這是 GIM 自去年 7 月成立以來，繼天使輪和天使+輪由五源資本及賽富投資基金領投之后，在短短數月內完成的第三輪融資。本輪融資完成后，GIM 將繼續推進金融大模型、AI 驅動的投研系統與資產管理產品的協同建設，進一步拓展 AI 在投資研究、策略開發與資產管理中的應用邊界。

GIM 表示，隨著大模型競爭逐步從通用能力轉向專業場景，金融開始成為少數兼具高價值與高門檻的 AI 落地領域之一。與客服、營銷、辦公等標準化任務不同，資產管理面對的是由數值推理、時序變化、風險約束與動態反饋共同構成的復雜系統。真正能夠進入這一場景的 AI，不能只是整理材料或生成摘要的工具，而需要具備更強的金融建模、研究支持與持續迭代能力。

圍繞這一判斷，GIM 當前正沿著兩條主線推進下一代資產管理基礎設施建設：一條是面向金融場景的垂域大模型，另一條是圍繞投資研究流程構建的 AI 驅動投研系統。前者主要解決金融數據理解、時序建模和推理能力問題，后者則致力于提升研究流程的拆解、協同、評估與優化能力。

在模型側，GIM 正在自研面向金融場景的時序大模型。公司認為，相較于通用模型，這類系統需要更強的數值推理能力、時序感知能力，以及對多市場、多頻率數據的建模能力，才能真正服務于投資研究和收益預測等高要求任務。

在投研系統側，GIM 正通過多智能體協同方式重構傳統投研流程。公司表示，其目標并不是讓模型簡單回答幾個投資問題，而是提升 AI 在信號生成、研究支持、假設修正和流程協同中的能力，使其逐步成為支撐研究與決策的底層基礎設施。GIM 核心論文 CogAlpha 已獲 NLP 頂級會議 ACL 2026 主會收錄，并獲 Oral 推薦。

從投資方背景來看，本輪融資也釋放出鮮明信號。Howard Morgan 是文藝復興科技聯合創始人之一。作為全球量化投資歷史上最具代表性的機構之一，文藝復興長期被視為現代量化投資范式的重要塑造者。GIM 認為，來自這一脈絡的資本選擇投資一家 AI-native 智能投資公司，說明頂級機構正在重新評估：當大模型與 AI 系統進入資產管理，下一代資管平臺可能將以不同于傳統路徑的方式被重新定義。

在技術持續迭代的同時，GIM 的商業化落地也在推進。公司已在中國內地設立私募證券基金管理實體，并進入基協備案中。與此同時，公司已與頭部金融機構達成戰略合作，圍繞 AI 驅動的投資策略展開深度協同；首批 AI 驅動的資管產品已完成基金業協會備案并開放募集。從自研模型到產品交付，GIM 已進入資產管理的實戰階段。

GIM 創始人徐嘉浩表示，如果說第一代資產管理主要由主觀投資人定義，第二代由量化機構重塑，那么隨著金融大模型與 AI 驅動系統的成熟，第三代 AI-native 資產管理平臺正在開始浮出水面。公司希望推動的，正是這一代新系統的形成：它不是對既有投資流程的局部提效，而是對研究、判斷、執行與迭代方式的系統性升級。

GIM 成立于2025年7月，致力于打造一套專為投資研究與投資決策設計的 AI-native 推理系統。公司關注的，不是將通用模型簡單移植到金融場景，而是從底層能力開始，重新定義 AI 在研究、判斷與決策中的角色。

跨學科創始團隊

GIM 由徐嘉浩和劉琦博士聯合創立。在創辦 GIM 之前，徐嘉浩長期深耕一二級市場，曾任職于五源資本和 Neumann Capital，參與過地平線、晶泰科技、Pony.ai 等科技項目投資。過去幾年，推理模型的能力躍遷讓他越來越清楚地意識到，AI 在投資里的角色不會只停留在信息工具層，而會逐步進入決策本身。

劉琦博士現任香港大學計算機系助理教授，研究方向聚焦大語言模型和多模態 AI，博士畢業于牛津大學，師從 Phil Blunsom，并曾在 DeepMind 和 Meta FAIR 從事研究工作。

GIM 的團隊同時集結了來自知名對沖基金、量化基金、DeepMind、Meta、微軟等機構的跨學科成員。公司的目標方向明確：不做通用大模型，而是為資管行業打造垂直領域的推理基礎設施。

1500億美元可觸達市場，通用模型的斷點即機會 

從市場規模來看，全球金融 AI 軟件市場與資產管理服務的收入合計，對應約1500億美元的可觸達空間；如果金融大模型真正進入資管體系，它所撬動的還將是一個9萬億美元的更大市場。

但更大的機會不在數字本身，而在通用模型的能力斷點。通用模型可以完成財報摘要，卻無法真正回答"該不該買"。問題不在金融知識不夠，而在它缺少處理投資研究的關鍵能力：數值推理、時序感知、合規約束和動態更新。金融行業真正需要的，從來不是一個會復述信息的系統，而是一個能夠組織研究、形成判斷、持續校準的系統。

CogAlpha 多智能體框架與自研金融時序大模型

2026年3月，JAR（Journal of Accounting Research）的一篇研究指出，當用戶用 AI 問股票時，超過七成的人會直接要求模型告訴自己"什么值得買"。隨著推理模型能力躍升，AI 開始從信息處理工具走向研究工具 —— 不再只是整理材料、響應指令，而是開始主動拆解原始數據、發現潛在規律。

GIM 圍繞這一方向的核心探索，是多智能體框架 CogAlpha。CogAlpha 設計了21個專業化 Agent，組成一條完整的 AI 投研流水線：有的負責判斷市場風險狀態和所處周期，有的負責分析價格與成交量之間的關系，有的負責識別趨勢與反轉信號。每一個新提出的投資信號，都會在這條流水線中被反復審核、質疑、修改和評估；只有在多輪評估后表現仍然持續提升，才會進入下一環節。

沿著這條路線，GIM 進一步決定從零自研金融垂域大模型。目前，該自研金融時序大模型已完成從 30M 到 1.5B 再到 8B 參數的 Scaling Law 驗證。模型在結構上引入了針對金融數據的時序編碼機制和非線性門控結構，并在多頻率、多市場、多品種訓練中展現出明顯的遷移學習能力。

近期，CogAlpha 研究成果已被 ACL 2026 主會高分收錄。