交易框架：担保而非注资

知情人士透露，这笔担保将帮助 OpenAI 租赁软银旗下能源子公司在俄亥俄州开发的 10 吉瓦数据中心枢纽。项目总成本预计超过 5000 亿美元（含数据中心内的芯片），是目前全球最大的数据中心项目。软银创始人孙正义此前也确认过这一成本量级。

由于 OpenAI 仍是一家未盈利的私人公司，没有投资级信用评级，开发商很难以优惠条件举债。英伟达作为全球市值最高的公司出面担保，可以让融资方以更好的条款筹集债务。据报道，2500 亿美元担保覆盖数据中心租约和债务融资，但不包括中心内部的英伟达芯片——芯片采购是另一笔生意：双方还在讨论一项高达 3500 亿美元的芯片采购融资方案。此前英伟达已向 OpenAI 投资 300 亿美元。

项目一期预计 2028 年建成，供电规模约 800 兆瓦。值得注意的是，该项目的电力资源由美国政府控制，美国商务部长霍华德·卢特尼克参与决定接入资格。除 OpenAI 已就租赁进行数周深入谈判外，Anthropic、微软和谷歌近几周也与卢特尼克有过接触。

OpenAI 的算力野心

对 OpenAI 而言，这笔交易是其摆脱”租户”身份的第一步。目前它的算力主要租自微软、亚马逊和甲骨文，而这座数据中心将是它首次以主要承租方身份深度掌控基础设施。《华尔街日报》还披露，OpenAI 最近已将 2030 年前的算力支出预测从约 6000 亿美元上调至约 7500 亿美元。

对英伟达来说，担保锁定的是未来多年的芯片需求。结合其近期披露的 952 亿美元供应商采购承诺，以及过去 16 个月累计约 900 亿美元、覆盖逾 145 家 AI 产业链公司的生态投资，这家芯片巨头正通过金融手段、硬件产能与能源获取的多重布局，巩固其在下一代 AI 基建中的主导地位。

循环融资的隐忧

不过，这类”循环融资”安排也引发了业界担忧：芯片供应商为客户担保融资，客户再用这笔钱购买供应商的芯片，一旦投资者情绪转向或 AI 公司增长放缓，整个链条都可能承压。对英伟达自身而言，2500 亿美元的担保意味着显著的或有负债风险——若项目收益不及预期或出现债务违约，其财务敞口将被迫扩大。

与此同时，美国数据中心建设正遭遇越来越多的公众阻力。纽约州本月已对新建数据中心实施为期一年的暂停令，成为美国首个州级禁令；明尼苏达、密歇根、宾夕法尼亚等多个州也在考虑类似立法。

知情人士强调，谈判仍处于早期阶段，交易可能告吹，融资条款也可能调整。英伟达、OpenAI 和美国商务部均未在非工作时间回应置评请求。

来源：华尔街日报、路透社、彭博社

剧集聚焦英国足球经纪人的世界，围绕虚构的顶级经纪人斯坦利·达尔顿展开。达尔顿一角由曾出演《国土安全》和《亿万》的达米安·刘易斯饰演，他凭借该角色获得过英国电影学院奖和艾美奖。剧本创意源自现实中的足球经纪人达伦·戴恩——他正是前阿森纳球星蒂埃里·亨利的经纪人，也将担任本剧执行制片人。

除了C罗和亨利两位足坛传奇，演员阵容还包括英国说唱歌手Dave和新晋演员卡洛塔·巴纳特。据报道，剧组已在伦敦西北部的巴奈特足球俱乐部主场开拍，亨利近日被目击现身片场投入拍摄。

本剧由C罗与沃恩今年4月联合创立的UR·Marv工作室制作。沃恩成立该公司时曾公开表示，希望对”传统”电影行业市场进行根本性变革。他评价道：”克里斯蒂亚诺在球场上创造的故事是我永远写不出来的，我非常期待与他一起打造鼓舞人心的影视作品。”C罗则表示：”这是令我兴奋的新篇章，我期待新的冒险。”

