红熊AI再融数亿，押注AI记忆

红熊AI在今天（2026年7月20日）宣布完成数亿元人民币A+轮融资，投后估值接近30亿元人民币。据36氪报道，本轮投资方包括浙江九纬私募基金、嘉兴彰元创业投资以及老股东格睿丰；按照公司披露口径，这也是红熊AI在15个月内完成的第6轮融资。

这笔钱的去向非常明确：继续投入类人大脑基础研究，加速OpenBear通用大模型与MemoryBear记忆科学系统的融合，同时扩大智能客服、智能营销、ChatBI和智能教育四条业务线。

红熊AI此次融资的核心看点，不是又一家创业公司拿到钱，而是资本开始为“大模型记住什么、忘掉什么”单独定价。 在基础模型能力差距逐渐缩小、模型调用成本持续下探之后，企业客户真正愿意付费的能力，正在从“模型能不能回答”转向“模型能不能持续理解同一个客户、同一个项目和同一套业务规则”。

记忆层正在成为大模型的新基础设施

大模型记忆层（Memory Layer）是位于基础模型与应用之间、负责存储、筛选、更新和调用长期信息的系统。 它不等于把全部聊天记录重新塞进上下文，也不只是常见的向量数据库检索，而是要判断哪些信息值得保存、何时调用、何时修正以及何时遗忘。

传统大模型本质上仍是一套“用完即走”的推理系统。 模型参数保存的是训练阶段形成的统计知识，但模型不会因为和某个用户聊过一次，就自动、永久地更新参数；会话中的信息通常只存在于当前上下文窗口，一旦窗口溢出、会话结束或者应用没有额外保存，模型就可能失去此前背景。

扩大上下文窗口只能缓解遗忘，不能替代真正的记忆管理。 把几十万甚至上百万Token的历史记录全部放进提示词，类似每次开会前都要求员工从第一页开始重读公司档案：信息理论上都在，但检索效率、重点识别、延迟和成本都会成为问题。对于采用标准注意力机制的模型，长序列还会带来更高的计算及KV Cache开销；即便模型侧做了稀疏注意力优化，企业仍然需要为输入Token、检索和存储支付成本。

RAG解决的是“从资料库里找答案”，记忆系统解决的则是“持续理解一个对象”。 RAG，即检索增强生成，是在模型回答前从外部知识库找出相关文档，再把文档交给模型生成答案。它适合产品手册、规章制度和内部知识库，但面对不断变化的用户偏好、任务状态、历史决策与多智能体协作，仅有一次性的文档检索并不够。

以企业客服为例，知识库可以告诉模型“退货政策是什么”，长期记忆则要告诉模型“这名客户上周已经投诉过两次、此前承诺由人工经理回访，而且客户不接受优惠券补偿”。后一类信息更加动态，也更容易出现权限、时效性和事实冲突。

OpenBear与MemoryBear怎么分工

红熊AI的技术路线可以概括为“基础模型负责推理，外部记忆系统负责长期状态，Agent负责执行任务”。 其中，OpenBear是公司自主预训练的通用模型，MemoryBear负责记忆的形成、管理与调用，位于两者之上的原生Agent架构则承担任务规划、工具使用和多智能体协作。

OpenBear是红熊AI面向通用任务开发的MoE大模型。 MoE（Mixture of Experts，混合专家）是一种仅为每个Token激活部分专家网络的稀疏架构，目标是在增加模型总参数容量的同时，控制单次推理实际参与计算的参数量。

据公司披露，OpenBear拥有“百万亿级参数规模”，并在模型内部预留了记忆接口与注意力优化模块。不过，这一参数口径需要谨慎理解：MoE模型的总参数量、激活参数量和实际推理成本是三组不同数据，仅公布总参数量无法判断真实能力。红熊AI目前也没有同步披露激活参数规模、训练Token数量、推理吞吐量以及可复现的第三方基准测试，因此不能直接用参数量推导其与主流闭源模型或开源模型的性能差距。

