资本投向屏幕之外：模思智能完成超10亿元Pre-A轮融资，交互层成下一代AI基建

大模型在屏幕内完成推理、代码和工具调用的激烈竞争后，资本开始把目光投向屏幕之外。

10月12日，模思智能宣布完成超10亿元Pre-A轮融资，由华控基金领投，国开科创、上海科创基金等参与投资。

10亿元不是小数目，Pre-A轮拿到这个规模融资在当下AI（人工智能）融资环境中已不多见。模思智能押注的，是让AI同时处理语音、图像、视频、文本和环境信息，在不断变化的情境中理解人的意图，并实时回应或行动。

全模态实时交互智能正处在微妙的窗口期。模型能力、推理成本和硬件入口同时变化，让AI走出屏幕，从概念走向工程。不少AI公司开始关注“实时交互”——如美国AI公司Runway将“实时交互”世界模型放在战略核心位置；字节跳动发布SeedRealtime音视频全双工大模型，接入豆包App（应用程序），主打实时多模态交互。

赛道热度上升，技术路线和场景选择或许各有不同，但一个共识正在形成：如果AI要进入真实世界，交互层是绕不开的基础设施。也正因此，交互层已经成为下一代AI的竞争焦点。

AI走出屏幕：交互层是基础设施

模思智能的融资节奏很快。2026年4月，其宣布完成数亿元天使轮融资，资方包括IDG资本、元禾控股等。仅半年后，Pre-A轮超10亿元融资落地。《每日经济新闻》记者了解到，本轮资金将投向全模态实时交互智能的研发与能力建设，以及全球商业化落地。

这家公司的底色来自复旦大学。

据每经记者了解，模思智能创始人邱锡鹏是复旦大学特聘教授、上海创智学院副院长，2016年开始研究预训练。2023年2月其带领团队发布国内首个类ChatGPT开源模型MOSS，同年启动SpeechGPT研发，探索端到端语音交互。2024年底，模思智能由OpenMOSS团队孵化成立，CEO（首席执行官）李世民是SpeechGPT的核心作者。

模思智能聚焦的方向，通俗地讲，就是让AI不再只回答预先整理好的问题，而是能自己听见、看见、理解现场。例如在眼镜、汽车、玩具、家庭终端和机器人等场景里，用户未必会停下来组织完整问题，而是会边说边走等，声音、画面、动作和环境状态也会同时变化。AI需要在持续流入的信息中，判断用户此刻真正需要什么。

图片来源：模思智能公众号

为了落地这套能力，模思智能即将发布MOSS Live，由前端交互模型和后端能动性模型协同工作：前者持续看、听、说，后者负责复杂推理和任务执行，让AI在处理任务的同时，仍能保持与人的实时交流。事实上，过去半年多，模思智能围绕语音、视觉和实时多模态方向连续发布20多个模型，覆盖语音生成、音频理解、语音识别、视觉理解与内容生成等环节。

这个方向并不缺参与者。不少国外AI创业公司也纷纷找到全模态实时交互这个创业方向。美国AI公司Runway在去年底推出通用世界模型GWM-1，并于今年陆续发布实时视频智能体Characters和可交互世界GWM Worlds 2，同样将“实时交互”作为核心方向。Runway官方明确指出，“文本输入框的时代正在结束”。

国内，字节发布SeedRealtime音视频全双工大模型，试图证明“全模态实时交互”不仅是技术方向，而且已经具备在亿级用户产品中规模化落地的条件。

资本下注赛道的逻辑也开始变得清晰。不过赛道越热，越需要追问落地节奏。

赛道热度之外 实地落地节奏并不均衡

国内大模型市场正在经历一轮结构性变化。多模态仍是核心主线，头部模型Token（词元）调用量持续跃升，国产模型在视频、音频生成领域实现局部反超。模型能力、推理成本和硬件入口同时变化，AI进入现实世界开始从想象变成工程问题。

但工程问题不等于商业问题。工信部信息通信经济专家委员会委员盘和林在接受每经记者采访时指出，当前全模态交互以语音交互方向为主，机器人的视觉感知能力尚不完善，而语音交互产业相对成熟。

“实时交互智能是成熟产业，但加入多模态就变得非常复杂，属于独立的赛道。比如智驾，本质上也属于全模态实时交互智能，只不过收集的信息来自于车辆视觉感知等。所以，首先要定义场景，再谈是否是独立赛道。”盘和林举例称。

在落地应用节奏上，盘和林判断，AI眼镜的速度应该是最快的。他认为，若在眼镜端做图片解读与生成，所需AI模型体量过大；相较而言，AI语音交互对应的模型体量更小、更易落地，因此AI眼镜会优先推进语音交互方案。

这一判断的关键变量，其实指向了更远的一层。盘和林指出，能否实现多模态下的交互新场景，重点不是对人类语言做出响应，而是对机器视觉的反馈，该能力成熟后可适配众多场景。

实时交互的成熟度存在明显分层。语音交互已是成熟产业，而一旦加入视觉尤其是对机器视觉的反馈，其技术复杂度、模型体量和场景适配难度都会显著抬升。这恰好解释了模思智能为何在语音之外还要布局视觉理解和生成能力。

全模态的方向不是选择题，但落地节奏是。资本愿意为下一代AI下重注，但下一代AI的定义仍在持续演变。此外，实时交互要想跑通商业化，核心不在于更强的模型，而是场景、硬件、成本、用户习惯的同步成熟。