据电视业内人士透露，鉴于项目背后的人物分量和演员阵容，各大流媒体平台很可能为播出权展开激烈竞价。该剧定位为带有喜剧元素的严肃剧情剧，有意区别于此前的足球题材喜剧《足球教练》，呈现更写实、更硬核的英国足球产业生态。

来源：Deadline / 《太阳报》

从通用到专用：芯片设计思路的根本转变

谷歌现有的TPU（Tensor Processing Unit）虽然是面向机器学习的专用处理器，但仍需适配不同模型，并承担训练、推理等多种任务。最新一代Ironwood单颗芯片配备192GB高带宽内存，单位功耗性能约为上一代Trillium的两倍，最多可由9216颗芯片组成Superpod。

Frozen v2的定位则更为极致。它不会取代TPU，而是作为一条更具针对性的产品线与其并行使用。根据现有报道，谷歌计划将Gemini的部分架构特征直接固化在芯片中，针对其计算路径和常用操作进行专门优化。

大模型推理不仅需要完成大量矩阵运算，还要频繁从高带宽内存读取参数。数据在内存与计算单元之间移动，会消耗时间和电力。Frozen v2希望减少这部分开销，从而提高响应速度，并在相同功耗下处理更多请求。报道所称的6至10倍效率提升，具体指每单位功耗能够处理的Token数量，并非芯片峰值算力。

1800亿美元资本开支背后的算力焦虑

谷歌为何如此激进？首要原因是应对持续增长的算力需求。据相关数据，谷歌内部的AI计算资源短缺已经引发不同团队之间的资源竞争，Google Cloud甚至因此拒绝过部分外部客户订单。

大模型的计算需求包括训练与推理两个阶段。训练先进模型需要集中投入大量算力，但随着Gemini被加入搜索、办公软件、云服务和智能终端，长期发生的推理可能形成更庞大的成本。单次生成的费用看似有限，乘以数以亿计的用户和持续增长的调用量后，电力、芯片、网络及数据中心投入都会成为重要支出。

Alphabet已将2026年资本开支预期上调至1800亿至1900亿美元，主要用于扩建AI计算能力、数据中心和相关基础设施。在这一背景下，提高每瓦电力能够生成的Token数，不仅意味着更低的能源消耗，还意味着同一座数据中心能够承载更多用户请求。

软硬件协同：一把双刃剑

专用芯片的优势显而易见，但劣势也同样突出。更深的模型与芯片绑定会降低灵活性。芯片从设计到投产通常需要数年，如果此后Gemini的基础架构发生较大变化，已经固化的设计可能难以适配。Frozen v2能否获得长期收益，既取决于实际能效，也取决于谷歌能否在快速迭代模型的同时，维持底层架构的相对稳定。

自研芯片还可以加强谷歌对供应链和产品节奏的控制，减少对英伟达等外部芯片供应商的依赖。但这种”减少依赖”并不等于完全替代。Frozen v2即使顺利投产，预计规模也将低于TPU；谷歌的数据中心仍会同时使用TPU、GPU及其他计算设备。它更像是为高频且相对稳定的Gemini任务增加一类成本更低的专用工具。

不止谷歌：AI芯片自研已成行业共识

谷歌不是唯一走向自研芯片的AI公司。2026年6月，OpenAI与博通公布首款自研推理芯片Jalapeño，围绕大语言模型推理设计，计划于2026年底开始部署。Anthropic也被曝已经开始研究自有AI芯片，并与三星电子等潜在合作方接触。

中国方面，DeepSeek和月之暗面等也有自研芯片方面的传闻。亚马逊、微软、Meta、阿里巴巴、百度和字节跳动等拥有云服务或大规模互联网业务的企业，也在不同程度上推进专用AI芯片。