MemoryBear是红熊AI用于管理工作记忆、短期记忆和长期记忆的外部系统。 公司称其设计参考了ACT-R双记忆架构、艾宾浩斯遗忘曲线、激活度模型、语义剪枝以及自我反思机制，试图模拟人类记忆从形成、巩固到衰减的过程。

分层记忆的关键价值是让不同信息拥有不同的保存期限。 用户刚刚提出的临时要求可以进入工作记忆；一个持续数周的项目状态可以进入短期记忆；稳定的代码规范、业务偏好和组织规则则进入长期记忆。相比“不加区分地保存全部记录”，这种设计理论上更有机会降低噪声和无效上下文。

MemoryBear目前披露的主要机制包括：

• 智能语义剪枝： 根据内容相关性、激活程度和时间衰减，删除重复、过时或被新事实覆盖的信息，减少无效Token进入上下文。
• 3D自我反思引擎： 在系统低负载阶段重新检查已有记忆，尝试发现事实冲突和错误归因，并对记忆进行修正。
• 最小化记忆共享： 多个Agent共用记忆中枢，但每个Agent只沉淀完成自身任务所需的信息，其他Agent按需检索。
• 原生记忆接口： OpenBear不把MemoryBear单纯视为外挂数据库，而是在模型设计阶段预留高频交互机制。

红熊AI给出的性能数据很亮眼，但现阶段仍属于公司自报指标。 MemoryBear接入后，公司称基础模型的知识遗忘率低于1%、Token消耗降低25倍、行业歧义预处理率低于1%，幻觉率约为0.2%。这些数字尚缺少测试集规模、对照模型、任务类型、上下文长度和评测方法等信息，尤其“幻觉率”会因事实问答、客服流程、数据分析和开放式生成等场景产生巨大差异。

| 指标 | 红熊AI披露结果 | 判断时需要补充的信息 | |---|---:|---| | 知识遗忘率 | 低于1% | 记忆周期、测试样本量、遗忘定义 | | Token消耗 | 降低25倍 | 对照方案、输入长度、检索开销是否计入 | | 行业歧义预处理率 | 低于1% | “歧义”的标注标准与行业覆盖范围 | | 幻觉率 | 约0.2% | 测试集、事实核验方法、人工评审规则 | | OpenBear参数量 | 百万亿级 | 总参数、激活参数及推理资源占用 |

这些技术指标只有经过公开基准或客户侧审计，才能从宣传数据变成可比较的工程结论。 对开发者而言，最值得关注的不是“25倍”这个单一数字，而是系统能否在数月时间跨度内正确更新事实、处理相互矛盾的记忆，并保证不同用户和不同企业之间的数据隔离。

为什么企业客户愿意为记忆付费

记忆能力最先产生收入的地方，不是通用聊天，而是重复服务同一批客户的企业流程。 客服、营销、商业智能和教育都具有一个共同特点：系统价值依赖长期轨迹，而不是单轮答案。

智能客服是红熊AI目前最容易证明投入产出比的业务。 公司称，其系统能够保留客户的历史对话、购买记录、投诉记录和服务偏好，使合作企业的客户问题一次性解决率提升60%以上，人工客服工作量减少70%。如果这些数据能在大规模部署中稳定复现，记忆系统就不只是提升体验，而是直接影响企业的人力成本和服务指标。

智能营销依赖的不是一次点击，而是用户行为随时间形成的序列。 浏览、加购、购买和历史互动可以被组织为动态画像，再用于生成更匹配用户阶段的营销内容。不过，这也是隐私风险最高的场景之一：企业需要明确用户授权、信息保存周期、敏感字段脱敏以及删除机制，否则“记得更多”可能迅速变成合规负担。

ChatBI是让业务人员通过自然语言查询企业数据的分析工具。 传统BI通常要求用户理解指标口径、数据表关系或者SQL，而带记忆的ChatBI可以继承上一轮对话中的时间范围、地区、产品线和统计口径。例如用户先问“华东区第二季度销售额”，下一句只说“再和去年同期比”，系统仍应知道比较对象和筛选条件。

