9月初，AI产业连续出现几笔值得关注的融资和产业进展

从记忆张量押注大模型长期记忆，到国科光芯加码硅光芯片，再到深朴智能融资布局具身智能，资本正在明显向AI产业链更深的位置移动。与此同时，OpenAI开始把AI Agent直接当成“数字劳动力”使用，西湖大学联合研发的AI辅助创新药获批上市，AI短剧则出现制作价格暴跌、虚拟角色广告报价冲上20万元的两极分化。

这些新闻看起来分散，但背后的商业逻辑非常一致：AI正在从“模型能力竞赛”，快速进入真实产业。

记忆张量连续融资：大模型下一站，可能是“长期记忆”

9月4日，记忆张量（MemTensor）宣布完成Pre-A+轮融资，由东方富海领投，上国投孚腾资本追加投资，要弘创投、无锡新尚资本跟投。

这是公司近两个月内完成的第二轮融资。

此前，记忆张量已经完成亿元级Pre-A轮融资。此次新资金主要用于记忆原生基座模型Metis研发以及相关生态建设。

这家公司押注的并不是又一个通用大模型，而是一个容易被忽略、但随着Agent普及越来越重要的问题：AI怎么真正“记住”一个人、一家公司和一项长期任务。

传统大模型的核心优势是理解和生成，但如果AI只能记住当前对话，它很难成为真正意义上的长期助手。

比如，一个企业Agent连续工作半年，它应该知道此前处理过哪些客户、哪些方案已经被否决、某个项目进行到哪一步，以及老板过去形成了什么决策习惯。

这就是记忆张量试图解决的问题。

公司此前提出Memory³分层记忆理论，并推出大模型记忆操作系统MemOS。其最新产品路线进一步向记忆原生模型Metis推进，希望让记忆从模型外部的“外挂”，变成模型自身能力的一部分。公司披露，MemOS开源后GitHub Star已破万，云服务月调用量超过5000万次。