这些项目共同反映出一个趋势：随着AI服务规模扩大，掌握模型的公司越来越希望同时参与芯片和计算系统设计。Frozen v2所代表的不只是谷歌扩大自研芯片投入，也是一项更激进的软硬件协同试验。答案将取决于芯片能否如期投产，也取决于到2028年时，Gemini是否仍然适合这块为它提前设计的硅片。

与Gemini深度集成，效率大幅跃升

与此前主要用于内部训练和推理的TPU不同，”Frozen v2″将直接集成至谷歌Gemini大模型架构中，从而从系统层面提升模型整体运行效率。参与项目的员工表示，该芯片在单位功耗下可处理的Token数量有望达到谷歌最新一代张量处理器（TPU）的6至10倍。这一效率评估主要基于单位功耗可提供的Token吞吐量，意味着在同等能耗下，新芯片能够处理数倍于当前TPU的AI推理请求。

自研芯片商业化加速

Alphabet管理层在此前的财报电话会议中透露，硬件销售将于2026年下半年开始为公司贡献收入，并在2027年实现大部分收入。今年4月，谷歌在拉斯维加斯举行的云计算大会上发布了第八代TPU产品，包括面向AI模型训练的TPU 8t和面向推理任务的TPU 8i。”Frozen v2″预计最快将于2028年投入部署。

AI基础设施投资持续加码

Alphabet在2026年一季度的营收连续第三个季度突破1000亿美元，达到1099亿美元，同比增长22%；净利润同比飙升81%至626亿美元。其中谷歌云业务表现尤为突出，营收达到200亿美元，同比增长63%，营业利润率从17.8%大幅提升至创纪录的32.9%，积压订单达4620亿美元。

公司将全年资本支出预期上调至1800亿至1900亿美元，并通过股权融资和债务融资筹集了超过1200亿美元用于AI基础设施建设。7月17日，谷歌还发布了新一代大模型Gemini 3.5 Pro。在生成式AI快速发展的背景下，全球科技巨头普遍面临算力紧张问题，Alphabet持续加码自研AI芯片，旨在降低对外部算力资源的依赖并提升模型性能。

（来源：CNBC、智通财经网）

市值排名逆转

根据市场数据，苹果盘中市值一度触及4.90万亿美元，而下跌3.2%的英伟达市值回落至4.86万亿美元。苹果时隔约12个月，重新夺回全球上市公司市值第一的位置。

这一反转令市场颇感意外。过去一年多来，英伟达凭借AI芯片领域的绝对主导地位，市值一路飙升，一度超越苹果成为全球市值最高的公司。然而，随着AI行业投资逻辑的演变，市场关注点正从”算力基础设施”转向”AI应用落地”。

AI投资逻辑的转变

分析人士指出，这一轮市值排名的变化反映了AI行业投资重心的转移。在AI热潮的早期阶段，英伟达的GPU芯片作为AI训练和推理的核心硬件，享受着最高的市场溢价。但随着AI技术逐步成熟，投资者开始更多地关注谁能将AI技术转化为可持续的商业模式和收入。

苹果在AI领域的布局正在加速推进。据媒体报道，苹果正考虑收购AI芯片公司，以减少在处理高需求AI工作负载时对英伟达的依赖。目前苹果在其数据中心使用自研芯片处理部分AI任务，但对于更复杂的工作负载，仍需依赖外部供应商。

此外，苹果与谷歌在AI领域的战略合作也受到市场关注。苹果在Siri中深度整合谷歌Gemini模型，并通过iOS中的”Apple Intelligence与Siri”设置板块让用户自主选择AI服务。这些动作显示苹果正在构建自己的AI生态系统，而非单纯依赖外部硬件。

市场反应与展望

苹果的市值反超被一些投资者视为AI行业从”硬件驱动”向”应用驱动”转型的标志。华尔街分析师指出，虽然英伟达在AI芯片领域的领先地位短期内难以撼动，但市场开始重新评估哪些公司能从AI技术的普及中获得最持久的回报。