智能教育是长期记忆最直观、也最难容错的应用之一。 系统需要持续记录学生的知识点掌握程度、错误类型、学习节奏和题目难度，再动态调整学习计划。红熊AI表示，智能教育业务目前已经签约2所大学，预计2026年累计产生约2000万元流水，但教育场景涉及学生数据、评价偏差和建议责任，规模化速度未必会像客服业务一样快。

| 应用场景 | 记忆内容 | 直接商业价值 | 主要风险 | |---|---|---|---| | 智能客服 | 对话、订单、投诉、服务承诺 | 提升一次解决率，减少人工坐席 | 错误记忆导致错误承诺 | | 智能营销 | 浏览、加购、购买、互动偏好 | 提升转化率和营销ROI | 用户隐私与过度画像 | | ChatBI | 查询历史、指标口径、分析习惯 | 降低数据分析门槛 | 错误口径被持续继承 | | 智能教育 | 学习曲线、错题、知识点掌握情况 | 个性化教学与学习规划 | 未成年人数据与评价偏差 |

商业化数字比参数规模更值得看

红熊AI目前最有说服力的答卷，是已经开始形成收入，而不只是讲基础模型故事。 据公司披露，截至2026年7月，其企业客户数量超过500家，覆盖金融、零售、制造、教育和医疗等行业；2026年第一季度新增客户数已经超过2025年全年新增客户总数。

红熊AI在2026年上半年确认收入超过1.7亿元，相当于2025年全年业绩总额。 公司目前的主要收入来源仍是智能客服和智能营销，ChatBI已经产生收入但占比较低，教育业务则处于项目扩张阶段。

ARR突破5000万元意味着红熊AI已经积累了一部分可重复收入，但项目制收入仍占多数。 ARR（Annual Recurring Revenue，年度经常性收入）是按照当前订阅或持续合同折算的一年收入规模，通常用来判断软件业务的可预测性。按照公司预计，ARR在2026年全年业绩中的占比约为30%，这也说明其现阶段仍然混合了订阅、解决方案和项目交付等不同收入模式。

| 商业指标 | 截至2026年7月披露数据 | |---|---:| | 企业客户数 | 超过500家 | | 2026年上半年确认收入 | 超过1.7亿元 | | ARR | 突破5000万元 | | 预计全年ARR占比 | 约30% | | 已签约大学 | 2所 | | 教育业务预计年度流水 | 约2000万元 | | A+轮投后估值 | 接近30亿元 |

30亿元估值能否站住，取决于红熊AI能否把项目交付转成标准化产品。 企业级AI公司早期依靠定制部署通常能快速做大确认收入，但也可能面临销售周期长、交付人员多和毛利率受限的问题。记忆层若真能成为标准组件，红熊AI需要证明同一套MemoryBear架构可以跨客户复制，而不是每进入一个行业都重新建设数据流程和业务规则。

AI记忆赛道已经开始拥挤

2026年的AI记忆创业潮表明，行业正在把Memory视为独立于基础模型的技术层。 据公开报道，Engram以13人团队获得融资并达到6亿美元估值；Clipto定位于连接个人数据与智能体生态的记忆层；国内“记忆张量”完成近亿元天使轮融资，主攻开源记忆操作系统MemOS；MemoraX AI则在2026年春季连续完成种子轮和种子+轮，两轮累计融资超过1亿元。

| 公司或项目 | 主要定位 | 已披露融资或估值 | 与红熊AI的差异 | |---|---|---:|---| | 红熊AI | 通用模型、记忆系统与行业应用一体化 | A+轮数亿元，估值接近30亿元 | 同时训练OpenBear并经营企业应用 | | Engram | AI长期记忆技术 | 估值6亿美元 | 小团队、基础设施导向更强 | | Clipto | 个人数据与Agent生态记忆层 | 已获多轮投资 | 更强调个人数据连接 | | 记忆张量 / MemOS | 开源记忆操作系统 | 天使轮近1亿元 | 更偏开放基础设施与开发者生态 | | MemoraX AI | AI记忆基础设施 | 两轮累计超1亿元 | 处于早期技术和产品验证阶段 |

