专注低功耗AI模型的初创公司Flourish Inc. 完成5亿美元融资：开发能在50瓦以下芯片上运行的类脑AI模型：突破当前推理需300瓦GPU能耗瓶颈

近日，专注低功耗AI模型的初创公司Flourish Inc. 完成5亿美元融资。本次融资由GV、Lux Capital、Catalio Capital Management等知名投资机构及杰夫·贝索斯参与投资。本轮融资亦是2026年6月初全球规模最大的融资轮次之一。

本轮融资完成后，公司投后估值达25亿美元，成功跻身独角兽。公司主要技术方向是开发受人类大脑启发的持续学习AI算法。据公司介绍，一块服务器级显卡处理信息的能耗约为人类大脑的30倍，公司目标是将能耗降低一个数量级以上，使AI模型能够在消费级边缘设备上本地运行。该领域目前竞争激烈：Cerebras成功IPO并全面商业化；最终序列靠具体场景实现了千万级营收；Google和Meta已经公开了研究成果。不同玩家在融资、营收甚至上市方面均已展开全面竞争。

本次募集资金将用于建立公司内部神经科学实验室，并配备高分辨率电子显微镜（单台售价可达数百万美元）；开发AI内存管理系统，降低模型训练所需的数据量；与商业芯片制造商建立硬件合作渠道，完成芯片集成；以及设立五年制的深度技术研究路线图。

Flourish Inc.能在成立不到一年、甚至还没有具体产品的情况下融到5亿美元，时机、技术和团队能力缺一不可。

01

"大脑—商业"双核互补的顶尖创始团队

Flourish创始团队的独特之处，不是简单地将一名科学家与一名高管并列，而是在技术与商业两个维度上形成了结构性的深度互补。

Thomas Reardon——从万维网缔造者到大脑逆向工程师

联合创始人Thomas Reardon拥有一个几乎不可复制的学术与职业轨迹。高中时期，他便在麻省理工学院研修研究生层次的数学与科学课程，被形容为“数学和电脑神童”。离开校园后，他创立了自己的第一家软件公司，随后在一次偶然会面中结识比尔·盖茨，由此加入微软。

在微软期间，Reardon亲手组建了Internet Explorer开发团队，于1996年主导发布了IE3，并提出了将IE与Windows操作系统捆绑销售的战略构想。IE3成为第一个与当时占据主导地位的Netscape Navigator正面竞争的浏览器，奠定了第一次浏览器大战的格局。此外，他担任万维网联盟（W3C）创始董事会成员和技术顾问，深度参与了HTML4、CSS和XML等核心互联网标准的制定与落地，目前持有六项美国专利。

然而，在软件工程的巅峰之上，Reardon 选择重返学术。据传，一次与物理学家Freeman Dyson的午餐对话促使他重新思考智能的本质。2008年，他从哥伦比亚大学通识学院毕业，获得古典语言与文学学士学位，以Magna Cum Laude（极优等）荣誉毕业，并被纳入Phi Beta Kappa——美国最负盛名的大学学术荣誉学会。随后，他进入杜克大学攻读神经生物学硕士，再返回哥伦比亚大学，先后获得神经科学与行为学方向的MPhil与PhD学位。

2015年，Reardon与同为哥伦比亚大学神经科学博士的Patrick Kaifosh联合创立CTRL-Labs，致力于研发非侵入性神经接口技术。该公司开发的智能腕带通过表面肌电图（sEMG）捕获肌肉产生的电信号，将“运动意向”转化为数字指令——用户在手部完全不移动的情况下，仅凭“想”即可完成操作。2019年，该技术被Meta以约10亿美元的价格收购，CTRL-Labs并入Meta的Reality Labs，Reardon出任神经运动接口与交互研究副总裁。2025年，其团队在Nature杂志上发表了核心研究成果，发布了Meta Neural Band——一款允许用户通过手势控制智能眼镜的腕带设备，该论文作者列表包含247位实验室成员，是学术界与工业界深度融合的罕见案例。

Reardon的每一次职业转换都围绕一个核心命题：人机交互的底层突破。从万维网标准（信息的全球互联），到神经接口（意图的信号捕获），再到Flourish的目标——从大脑逆向挖掘全新的计算架构——他始终在寻找"人"与"机器"之间最根本的信息传输与处理范式，并以其为支点撬动计算范式的下一个代际跃迁。