对于英伟达而言，虽然失去了市值第一的位置，但其AI芯片业务依然强劲。数据显示，各大科技公司仍在大量采购英伟达的GPU用于AI训练和推理。分析人士认为，英伟达的市值回调更多是市场情绪的短期调整，而非基本面恶化。

目前苹果的市值在4.9万亿美元附近徘徊，英伟达则在4.86万亿美元左右。两家的市值差距不大，未来排名仍可能出现反复。这场”市值第一”的争夺战，某种程度上反映了AI行业两条不同路径的竞争——是押注AI基础设施，还是押注AI应用生态。

从营销公司到AI科技公司的转型

森博科技拥有20年战略咨询和数字营销经验，服务过美的、海尔、海信等行业龙头企业。于林义坦言，公司AI化转型的真正转折点并非某一次大模型发布或融资事件，而是旗下高端品牌科驭的实践。

“我们用三四年时间把科驭做到了智能衣物护理机品类第一，”于林义回忆道。正是在这个过程中，团队发现多年沉淀的行业方法论完全可以喂给AI，变成能自主工作的智能体；而AI跑出来的实证业务结果又能反过来迭代方法论。这个”自己先把业务做成”的过程，让森博跑通了”方法论+AI智能体”的双系统飞轮。

三个条件判断场景是否适合AI智能体化

于林义总结了适合AI智能体化的三个核心条件：第一，场景的数字化程度要高，没有数字化AI很难驱动流转；第二，企业在该场景中的人员投资和预算投资要高，有足够的降本增效空间；第三，要有明确判断标准、可证伪、可被结果验证的方法论。

以GEO（AI搜索优化）为例，森博沉淀了”多源映射法”从百度、抖音、小红书等多源搜索数据反推AI平台用户问题，”ACCS模型”构建四层信源体系，以及”P-C-R模型”追踪AI平台信源偏好差异。于林义透露，经过对5大AI平台数万次实测，团队发现百家号60%以上的引用流向文心一言，抖音内容35%以上流向豆包。这些规律并非拍脑袋得出，而是实测数据的提炼。

在达人营销领域，森博采用”双塔匹配模型”做达人筛选，”CVI-5D模型”从传播力、种草力、粉丝匹配度、合作配合度、有效评论成本五个维度进行量化评估。据于林义介绍，这套模型在海尔等客户项目上节省了1958万元营销费用，达人外溢成本降低34%。

实证型研发体系（BER）的四步法

于林义详细介绍了森博的”实证型研发体系”（Business Evidence-Driven R&D），核心原则是每个AI智能体产品都必须先在真实业务中跑通，然后才给客户使用。具体分为四个步骤：

第一步，场景拆解。 不是简单问客户想要什么AI功能，而是深入业务内部，将完整链路拆解——输入、判断标准、输出以及对错验证方式。以GEO场景为例，团队将”让AI推荐你的品牌”拆解为问题定义、内容生产、渠道分发、效果监测和归因迭代五个环节，每个环节都有明确的数据指标。

第二步，方法论结构化。 将判断标准和经验规则编码为智能体可执行的逻辑，不是简单把文档丢给大模型，而是将每个判断节点转化为可量化的决策树。

第三步，实战验证。 智能体直接在真实业务中运行。于林义给出了具体数据：”好现”GEO智能体先在科驭品牌验证，推荐率从0做到90%以上；随后应用于海尔项目，新品首推率达到96%，售后电话首推率达到100%。”好灵”达人营销智能体经内部验证后给海尔使用，AI选出的达人外溢率比人工提升13%。

第四步，结果反哺。 每次业务结果都用来校准模型——正确的强化，错误的修正，形成持续循环。

未来方向：从营销链路到全企业业务链

谈到未来规划，于林义表示，森博正在将这套实证型研发体系从营销链路扩展到研发、生产、供应链、客服等更广泛的企业业务场景。目前森博正在与多家大模型厂商及行业头部企业合作，探索FDE（前端部署工程师）体系在更多业务环节的应用。

