这是 GIM 自去年 7 月成立以来，继天使轮和天使+轮由五源资本及赛富投资基金领投之后，在短短数月内完成的第三轮融资。本轮融资完成后，GIM 将继续推进金融大模型、AI 驱动的投研系统与资产管理产品的协同建设，进一步拓展 AI 在投资研究、策略开发与资产管理中的应用边界。

GIM 表示，随着大模型竞争逐步从通用能力转向专业场景，金融开始成为少数兼具高价值与高门槛的 AI 落地领域之一。与客服、营销、办公等标准化任务不同，资产管理面对的是由数值推理、时序变化、风险约束与动态反馈共同构成的复杂系统。真正能够进入这一场景的 AI，不能只是整理材料或生成摘要的工具，而需要具备更强的金融建模、研究支持与持续迭代能力。

围绕这一判断，GIM 当前正沿着两条主线推进下一代资产管理基础设施建设：一条是面向金融场景的垂域大模型，另一条是围绕投资研究流程构建的 AI 驱动投研系统。前者主要解决金融数据理解、时序建模和推理能力问题，后者则致力于提升研究流程的拆解、协同、评估与优化能力。

在模型侧，GIM 正在自研面向金融场景的时序大模型。公司认为，相较于通用模型，这类系统需要更强的数值推理能力、时序感知能力，以及对多市场、多频率数据的建模能力，才能真正服务于投资研究和收益预测等高要求任务。

在投研系统侧，GIM 正通过多智能体协同方式重构传统投研流程。公司表示，其目标并不是让模型简单回答几个投资问题，而是提升 AI 在信号生成、研究支持、假设修正和流程协同中的能力，使其逐步成为支撑研究与决策的底层基础设施。GIM 核心论文 CogAlpha 已获 NLP 顶级会议 ACL 2026 主会收录，并获 Oral 推荐。

从投资方背景来看，本轮融资也释放出鲜明信号。Howard Morgan 是文艺复兴科技联合创始人之一。作为全球量化投资历史上最具代表性的机构之一，文艺复兴长期被视为现代量化投资范式的重要塑造者。GIM 认为，来自这一脉络的资本选择投资一家 AI-native 智能投资公司，说明顶级机构正在重新评估：当大模型与 AI 系统进入资产管理，下一代资管平台可能将以不同于传统路径的方式被重新定义。

在技术持续迭代的同时，GIM 的商业化落地也在推进。公司已在中国内地设立私募证券基金管理实体，并进入基协备案中。与此同时，公司已与头部金融机构达成战略合作，围绕 AI 驱动的投资策略展开深度协同；首批 AI 驱动的资管产品已完成基金业协会备案并开放募集。从自研模型到产品交付，GIM 已进入资产管理的实战阶段。

GIM 创始人徐嘉浩表示，如果说第一代资产管理主要由主观投资人定义，第二代由量化机构重塑，那么随着金融大模型与 AI 驱动系统的成熟，第三代 AI-native 资产管理平台正在开始浮出水面。公司希望推动的，正是这一代新系统的形成：它不是对既有投资流程的局部提效，而是对研究、判断、执行与迭代方式的系统性升级。

GIM 成立于2025年7月，致力于打造一套专为投资研究与投资决策设计的 AI-native 推理系统。公司关注的，不是将通用模型简单移植到金融场景，而是从底层能力开始，重新定义 AI 在研究、判断与决策中的角色。

跨学科创始团队

GIM 由徐嘉浩和刘琦博士联合创立。在创办 GIM 之前，徐嘉浩长期深耕一二级市场，曾任职于五源资本和 Neumann Capital，参与过地平线、晶泰科技、Pony.ai 等科技项目投资。过去几年，推理模型的能力跃迁让他越来越清楚地意识到，AI 在投资里的角色不会只停留在信息工具层，而会逐步进入决策本身。

刘琦博士现任香港大学计算机系助理教授，研究方向聚焦大语言模型和多模态 AI，博士毕业于牛津大学，师从 Phil Blunsom，并曾在 DeepMind 和 Meta FAIR 从事研究工作。

GIM 的团队同时集结了来自知名对冲基金、量化基金、DeepMind、Meta、微软等机构的跨学科成员。公司的目标方向明确：不做通用大模型，而是为资管行业打造垂直领域的推理基础设施。

1500亿美元可触达市场，通用模型的断点即机会 

从市场规模来看，全球金融 AI 软件市场与资产管理服务的收入合计，对应约1500亿美元的可触达空间；如果金融大模型真正进入资管体系，它所撬动的还将是一个9万亿美元的更大市场。

但更大的机会不在数字本身，而在通用模型的能力断点。通用模型可以完成财报摘要，却无法真正回答"该不该买"。问题不在金融知识不够，而在它缺少处理投资研究的关键能力：数值推理、时序感知、合规约束和动态更新。金融行业真正需要的，从来不是一个会复述信息的系统，而是一个能够组织研究、形成判断、持续校准的系统。

CogAlpha 多智能体框架与自研金融时序大模型

2026年3月，JAR（Journal of Accounting Research）的一篇研究指出，当用户用 AI 问股票时，超过七成的人会直接要求模型告诉自己"什么值得买"。随着推理模型能力跃升，AI 开始从信息处理工具走向研究工具 —— 不再只是整理材料、响应指令，而是开始主动拆解原始数据、发现潜在规律。

GIM 围绕这一方向的核心探索，是多智能体框架 CogAlpha。CogAlpha 设计了21个专业化 Agent，组成一条完整的 AI 投研流水线：有的负责判断市场风险状态和所处周期，有的负责分析价格与成交量之间的关系，有的负责识别趋势与反转信号。每一个新提出的投资信号，都会在这条流水线中被反复审核、质疑、修改和评估；只有在多轮评估后表现仍然持续提升，才会进入下一环节。

沿着这条路线，GIM 进一步决定从零自研金融垂域大模型。目前，该自研金融时序大模型已完成从 30M 到 1.5B 再到 8B 参数的 Scaling Law 验证。模型在结构上引入了针对金融数据的时序编码机制和非线性门控结构，并在多频率、多市场、多品种训练中展现出明显的迁移学习能力。

近期，CogAlpha 研究成果已被 ACL 2026 主会高分收录。