉淀为可复用的经验表征。这个方向与检索增强生成有交集，但更强调经验的结构化和持续固化。需要指出的是，目前公开材料只描述了架构意图，没有披露记忆网络的规模、检索机制、固化策略的技术细节，也没有第三方对其效果进行独立验证。
300 亿参数对标万亿参数：一个需要谨慎解读的评测结果
羲悉智能披露了一个关键数据点：据公司称，搭载约 300 亿参数自研模型的智能体基座系统，在部分复杂专业任务的榜单评测中，取得了与超过万亿参数的前沿大模型相当的得分。如果这一结果能够在独立、可复现的评测中得到验证，它意味着羲悉智能在特定任务上实现了数量级的参数效率优势。但“据公司称”是这句话不可省略的限定。
需要厘清的是，这个结果来自“部分复杂专业任务的榜单评测”，并非全面对标。部分榜单、部分任务、部分指标上的“相当”，与整体能力上的“相当”之间存在显著差距。一个 300 亿参数模型可能在特定垂直任务上通过针对性训练和记忆机制达到与万亿参数模型相近的表现，但在开放域推理、知识广度和泛化能力上是否同样接近，来源材料没有提供任何数据。此外，评测的具体榜单名称、任务范围、评分口径和对比基线均未披露，因此无法判断“相当”的含金量。
从技术逻辑看，这个结果并非不可解释。如果羲悉智能的 System 2 记忆网络能够在评测任务中提供高度相关的历史经验和决策约束，那么模型本身需要“从零推理”的部分就会减少。这类似于一个熟悉特定业务流程的初级分析师，在拥有完善模板和案例库的情况下，可能比一个不熟悉该流程的资深通才更快产出合格交付物。但这也意味着，其优势可能高度依赖于记忆库的覆盖范围和质量，而非模型本身的通用能力。一旦任务超出经验库的分布，表现是否会快速回落，是当前材料无法回答的问题。
本地私有化部署是专业场景的入场券，也是成本约束
羲悉智能强调其基座系统支持完全本地私有化部署。对于金融投行、涉外法律和复杂企业运营管理这类场景，数据不出域往往不是可选项，而是合规底线。客户不会把未公开的交易结构、法律意见或内部经营数据发送给第三方大模型 API。因此，本地部署能力是进入这些市场的必要条件。
但“支持完全本地私有化部署”这句话本身包含着一个需要拆解的成本问题。一个 300 亿参数模型加上层级化经验记忆网络，在本地环境中的推理成本、硬件要求和运维复杂度，来源材料均未披露。对于大型机构，部署一套本地化 AI 系统的预算和 IT 能力不是障碍；但对于中小型专业服务机构，私有化部署的初始投入和持续运维成本可能构成实质性门槛。羲悉智能的种子轮资金为数千万元人民币，这笔钱在支撑技术研发的同时，能否覆盖多个行业共创项目的交付和定制成本，是一个现实的约束。公司称正与多家专业机构开展共创探索，但未披露具体客户名称、合作深度或付费安排。共创探索与商业合同之间的距离，是这家公司接下来必须跨越的鸿沟。
投资方隐身与资本结构的不确定性
本轮融资的投资方未披露。在种子轮阶段，这并不罕见，尤其是当公司希望避免过早暴露战略投资方的行业属性，或者投资方本身不希望被公开关联到特定赛道时。但投资方的缺席让外部难以判断这轮融资的性质：是财务投资机构主导，还是产业资本主导，抑或是政府引导基金参与。不同性质的资金对公司的战略约束、资源导入和后续融资路径影响截然不同。
从羲悉智能的团队背景看，蔡炎松的履历横跨新加坡科研机构、华为、中国电科和南湖研究院，这类创始人在获取政府背景资金和产业资源方面通常具备一定优势。但来源材料没有提供任何关于投资方的信息，任何关于资本结构的推断都缺乏事实基础。唯一可以确认的是，数千万元种子轮对一家要同时推进底层架构研发、行业共创和本地化部署的 AI 公司来说，资金窗口并不宽裕。按照当前 AI 行业的人才成本和算力成本，这笔钱大概率不足以支撑超过 12 至 18 个月的密集研发和多行业并行验证。
专业长程任务赛道：评价标准正在从“会答”转向“能交付”
羲悉智能所处的赛道，正在经历评价标准的迁移。过去两年，大模型的竞争焦点是单次问答质量、静态跑分和通用能力榜单。但金融投行、管理咨询和涉外法律等专业场景的采购方，关心的不是模型在 MMLU 上多拿几分，而是一个任务从接收到交付的完整闭环能否稳定完成。APEX-Agents 评估跨应用复杂任务，Harvey LAB 关注专业法律成果交付能力，这些评测的出现本身就说明，行业正在建立新的度量衡。