于林义对行业趋势的判断是：哈佛商业评论最近的调研显示85%的智能体项目打了水漂，”本质不是技术不行，是这些AI根本没进过真实业务，没有上下文、没有判断标准、没有结果反馈，自然当不了能干活的伙伴。”

在他看来，2026年的AI产业正在经历从”技术找场景”到”场景炼技术”的全面转向——通用模型能力已经足够强，真正决定企业级AI应用效果的，是业务上下文、行业方法论、流程拆解能力和可验证的结果反馈。

英伟达曾在2025年10月成为全球首家市值突破5万亿美元的公司，一度被视为AI浪潮中最核心的受益者。然而，随着市场对AI投资逻辑的重新审视，资金正在从单一的算力龙头向更广泛的科技领域扩散。

BRI Wealth Management投资负责人Toni Meadows指出，苹果此前在AI竞赛中长期被视为落后者，但市场情绪已经发生显著改变。这一转变的关键节点之一，是苹果上个月推出了大幅改版的Siri语音助手。苹果正押注这一升级后的智能助手能够有效缩小与微软、谷歌等科技竞争对手在AI领域的差距。此外，苹果CEO蒂姆·库克已确认将于2026年9月将职位移交予硬件业务老将John Ternus，这一领导层过渡也受到市场密切关注。

尽管英伟达失去了市值第一的位置，Segal Marco Advisors副总裁Benjamin Hall强调，英伟达仍将是AI领域的重要参与者，其在AI芯片领域的技术优势和生态壁垒短期内难以被撼动。

值得注意的是，AI投资热潮已经从英伟达扩散至半导体行业的其他细分领域。存储芯片制造商美光（Micron）于今年5月市值突破1万亿美元大关；韩国存储芯片巨头SK海力士也于7月在纳斯达克成功上市，进一步凸显资本市场对AI基础设施全产业链的关注。不过，半导体板块近期也面临调整压力。费城半导体指数在7月从历史高点累计下跌近19%，尽管如此，该指数今年的整体表现仍优于英伟达个股。

另一方面，苹果自身也面临挑战。分析人士指出，苹果通过产品涨价来抵消成本上升的策略，长期来看可能会对消费者需求造成损害。在AI技术加速渗透消费电子的背景下，苹果能否将AI能力有效转化为产品竞争力和用户留存率，仍需时间检验。

总体而言，此次市值排名的更替不仅反映了两家科技巨头之间的短期此消彼长，更折射出AI投资从”算力单点突破”向”全产业链扩散”的深层逻辑转变。随着AI技术从基础设施建设阶段逐步迈向应用落地阶段，市场正在重新评估各科技公司在AI价值链中的真实定位与长期竞争力。

数据揭示的消费行为剧变

据Placer.ai统计，7月11日（疫情消息大规模传播当天），多家以绿叶蔬菜为主打的连锁餐饮品牌客流量出现明显下降：

– Chopt：客流量较2026年周日平均下降7.1% – Panera Bread：客流量下降7.4% – Sweetgreen：客流量下降3.1%

Placer.ai指出，虽然仅有数天的数据样本，但”生菜类菜单为主”的餐饮场所客流量下滑趋势从7月10日便已开始显现。

与之形成对比的是，以麦当劳、Chick-fil-A、Wendy’s为代表的快餐类连锁品牌周日客流量反而上升了0.8%。整体快餐休闲类（fast-casual）品牌客流量下降2.4%，表明消费者对新鲜农产品的担忧正在重塑餐饮选择模式。

环孢子虫疫情的技术背景

环孢子虫是一种寄生性原虫，主要通过受污染的生鲜农产品传播。由于这种寄生虫无法通过常规清洗去除，且对高温敏感，而人们通常不会烹饪浆果或新鲜绿叶蔬菜，因此生食沙拉类产品成为主要传播媒介。

