模思拿下超10亿元Pre-A轮：全模态实时交互，AI走出输入框的下一站
邱锡鹏带队的模思智能，10月12日官宣完成超10亿元Pre-A轮融资。华控基金领投，国开科创、上海科创基金、新微资本、徐汇资本、追光硬科技创投、临港策源基金等为主要投资方，元禾控股、上海国投旗下上海科创集团、星连资本等老股东继续跟投，多维资本担任本轮及长期独家财务顾问。资金用途很明确：推进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。
这轮融资值得琢磨的，主要是模思押注的方向——「全模态实时交互智能」和「AI for AI」。
先说为什么是交互。过去几年AI最激烈的竞争发生在模型能力上，推理、Coding、工具调用，模型确实越来越能打。但模思提了一个更尖锐的问题：这些智能怎么离开输入框，真正进入人的生活？大模型第一轮竞争基本都发生在屏幕里——人把现实梳理成文字、prompt或者语音，交给AI回答、生成、写代码。这套模式够强，撑起了过去几年大部分AI应用想象，但它始终有个前提：人得先理解现实，再把现实转译成模型能处理的输入。
场景一变，问题就变。眼镜、玩具、汽车、家庭终端、机器人正在成为新入口。到了这些场景，用户不一定有键盘，也不会停下来组织一个完整问题。人会边走边说、打断、改口，声音、画面、动作、设备状态同时在变。现实给AI的不是一次干净的输入，而是一段持续发生的情境。模思把这一层能力定义为「全模态实时交互智能」：让语言、声音、画面、环境和设备状态持续进入同一个交互过程，再把理解变成语音、内容、工具调用乃至设备行动。
从一次性的输入—输出，变成持续理解一个正在发生的世界，这是AI走出屏幕后必须补上的能力。产业也在给出土壤：开源底座逐渐成熟、全模态推理成本持续下降、多模态硬件开始进入市场，模型、成本和入口同时变化，AI进现实世界从想象变成了具体的工程问题。
这条路不是模思突然跳出来讲的。把邱锡鹏过去十年的研究连起来看，研究对象一直在从「语言」往「人」、再往真实情境靠近。2016年开始做预训练，2023年2月带队发布国内首个类ChatGPT开源模型MOSS；一个月后GPT-4发布，大模型成了行业主线。但团队没停在「把语言模型继续做大」上——机器会说话之后，怎么真正和人交流？2023年的SpeechGPT探索端到端语音交互，2024年的AnyGPT尝试把文本、语音、图像放进统一体系。2024年底，模思孵化于邱锡鹏带领的OpenMOSS团队，承接了研究积累，开始集中工程化。此后MOSS-TTS、MOSS-Audio、MOSS-Transcribe-Diarize、MOSS-VL、MOVA连续发布；仅2026年半年，围绕语音、视觉和实时多模态发布20多个模型并持续开源。
系统化落地的下一代产品是MOSS Live，由前端交互模型和后端能动性模型协同：前者持续看、听、说，后者负责复杂推理和任务执行，让AI处理任务的同时保持实时交流。这里的「实时」有另一层意思，不只是追求响应更快：现实信息带着强时间关系——用户一句话说到一半可能改口，新画面进来可能直接改变前一句的含义。模型如果理解的是几秒钟前的现场，即使给出正确答案，也可能已经答错了问题。
模型迭代速度一起来，数据环节就成了新瓶颈。仅4月7日到13日一周，MOSS-VL和MOSS-Audio就连续迭代出6个版本；7月初两天连续开源MOSS-Transcribe-Diarize 0.9B和MOSS-VL-Realtime。这种速度下，数据生产、筛选、质量判断还重度依赖人工，很快会卡住整个链条。模思推「AI for AI」的另一层原因在这：让生成模型生产新的语音、图像、视频和场景数据，理解模型负责判断、筛选、反馈，再送回下一轮训练。进入眼镜、汽车、家庭终端和机器人后，AI得到的又不只是合成数据，而是不同垂域里真实场景数据和连续交互。
这条链路环环相扣：从模型到交互，从交互到数据，再从数据回到模型。
文章最后引了《Her》（2013）和刘慈欣的《带上她的眼睛》来收尾。十三年前Samantha陪人走过街道、在海边写音乐，现实里我们却仍习惯打开对话框，把眼前世界整理成文字再等回答。智能掌握的知识越来越多，人却依然要亲手把自己的处境翻译给它。能不能让感知、理解、交流与执行在不断变化的现实情境里协同，让智能跟上人的脚步，这是模思想解决的问题——也是这轮超10亿元资金真正要回答的问题。
现在还没到能验证的时候。资金到位、模型在迭代、开源在继续，但「全模态实时交互」从一个构想变成真正走进日常的产品，还要看MOSS Live落地后，在眼镜、汽车、机器人这些真实场景里是不是真的接得住。有模型、有系统、有钱，接下来就看现场了。