Rob Williams——亚马逊S-team成员、执掌规模化的运营者

Rob Williams 与Thomas Reardon 形成了鲜明互补，他带来了商业广度与大规模落地的执行力。

Williams

他拥有华盛顿大学工商管理学士学位与威拉姆特大学法学院的法学博士学位，曾担任西雅图市刑事检察官。法学与商业的双重训练，使他在商业谈判、合同法律与规模化运营方面具备了远超一般科技高管的综合能力。

1994年，Williams加入高端音响零售公司Magnolia Hi-Fi，在其被百思买收购后晋升为全美销售发展总监，展现了在大集团内部推动新业务的能力。2006年，他加入亚马逊，开启了近十年的职业生涯，历经五个高级领导职位，横跨零售与卖家团队两大业务线。他曾领导亚马逊FBA（由亚马逊物流）的多个关键团队，包括卖家赔付与资金回收、客户投诉降低以及缺陷减少等职能；此外还负责FBA的产品路线图管理，以及亚马逊竞争策略与谈判团队的产品管理。在他离任前的最后一个职位上，他领导了亚马逊全球供应商管理中的Tier 1 Vendor团队。

2022年12月，Williams被亚马逊CEO Andy Jassy晋升为设备软件与服务副总裁，并成为S-team成员——亚马逊最核心的29人精英决策团队，直接向CEO汇报。在这一职位上，他主导了Alexa软件体验、Fire TV操作系统Vega的发布、Kindle与Echo设备群的软件架构等关键项目。同事们评价他“对几乎所有产品的软件与体验都产生了重大影响”。

Williams在亚马逊内部以极致运用“逆向工作”方法论而闻名——即在产品尚不存在时，先撰写一份完整的新闻稿，说明产品将如何解决客户痛点，再用这份新闻稿反向驱动团队，以最终产品的形态倒推研发路径。正是这套方法论，在他与Reardon联合向贝索斯提呈Flourish项目方案时被再次启用：贝索斯在阅读两页项目概要之后迅速给出投资意向，从最初的5000万美元个人出资意向，最终将Flourish轮次中的个人部分扩大到约1亿美元。

如果说Reardon为Flourish提供了科学纵深与学术权威，那么Williams带来的则是超大规模平台的运营经验、产业落地能力，以及与顶级资本对话时不可或缺的商业信用。

这种组合在AI领域的创业中极少出现，也构成了Flourish在融资阶段最为独特的核心资产。

在科学纵深上，Reardon的多学科跨界不是一个简单的"通才"标签所能概括，而是一种罕见的计算范式思辨能力：他能够将互联网协议栈中的信息封装与路由模型，与大脑皮层中的神经脉冲编码与稀疏激活机制，在同一种抽象层次上进行类比、迁移和重构。这种能力使Flourish在联结组学的逆向工程中，不是机械地模仿生物结构，而是从最底层的信息论与计算原理出发，寻找一种可比当前Transformer架构高效数个数量级的全新计算底层。

在商业构建上，Williams带来的则是另一套稀缺资源：对超大规模平台的组织运转与规模化落地的深入理解。他在亚马逊期间积累了复杂的谈判经验、供应链管理能力和跨部门协同的执行方法。更重要的是，他曾深度参与谷歌与亚马逊生态之间的合作谈判，对大型科技公司之间的资本与商业协作有着极高层次的操盘经验。这种能力对Flourish而言尤为关键——公司正与一家未披露的商业芯片制造商进行硅片集成的谈判，同时计划推出能够在消费级边缘设备上运行的AI模型，这些均需要极强的产业落地能力来衔接。

大多数早期科技创业公司的创始团队，要么由纯学术背景的科学家主导，面临商业化与产业落地的难题；要么由纯商业背景的运营者主导，难以形成真正的技术原创性壁垒。Flourish的两位创始人分别在各自领域达到了顶级水准，这种"双核驱动"的结构，是Flourish能以一家尚无产品的公司身份，完成5亿美元融资并获贝索斯等顶级资本背书的深层原因。

02

颠覆Transformer的新计算物种

Flourish 的核心产品是一个名为 “Cortex AI” 的合成智能系统，它不仅追求极致的能效比，更要实现当前模型不具备的关键能力：

能效目标（≈50瓦）：无限接近人脑基准，仅为前沿大模型（单训练集群达兆瓦级）功耗的极小部分。

具备"持续学习"能力：模仿人脑无需从头训练就能持续吸收新知识的能力，使模型能部署在消费级边缘设备（手机、PC）上本地运行并持续进化。

数据样本效率：期望实现类似“人类婴儿”的学习方式——通过少量样本学会新概念，而非需要万亿级token训练。

这些目标如何实现呢？

第一：用逆向大脑联结组，重构AI的底层计算范式

Flourish的技术路线绕开当前主流的Transformer与Backpropagation，直接回到生物智能的起点——大脑皮质柱。皮质柱是皮层中约50–100 µm见方的神经元集群，被认为是皮层计算的基本单元。每个皮质柱内部包含数万个神经元，通过局部兴奋/抑制回路形成稀疏、异步的脉冲编码模式。

