无涯智远融资
2 节点1 篇4 来源
北京AI初创公司无涯智远(Norizon AI)已完成数亿元天使轮及天使加轮融资。该公司专注于实时递归自我改进(RSI)技术,旨在让大模型在部署后能够持续学习并更新自身参数,而非仅依赖上下文窗口或外部检索。
本轮融资于2026年11月19日完成,投资方包括五源资本、红杉中国、联想之星、中关村科学城基金和戈壁创投等。心流资本担任财务顾问。资金将主要用于其自研SHINE超网络技术的研发和产品商业化(zhidx.com ↗)。
无涯智远的核心技术路径是利用预训练超网络在一次前向计算中生成轻量级参数更新。这种方法旨在将持续学习的计算成本降低至接近推理水平,同时缓解灾难性遗忘问题。公司声称其方法在学习新知识时优于微调对照实验,并能更好地保留通用任务表现,但尚未公布独立的基准测试数据(ai-market-watch.com ↗)。
这一进展的意义在于从静态模型版本向动态、自进化系统的转变。尽管学术界对广泛递归自我改进的经济可行性仍有争议(arxiv.org ↗),无涯智远正定位为窄域、任务特定参数更新的实践者。关键挑战在于验证数百万token长序列下的长期稳定性,以及证明这些更新不会随时间推移而削弱基础能力。
读者应关注:1)公开的技术基准测试,比较SHINE与标准微调的效果;2)企业或智能体环境中试点部署的公告;3)团队关于扩大超网络规模和内化长度的进一步研究细节。
事情怎么走到这一步
无涯智远宣布完成数亿元天使轮及天使加轮融资,投资方包括五源资本、红杉中国、联想之星、中关村科学城基金和戈壁创投。
zhidx.com ↗披露技术细节:采用SHINE超网络在一次前向计算中生成参数更新,以实现无需重复梯度优化的实时自我改进。
elsewhere.news ↗
还没定论的部分
- 有哪些具体的量化基准测试数据能证明SHINE在防止灾难性遗忘方面优于微调?
- 无涯智远计划如何解决生产环境中长序列(数百万token)参数更新的稳定性问题?
- 哪些具体的企业或消费产品将首先集成这项RSI技术?