美团领投Mindverse后，AI Agent竞争转向持续学习和成本治理

美团领投 Mindverse 的 A 轮融资，把“持续学习 Agent”这个方向推到了更清晰的位置。相比单次对话里回答得更聪明，下一阶段 AI 应用更关键的问题是：模型能不能在真实使用中低成本积累经验，能不能把企业流程、用户偏好、任务反馈沉淀成可复用能力，并在不烧穿预算的情况下持续进化。

同一批最新资讯里，Trajectory 获得李飞飞、Jeff Dean 等投资人押注，目标也是让 AI 利用真实使用数据持续进化；清华团队万格智元融资后强调端侧推理和本地部署成本；小米公开 MiMo-V2.5 降价 99% 的技术路径；豆包课堂把视频生成模型接进教育场景。几条线索放在一起看，AI 竞争正在从“谁的模型参数更大”，转向“谁能把模型变成越用越顺手、越用越便宜、越用越贴近业务的系统”。

持续学习成为新卖点

Mindverse 这次融资最值得关注的地方，不只是金额接近 5000 万美元，而是它把方向明确落在“持续学习 Agent 模型”上。公司计划用 LoRA 技术实现低成本能力积累，并准备开源一个在 GLM 5.1 上强化学习后训练的 750B 参数模型。这个组合透露出的信号很直接：Agent 不能只靠一次性预训练解决所有问题，后训练、轻量微调和任务反馈会越来越重要。

过去很多 AI 产品的问题，是上线时很惊艳，用久了却很难真正理解用户的工作方式。用户每次都要重新解释上下文，企业每次接入都要重复做知识库、流程配置和权限适配。持续学习模型如果能把这些交互经验沉淀下来，就有机会让 Agent 从“通用助手”变成“熟悉业务的同事”。这也是美团领投的想象空间：本地生活、履约、客服、商家运营和内部协作场景，都需要 AI 理解复杂流程，而不是只会生成一段漂亮文本。

真实数据比榜单更值钱

Trajectory 的融资与 Mindverse 形成了呼应。这家公司不主打通用大模型，而是想搭建让 AI 利用真实使用数据持续进化的基础设施。李飞飞、Jeff Dean 参投，本身就说明行业对“用后数据”的重视正在上升。模型在公开评测里表现好，只能说明它具备基础能力；真正进入企业后，决定体验的是它能否从每一次点击、纠错、任务完成率和用户反馈中学习。

这种路线也会改变 AI 产品的护城河。过去大家容易把护城河理解为参数、算力和模型榜单，现在则要加上高质量使用数据、反馈闭环和场景工程能力。一个客服 Agent 如果能持续学习商家的售后规则，一个办公 Agent 如果能记住团队的文档习惯，一个开发 Agent 如果能理解公司代码规范，它们带来的价值就不再是一次问答，而是长期效率提升。

成本焦虑倒逼工程优化

持续学习听起来诱人，但前提是成本不能失控。清华 00 后团队万格智元完成两轮融资，推出端侧推理引擎 cPilot 和智能平台 Amis，目标正是降低大模型本地部署成本。它瞄准的不是实验室演示，而是企业真正会算账的部分：推理延迟、Token 消耗、设备成本、私有化部署难度和后续运维压力。

小米 MiMo-V2.5 系列 API 降价 99% 的技术路径也说明，模型服务已经进入精细化成本治理阶段。Hybrid SWA、MoE、多模态架构优化和 KV Cache 压缩，听起来是底层工程术语，但落到用户侧就是调用更便宜、响应更快、规模化更可持续。AI 应用如果只能靠高额补贴维持体验，很难长期进入日常业务；只有当推理成本下降到可控区间，持续学习 Agent 才能从少数试点变成常规工具。

教育和AI4S展示落地面

豆包课堂内置 Seedance 2.0 视频生成模型，是 AI 应用走向具体场景的一个典型样本。它不是简单把课文交给聊天机器人解释，而是把内容变成带画面、讲解、问答的互动视频课，覆盖预习和定制学习。教育场景很适合检验 Agent 的长期价值，因为学习不是一次性任务，系统必须理解学生掌握程度、反馈节奏和内容难度。

AI for Science 方向同样在释放落地信号。量坤科技融资数亿元，尝试融合量子计算、AI 和高性能计算打造科学计算平台；深度原理发布材料基座模型 MPA，在 40 个真实工业材料任务上取得领先；陆子恒团队用 AI 穷举 20 万种材料，寻找高热导率候选材料。这些案例说明，AI 的商业化不只在办公软件和聊天入口，也在科学计算、材料研发和工业设计中寻找更硬的价值证明。

端侧设备重新打开入口

英伟达联合微软发布搭载 RTX Spark 芯片的 Arm 架构 Windows AI PC，把本地智能体再次推到硬件入口上。最高 1P AI 算力和 128GB 统一内存，意味着部分创作、游戏、办公和个人 Agent 任务可以在本地运行，而不必完全依赖云端。对用户来说，本地运行带来的是低延迟、隐私和可用性；对厂商来说，这是把 AI 能力嵌进设备生态的机会。

端侧 AI 与持续学习并不矛盾。恰恰相反，如果未来 Agent 要长期理解个人习惯和企业流程，很多敏感数据不适合全部送往云端。端侧推理、本地缓存、轻量微调和云边协同会形成新的产品结构：复杂训练和大规模模型能力仍在云端，本地设备负责实时响应、隐私数据处理和个性化适配。谁能把这条链路做顺，谁就更接近真正可用的个人和企业 AI 助手。

机器人热度提醒别只看软件

宇树科技科创板 IPO 过会，则把 AI 落地的另一面摆到了台前。机器人公司从受理到过会仅用 73 天，拟募资用于机器人研发和产能建设，背后是资本市场对具身智能和硬件产业链的持续关注。AI 要进入物理世界，最终绕不开传感器、执行器、供应链、生产良率和现场维护。

这也提醒行业，持续学习 Agent 的终点不一定停在屏幕里。企业流程、端侧设备、教育内容、科学计算和机器人系统，都会需要能记忆、能适配、能迭代的智能层。只是越靠近真实世界，约束越复杂：软件可以快速更新，硬件却要面对成本、可靠性、安全和规模交付。AI 公司如果只讲模型能力，很难吃下这些场景；如果能同时补上数据闭环、成本优化和工程交付，才有机会把热度变成收入。

从聪明模型到耐用系统

这一轮资讯最清楚的变化，是“聪明”已经不够用了。用户真正需要的是耐用系统：它能接入业务，能随着使用变好，能控制调用成本，能在端侧和云端之间合理分工，还能在教育、科研、工业和机器人等场景里承受真实任务的压力。Mindverse、Trajectory、万格智元、小米、豆包课堂、AI4S 团队和硬件厂商，分别从不同位置补这张拼图。

接下来 AI 竞争会更像一场长期运营战。模型发布仍然重要，但更重要的是模型之后的持续学习机制、数据治理方式、推理成本曲线和行业交付能力。谁能让 Agent 不只是第一次回答惊艳，而是在第十次、第一百次任务里越来越懂场景、越来越省成本、越来越可靠，谁才可能把 AI 从工具热潮带进长期生产力阶段。