Flourish正在利用高分辨率电子显微镜与高通量电生理记录，对小鼠初级视觉皮层的皮质柱进行完整结构重建，这项技术被称为联结组学。与传统“连接组”不同，联结组强调功能性连接及其突触权重分布。Flourish的目标是从中提取一个可计算抽象：一个结构化稀疏神经网络原语，它天然具备局部突触可塑性（如STDP，脉冲时序依赖可塑性）和侧向抑制机制。

基于此，他们正在设计一套非梯度下降的学习算法，核心思想是用神经元发放频率的瞬态变化作为状态更新信号，而不是反向传播中的全局误差梯度。这一思路在计算神经科学中被称为“脉冲神经网络+本地学习规则”，但Flourish的突破在于将其扩展到深度结构，并计划在传统数字CMOS上实现——不依赖忆阻器或新型器件，只通过算法层面的稀疏时序调度模拟脉冲行为。

第二：突破灾难性遗忘——从“冻结模型”到“持续学习”

当前所有大语言模型（LLM）都面临一个根本性限制：训练完成后，模型权重被冻结。若要引入新知识，必须对全部数据重新训练或进行昂贵的高效微调（LoRA等），而且极易发生灾难性遗忘——新任务微调后，旧任务表现断崖式下降。

人脑皮层则具备持续学习能力，其关键在于新皮层与海马体之间的双系统记忆整合。Flourish正在复刻这一机制：他们设计了一个两层记忆架构，分别是临时快速写入的“情景缓存” 和长期稳定的“语义核”。新样本到来时，只更新情景缓存中的局部突触权重，同时通过一个突触巩固门控（由睡眠纺锤波启发的周期性重放机制），将重要模式逐步迁移到语义核中。

与典型的弹性权重巩固（EWC）不同，Flourish的方法不需要计算Fisher信息矩阵，而是利用神经元群体稀疏激活模式自动生成重要性权重。这大幅降低了持续学习的计算开销，使模型可以在边缘设备上在线学习，且每次更新仅修改不足0.1%的参数。

第三：内存内计算与稀疏异步调度——50瓦的能耗目标的实现

Flourish宣称的“50瓦以下运行AI模型”并非空中楼阁，其技术基础是稀疏计算与内存内处理的协同设计。

当前GPU的瓶颈在于：对全张量进行稠密矩阵乘法，即使大部分激活值为零，仍要搬运所有参数。而人脑皮质的能量效率来自稀疏异步脉冲——仅约0.5%-2%的神经元在同一时刻活跃。Flourish提出了一种时间维度稀疏调度器，它将计算建模为事件驱动：只有当某个“神经元”的膜电位超过阈值时，才触发一次计算和内存访问。这种事件驱动架构通过软件仿真实现，依赖一种特殊的内存访问模式——内容可寻址存储器的近似变体，他们称之为突触检索存储器。

在系统层面，Flourish正在与商业芯片制造商谈判，计划将这种调度逻辑硬化为近存计算单元：每个计算核心内嵌入SRAM，并采用行激活预测——仅加载当前时间步中膜电位变化最大的几行权重。配合他们设计的8-bit脉冲编码（权重和脉冲均压缩至低位宽），理论推算显示：在ResNet-50级视觉任务上，每个推理token的能耗可降至约2 nJ，比传统GPU（~500 nJ）低两个数量级。

值得一提的是，Flourish不依赖于任何新型存储器件（如忆阻器、PCRAM），所有技术都设计在成熟CMOS工艺上实现。这降低了流片风险，但同时也意味着他们必须用精巧的调度算法“骗过”传统硬件，让它模拟出脉冲神经网络的稀疏性——这既是最大创新，也是最大的算法挑战。

Flourish的技术文档中有一句话：“我们不是在设计一个更大的模型，而是在设计一个新的计算物种。” 五年后，它可能成为AI的“ARM时刻”，也可能止步于实验室。但可以确定的是，它正以前所未有的方式，挑战我们对智能计算的理解极限。