红熊AI与纯记忆基础设施公司的差别，是选择了更重的一体化路线。 它既做基础模型，又做记忆系统、Agent架构和垂直应用，这让产品能够围绕记忆接口协同优化，也意味着研发、销售和交付资源会被多条战线同时消耗。

一体化路线的优势是更容易掌握真实业务反馈。 客服系统里哪些内容值得记住、ChatBI中哪些筛选条件应该继承、教育场景里何时需要覆盖旧结论，这些问题无法仅靠实验室基准回答，必须在客户部署中反复验证。

一体化路线的风险是基础模型未必需要自研。 如果外部通用模型的推理能力、成本和上下文能力持续改善，企业可能更愿意采用模型无关的记忆层，以便在不同模型之间切换。届时，OpenBear与MemoryBear的深度绑定究竟是技术壁垒，还是限制兼容性的包袱，将成为关键问题。

7月31日将是面向C端的第一次大考

红熊AI计划在2026年7月31日正式推出面向消费者的记忆驱动型OpenBear，并同步上线PC端AI编程产品CodeBear。 CodeBear的定位不是只补全几行代码，而是持续记住项目结构、代码规范、业务逻辑和此前的技术决策，再自主规划、编写和验证代码。

编程场景非常适合检验“长期记忆”是不是刚需。 现有AI编程工具的常见问题不是不会写函数，而是在大型项目中忘记模块关系、重复询问架构背景，或者修改一处代码后破坏此前约定。一个能跨会话保留项目知识、同时正确识别代码已经发生变化的系统，确实可能明显降低重复沟通成本。

消费级产品也会把记忆系统的弱点放大。 企业部署通常有明确知识边界和管理员，而个人用户的信息更加分散、模糊且敏感。系统不仅要记得准，还必须提供可查看、可编辑、可导出和可彻底删除的记忆控制，否则用户很难放心把长期数据交给它。

判断：方向成立，数字仍需验证

AI记忆不是一个伪需求，但它也不是通往AGI的单一捷径。 AGI，即通用人工智能，是能够跨领域理解、学习并完成多种复杂任务的人工智能系统。长期记忆能够提升任务连续性和个性化程度，却不能自动补足推理、规划、事实核验与工具执行能力。

红熊AI的优势是比多数记忆创业公司更早拿到了企业收入和真实场景。 超过500家企业客户、上半年1.7亿元确认收入和5000万元ARR，让它不再只是靠技术概念融资；智能客服与营销也确实是长期记忆能够直接创造价值的场景。

红熊AI的疑问则集中在指标透明度、产品标准化和数据治理。 百万亿级参数、Token消耗降低25倍和0.2%幻觉率都需要更完整的评测条件；企业客户数量增长也需要结合客单价、续约率、毛利率和交付成本判断；记忆数据的权限、来源追踪、冲突处理和删除能力，则会直接决定产品能否进入金融、医疗与教育等高敏感行业。

这轮融资真正押注的是“大模型之外还需要一个可管理的海马体”。 这个判断大概率成立，但最终胜出的未必是记得最多的系统，而是能够以更低成本记住正确内容、在信息变化时及时忘掉旧结论，并让用户始终掌握记忆控制权的产品。

参考来源

• Cloud500.ai：2025年12月AI领域投融资月报：整理了红熊AIPre-A+轮及同期国内AI投融资背景，可用于核对其此前融资节奏。

注：本次A+轮融资、经营数据和产品计划主要依据红熊AI向媒体披露的信息；技术性能指标尚未见完整第三方测试报告，文中已按公司披露口径标注。