红熊AI完成数亿元A+轮融资，基于AI“记忆科学”从To B服务延伸至To C应用｜36氪首发

36氪获悉，红熊AI今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。本轮融资由浙江九纬私募基金、嘉兴彰元创业投资与老股东格睿丰联合投资。这是红熊AI在短短15个月内完成的第6轮融资。 据了解，本轮融资资金将主要用于持续深化AI记忆科学的类人大脑基础研究、加速OpenBear通用大模型与MemoryBear记忆科学系统的深度融合，以及扩大智能客服、智能营销、ChatBI与智能教育四大核心应用场景的市场覆盖。 在经历了大模型参数量与算力的早期竞赛后，行业正逐步步入“以应用论英雄”的商业化深水区。目前，围绕大模型“记忆层（Memory）”这一维度的技术成为重要的攻坚点。 今年融资事件频发，并明显呈加速状态：由在Anthropic负责Claude预训练工作的Andrej Karpathy等参与投资、估值达6亿美元的13人团队Engram已公开亮相；定位于连接个人数据与智能体生态记忆层的Clipto，已获红杉中国、高瓴创投等多轮追投；国内完成近亿元天使轮融资、专注于开发开源记忆操作系统MemOS的“记忆张量”，以及在2026年春季相继完成种子轮与种子+轮、两轮累计融资金额超1亿元人民币的MemoraX AI，均在这一技术方向上完成了资金储备。 红熊AI从2024年4月创立之初，就确立了“记忆驱动AGI”的技术路线。如何将技术创新与企业的实际产业需求紧密结合，并打破传统基座大模型在实际落地中的记忆壁垒，是红熊AI在这一轮AI浪潮中试图解答的核心命题。 一、 为什么AGI需要一个动态“海马体”？ 过去两年中，行业内普遍存在“重模型训练、轻应用落地”的现象。大量的算力和资源被消耗在基座大模型的预训练上，但当这些模型被推向企业级应用时，往往会遭遇多重现实瓶颈。 传统基座大模型由于底层架构限制，在实际业务场景中普遍存在长对话由于token限制而出现断联或上下文遗忘的现象；同时，由于知识遗忘率高，模型难以保持服务的一致性与稳定性。此外，大模型的token消耗通常呈现线性增长，直接推高了企业长期运行AI系统的算力成本，而因果逻辑校验的缺乏也使得模型容易产生“幻觉”，影响了业务的可靠性。 红熊AI团队认为，单纯依赖基座大模型能力的提升，并不足以解决企业的实际问题。针对这些行业共性痛点，红熊AI在2024年率先提出“AI记忆科学”的概念。 大模型若要实现真正的认知智能并满足企业级规模化落地，其信息处理方式必须从“静态的信息堆砌”升级为“动态的有机体管理”。2026年，红熊AI完成了技术生态的关键一步：将OpenBear大模型与自主研发的MemoryBear记忆科学系统进行二次深度融合，并在此基础上构建出原生Agent架构。 这种将“大脑皮层（负责推理）”与“海马体（负责记忆）”深度绑定的技术逻辑，推动了企业级AI应用逐步从“一问一答”的被动工具状态，向“记忆驱动推理”的新阶段演进。 二、 红熊AI技术图谱：OpenBear、MemoryBear与原生Agent的三角矩阵 红熊AI所构建的核心能力，是一个由OpenBear通用大模型、MemoryBear记忆科学系统与原生Agent架构相互依存的闭环生态体系。 1. OpenBear通用大模型：面向记忆设计的底层能力底座 OpenBear是红熊AI自主研发、预训练的新一代AGI模型，在底层采用了MoE（Mixture of Experts）稀疏混合专家架构，拥有百万亿级参数规模。 从设计理念来看，OpenBear属于行业内较早采用“为记忆而生”逻辑的预训练大模型。