在这个标准下，通用大模型厂商和垂直 Agent 公司站在同一条起跑线上，甚至垂直公司可能更有优势。原因在于，长程任务交付的瓶颈往往不在模型生成能力，而在任务拆解、状态管理、工具调用和经验复用。这些都是可以在垂直场景中通过工程化手段积累的壁垒。羲悉智能的 System 2 记忆网络，本质上是在试图把“经验复用”变成一种系统能力，而非依赖提示词工程或外部知识库的拼接。
但竞争格局并不清晰。来源材料未披露羲悉智能的直接竞争对手，也未说明其与现有法律 AI、金融 AI 或通用 Agent 平台之间的差异化边界。Harvey 在法律 AI 领域已经建立了品牌认知和客户基础，金融领域则有众多深耕多年的垂直厂商。羲悉智能的类脑路线在学术叙事上有独特性，但在客户采购决策中，技术路线的独特性远不如交付质量和成本结构重要。一个值得关注的问题是：当客户面对一个 300 亿参数的类脑系统和一套基于万亿参数通用模型的成熟 Agent 方案时，羲悉智能用什么来证明前者的长期价值？
从“脑启-素问”到羲悉智能：技术迁移的连续性与断裂点
蔡炎松的过往项目为理解羲悉智能提供了重要参照。2024 年的“脑启-素问”是国内首个类脑医疗大模型，据公开信息在 CMB-Exam 评估中夺冠；2025 年的“栖心”心理大模型则进入情绪陪伴场景。这两个项目都带有鲜明的类脑技术标签，但医疗考试评测和心理陪伴与金融投行、法律尽调之间存在本质差异。前者可以容忍一定程度的模糊性和非确定性，后者对精确性、可追溯性和合规性的要求接近苛刻。
从医疗到专业服务，技术底座或许可以复用，但产品形态、交付标准、客户预期和销售周期都需要重新构建。一个在医疗评测中表现优异的模型，不会自动成为一个合格的法律尽调工具。羲悉智能的跨学科团队涵盖计算神经科学、类脑计算、大模型算法、认知科学和系统工程，多项研究成果曾发表于 Nature Machine Intelligence 和 IEEE TNNLS 等期刊。学术背景扎实，但专业服务场景的落地能力，需要的是另一套技能组合：对行业工作流的深刻理解、与客户 IT 系统的深度集成能力、以及在高合规要求下的持续交付能力。这些能力无法从论文和评测中直接迁移。
资金用途的模糊性与待验证假设
羲悉智能披露的资金用途只有一句话：主要用于持续技术研发和行业应用共创。这个表述足够安全，但信息量极低。技术研发的具体方向是什么？是继续优化 System 1 的轻量化模型，还是扩展 System 2 的记忆网络能力，或是投入本地化部署的工程化改造？行业应用共创的资源如何分配？金融、法律、企业运营三条线是并行推进还是有所侧重？这些问题的答案将决定这家公司未来 12 个月的发展轨迹。
从已披露信息可以梳理出羲悉智能的核心待验证假设：第一，类脑启发的记忆机制能够在真实专业长程任务中带来可测量的交付质量提升，而非仅在特定榜单上表现优异；第二，300 亿参数模型加记忆网络的组合，在本地部署环境下能够以显著低于万亿参数模型的成本达到客户可接受的交付水平；第三，专业机构愿意为“经验沉淀和持续进化”的能力付费，而非仅仅为单次任务完成付费。这三个假设中，第一个是技术假设，第二个是经济假设，第三个是商业假设。任何一个不成立，都会动摇公司的价值基础。目前，来源材料只提供了第一个假设的初步证据——即公司披露的榜单评测结果，且该结果缺乏独立验证。第二和第三个假设尚无任何公开数据支撑。
从行业演进的视角看，羲悉智能的尝试代表了一个值得关注的方向：当参数规模的边际收益开始递减，AI 系统的竞争焦点可能从“更大的模型”转向“更好的记忆”。但方向正确不等于路径可行。类脑智能在学术上有深厚的理论积淀，在产业上却始终面临一个尴尬：生物大脑的机制可以启发算法设计，但直接模仿生物结构往往不是最优的工程方案。羲悉智能能否在“借鉴生物机制”和“解决工程问题”之间找到平衡，将决定它是一家真正改变专业服务交付方式的公司，还是又一个停留在技术叙事层面的类脑创业项目。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：当通用大模型在长程任务中的通过率被严格标准压到近 20%，问题已经不在“模型会不会答”，而在“系统能不能记住、能不能交付”。羲悉智能把赌注押在记忆机制上，用 300 亿参数对标万亿参数，方向有想象力，但榜单之外的商业验证尚未开始。种子轮的钱够不够烧到第一个付费客户，投资方的沉默何时打破，才是这家公司真正的下一道题。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。