这条路线的投资逻辑很直接：

Agent越多，长期记忆越重要；Agent越深入企业，记忆的数据价值越高。

因此，记忆基础设施很可能成为继模型、算力之后的新一层AI基础设施。

当然，这个市场目前还远没有定型。记忆如何准确保存、如何删除、如何避免错误记忆污染，以及用户隐私怎么处理，都会成为商业化必须解决的问题。

但资本已经开始下注。

国科光芯数亿元B+轮：AI算力越往上走，光互联越重要

国科光芯近期完成数亿元人民币B+轮融资，由四川省科创投资集团领投，杭州凯泰资本、山东省科创集团等机构参与投资。

这家公司做的是硅光芯片。

如果把AI算力比作高速公路，那么GPU是发动机，而硅光更像连接这些发动机的高速公路。

随着AI集群规模越来越大，GPU之间需要交换的数据量呈爆炸式增长。传统电互联继续提升带宽，会面临功耗、距离和信号完整性等问题，因此高速光互联的重要性不断提高。

国科光芯此次融资明确投向下一代硅光芯片产品研发及量产，包括400G、1.6T以及更高速率产品，同时推进PIC量产和相关产业布局。

这笔融资真正值得看的不是“数亿元”三个字，而是资金开始进入AI算力链条更底层的位置。

过去市场炒AI，最先想到的是GPU、服务器和数据中心。

现在投资人开始继续往下拆：

GPU需要什么？高速互联需要什么？光模块需要什么？硅光芯片又需要什么？

这意味着AI基础设施的投资逻辑正在从单一算力扩张，转向整个数据中心网络架构升级。

对于硅光企业而言，真正的挑战也很明确：技术路线只是第一关，接下来还要过量产、良率、成本和客户验证几道关。

深朴智能再融数亿元：具身智能开始进入“数据+模型+机器人”阶段

9月3日，AI原生具身智能公司深朴智能（Simple AI）宣布完成数亿元Pre-A+轮融资。

本轮投资方包括珂玺资本、上海科创旗下知识产权基金、金浦投资、亳州产投、上城资本、乾融资本以及老股东线性资本。

深朴智能的定位并不是单纯卖机器人，而是试图搭建“模型、数据、本体、场景”四个环节组成的闭环。

公司计划把融资主要用于具身智能基础模型迭代、场景数据体系建设、机器人产品工程化以及酒店、康养、零售、家政等真实场景的规模化部署。

这背后有一个非常现实的问题：

机器人真正难的不是走路，而是进入复杂环境以后还能不能持续完成任务。

实验室里的机器人动作越来越漂亮，但酒店房间、养老机构、商场和家庭完全是另一回事。

地面可能有障碍物，物体位置每天变化，人类行为也不可预测。

所以具身智能真正需要的是大量真实世界数据。

谁能够让机器人进入真实场景，获得真实数据，再用数据训练模型，模型升级后再提高机器人能力，谁才有机会形成真正的技术壁垒。

这也是为什么资本开始从“机器人硬件”转向“具身模型+数据闭环”。

OpenAI的3.1倍数据，比“AI会不会取代人”更值得关注

OpenAI最新披露的一组内部数据非常有意思。

公司表示，其研究组织目前每天使用的Agent工作量已经达到每一个人类研究工作日对应3.1个Agent工作日。

换句话说，一个研究人员现在可以同时调动多个AI Agent完成代码、实验、资料分析等工作。

这里最容易被误解的一点是：

3.1倍并不等于AI已经取代3个人。

更准确的理解是，一个人开始拥有了一支随时可以调用的数字研究团队。

而且这种使用还不是免费的。

OpenAI披露，研究组织中高使用量用户的Agent推理支出已经达到每天7000美元以上。

这说明一个新问题正在出现：

过去企业计算成本主要来自服务器和软件，现在AI Agent本身正在成为一种新的生产成本。

但如果一个Agent花几百、几千美元，能够完成过去一个研究团队几天甚至几周的工作，那么企业仍然可能愿意支付。

这就是Agent商业模式真正成立的基础。

市场最终不会按照AI消耗多少Token给它定价，而会按照它替企业创造多少价值来定价。

西湖大学AI辅助创新药获批：AI制药第一次真正走到药品上市环节

近期，由西湖大学、西湖实验室、西湖制药联合研发的盐酸伊司特韦片，商品名“艾普司韦”，获得国家药监局附条件批准上市，用于成人轻、中型新冠感染治疗。

这是国内首款AI辅助研发并获批上市的原创药。

这件事情真正重要的地方，不是简单地给药物贴上一个“AI研发”的标签。

而是AI已经进入了真实的新药研发流程。

据公开信息，该项目利用DNA编码化合物库等技术，从数百亿规模的候选化合物空间中进行筛选，再结合AI模型和实验验证不断缩小范围。

整个过程并不是“AI算出来，直接拿去上市”，而是一个反复循环：

AI预测——实验验证——获得数据——模型优化——再次预测。

最终候选分子还必须经过药物优化、临床试验和监管审批。

所以更准确的说法应该是：

AI正在压缩新药研发早期的试错空间，而不是完全替代科学家和临床试验。

但从产业角度看，这已经是一个非常关键的节点。

因为AI制药过去最大的质疑之一就是：

“模型跑得再漂亮，能不能真正变成一款获批药物？”

艾普司韦给出了阶段性的答案。

接下来资本市场真正关心的，是这种方法能不能复制到更多靶点、更多疾病以及更多创新药项目。

AI短剧价格暴跌：最先被AI淘汰的，可能是“制作能力溢价”

AI短剧正在经历一次非常典型的价格战。

今年以来，大量团队进入AI短剧行业，生产效率大幅提升，部分制作报价从过去每分钟几千元，迅速下降到几百元，部分项目已经接近成本线。

但另一边，高端定制项目仍然可以卖到每分钟1万至2万元。

这说明行业正在快速分层。

标准化制作越来越便宜，真正有内容能力的制作越来越值钱。

这跟过去互联网视频、直播、电商的发展路径很像。

早期大家靠工具赚钱。

后来工具普及，工具本身开始不值钱。

AI短剧现在也走到了这个阶段。

过去，一个团队会生成AI人物、AI场景、AI视频，就已经属于稀缺能力。

现在这些能力迅速普及，客户自然会问：

你的故事凭什么让我付更多钱？

于是行业竞争开始从“谁会做”变成“谁能爆”。

近期36氪报道也显示，AI短剧已经出现严重的流量分化，部分作品播放量很高，但大量作品几乎没有商业回报。

这才是AI内容行业最残酷的地方：

AI可以把制作成本打下来，却不能把观众注意力一起打下来。

方桃子广告报价冲到25.8万元：虚拟人开始拥有自己的商业价值

AI短剧另外一个明显变化，是虚拟角色开始从剧情人物变成商业IP。

AI短剧角色“方桃子”走红后，开始接广告。

公开平台报价一度达到16.8万元至25.8万元，其中60秒以上的广告报价达到25.8万元。

这里需要强调，25.8万元属于公开报价，不应直接理解为每条广告实际成交价。

但这个数字本身已经足够说明问题：

资本市场开始尝试给“AI明星”定价。

过去，一个虚拟角色的价值主要来自内容本身。

现在则开始出现新的商业链条：

AI短剧制造角色——角色积累粉丝——粉丝形成流量——流量转化成广告和电商收入。

这与真人明星的商业模式越来越接近。

但虚拟人的问题也随之而来。

方桃子此前为美瞳产品进行宣传时，因为广告内容涉及“佩戴体验”，引发争议。问题很简单：

一个虚拟角色没有真实身体，它凭什么声称自己“戴了一天很舒服”？

这已经不只是AI内容问题，而是广告真实性问题。

未来如果AI虚拟人进入美妆、食品、医疗甚至金融领域，这类问题只会更多。

虚拟身份可以是假的，但商业责任不能是假的。

这轮AI行情真正值得看的，不是融资数量，而是钱开始流向哪里

把这几件事情放在一起看，市场已经出现了一个很清楚的变化。

钱正在从单纯的“大模型故事”，向更具体的产业环节移动。

记忆张量押注的是AI长期记忆；

国科光芯押注的是AI高速光互联；

深朴智能押注的是具身智能和真实世界数据；

西湖大学把AI推进到创新药研发和上市；

OpenAI则开始把Agent变成可以计算的数字劳动力；

AI短剧则正在重新定价内容生产成本和虚拟IP价值。

这些赛道有一个共同点：

它们都在试图解决AI进入真实商业环境后必须面对的问题。

这比又发布一个模型、又刷新一次Benchmark，更值得产业资本关注。

因为大模型能力继续提升已经是确定趋势，但真正能够形成长期商业价值的，最终还是那些能够进入企业流程、进入工厂、进入实验室、进入数据中心、进入机器人和进入消费者内容消费场景的技术。

所以，9月初这一轮新闻里最值得关注的并不是哪家公司又融了几个亿。

真正值得关注的是：

AI产业的投资逻辑正在变。

从“谁的模型最大”，转向“谁能把模型变成生产力”。

而这场竞争，才刚刚进入更烧钱、也更残酷的阶段。