在模型架构设计之初，红熊AI便在其内部设计了专门的记忆接口与注意力机制优化模块，使其能够与外置的MemoryBear记忆科学系统进行高频且低延迟的信息交互，实现模型推理能力与记忆能力的无缝衔接。该大模型系统强调跨领域泛化、长期记忆与自我反思等特性，在无需专项定制优化的前提下，能够理解多种专业的复杂现实任务。 OpenBear产品界面 2. MemoryBear记忆科学系统：分层动态记忆与类脑机制 如果说大模型本身负责逻辑推理，那么MemoryBear则是其记忆中枢。MemoryBear借鉴了人类大脑的认知机制，融合了ACT-R双记忆架构、艾宾浩斯遗忘曲线与激活度模型、智能语义剪枝算法以及3D自我反思引擎等技术理论。 在结构上，MemoryBear建立了一套从瞬时到永久的分层动态体系，包括工作记忆层、短期记忆层与长期记忆层。为了支撑这一套分层架构的高效运行，MemoryBear在底层攻克了多项核心技术： 时间记忆技术 ：使AI能够识别信息中包含的事件发生时间并建立完整的时间线，从而让AI具备了历史观。 动态语义网络技术 ：自动从海量长文本或非结构化数据中提炼关键实体与核心观点，构建出动态知识图谱。 智能语义剪枝技术 ：基于艾宾浩斯遗忘曲线原理，自动识别并定期删除冗余、过时或错误的信息，保持记忆库的精准度，降低大模型运行的token消耗。 3D自我反思引擎 ：当系统处于低负载阶段时，会自动对已有记忆进行重新校验，修正可能存在的错误，以此来对冲大模型的幻觉缺陷。 最小化记忆共享技术 ：在多Agent协作场景下建立统一的记忆中枢，各个智能体仅沉淀完成自身任务所需的关键记忆，其余智能体按需调用，降低整体算力消耗。 根据红熊AI披露的技术指标，在MemoryBear的支持下，其基础大模型知识遗忘率控制在1%以下；token消耗降低了25倍；行业歧义预处理率控制在1%以下；同时模型幻觉率降低至0.2%左右。 MemoryBear产品界面 3. 原生Agent架构：从被动工具向主动协作的演进 在OpenBear大模型与MemoryBear记忆系统的结合部，红熊AI封装了其原生Agent架构。该架构核心特征表现为“记忆原生”，即Agent系统在诞生之初就内置了记忆能力，能够记住与特定用户的每一次交互细节以及任务的最终执行结果，并以此作为后续调优的输入。此外，该架构支持自主规划与多Agent协同，允许智能体在安全可控的权限管理体系下，实现动态任务执行与自动续传。 此外，在MemoryBear记忆系统的技术底座之上，红熊AI进一步将记忆能力延伸至开发者工具领域，推出了CodeBear记忆型编程大模型平台。与传统的AI代码辅助工具不同，CodeBear的核心差异化在于“记忆驱动开发”。在真实开发环境中，CodeBear能够自主理解需求、自主规划技术方案、自主编写代码、自主运行验证，并依托MemoryBear分层记忆系统从每次交互中持续积累项目经验、代码规范与业务逻辑，形成可复用的个性化开发知识沉淀，有效解决传统编程工具上下文断裂、重复沟通成本高的痛点，大幅提升复杂项目的开发效率与连贯性。 三、 四大应用场景拆解：大模型应用落地实录 基于上述“模型+记忆+智能体”的技术生态，红熊AI目前在市场上推出了四款核心应用产品，试图在不同细分赛道中验证AI记忆科学的商业化价值。 1. 智能客服：长周期交互下的个性化留存 传统智能客服系统的主要瓶颈在于“一事一结”，缺乏对客户历史长周期交互轨迹的留存能力。红熊AI的智能客服产品通过MemoryBear系统，可以记住客户的历史对话、购买、投诉记录与服务偏好。当客户再次接入时，系统能够