密歇根州是此次疫情的重灾区，确诊病例已达4312例。纽约市也有显著增长，2026年截至目前已有510例，较去年同期增长三倍。联邦当局尚未确认具体的污染源、种植者或供应商，但密歇根州卫生部门已将生菜或沙拉 greens 列为”潜在来源”。

技术驱动的疫情监测与商业影响

此次事件展示了现代位置数据分析技术如何架起了公共卫生监测与商业决策之间的桥梁。Placer.ai通过聚合移动设备的位置信号，能够在疫情报道发布的同一天就捕捉到消费行为的即时变化，这种实时洞察能力在传统流行病学调查中是难以实现的。

资本市场也对此作出了迅速反应。Sweetgreen的股价在消息发布后的五天内下跌23.3%。Taco Bell的母公司Yum Brands股价下跌7.2%——尽管Taco Bell是唯一被调查是否与此疫情相关的连锁品牌，部分底特律地区的门店已暂停销售生菜、香菜、洋葱、 Pico de Gallo和鳄梨酱。

数据分析的局限与价值

需要指出的是，Placer.ai的数据仅反映客流量变化，并未建立因果关系。目前没有任何沙拉连锁品牌被官方确认与疫情直接相关。然而，消费者恐慌情绪的传播速度往往快于官方调查进度，这种”感知风险”对商业的影响有时甚至超过实际风险。

这一案例揭示了大数据时代下公共卫生危机的新特征：信息传播的速度、社交媒体的放大效应，以及位置智能技术对消费模式变化的精准捕捉，共同构成了一幅传统疫情监测无法呈现的完整图景。

政策转向：放宽资本规则以刺激AI投资

英国央行正计划在未来几周内放宽资本规则，以鼓励银行向市场释放更多贷款。这一政策转向的背景是，英国银行业监管机构近期承受着巨大的压力，被要求采取更多措施刺激经济增长。预计放宽后的规则将带来新一轮放贷潮，因为投资者正 clamoring 寻求更多资金投入到AI相关股票中。

然而，这些即将被放松的规则正是在2008年金融危机之后实施的，这一事实无疑会加剧批评者对AI泡沫的担忧。

“三重打击”：央行行长的风险警告

Andrew Bailey周二公开表示：”股市急剧回调的风险仍然很高。”他警告了AI带来的”三重打击”（triple whammy）：

第一，AI股票的投资已出现过度膨胀； 第二，AI的实际普及速度可能慢于科技公司的乐观预测； 第三，AI自身的发展速度过快，可能使一些巨头企业也被甩在后面。

美国的科技巨头们以及特朗普政府已经押注于AI繁荣，这让美国人产生一种感觉：国家的经济命运与单一产业紧密绑定。Bailey在发出警告的同时，据Politico报道，并未提出任何针对高估值风险的新政策建议来保护英国的金融稳定。

两难心态：追赶者与怀疑者

英国央行的做法折射出该国在全球AI格局中的整体姿态：希望追赶美国和中国的领先地位，努力动员资源实现这一目标，却又因风险过高而不敢全力以赴。Bailey的警告与政策宽松并存，恰如其分地体现了这种矛盾——一方面想搭上AI投资的快车，另一方面又害怕重蹈金融危机的覆辙。

这种心态并非英国独有。全球监管机构都在努力平衡鼓励AI创新与控制金融、社会风险之间的关系。但当美国和中国在AI基础设施、算力和人才方面投入数千亿美元时，英国的审慎姿态可能意味着进一步落后。

地缘政治背景：AI已成国力竞争焦点

AI已不再仅仅是技术产业的问题，而是演变为国家综合实力的核心竞争领域。英国若继续在这种”想进又不敢进”的状态中徘徊，可能在全球AI产业版图中被进一步边缘化。与此同时，完全不计风险地投入，又可能使本国金融体系暴露在不可控的泡沫风险之下。

如何在创新与监管之间找到平衡点，将是英国及所有希望在全球AI竞赛中保持竞争力的国家必须解答的难题。Bailey的”三重打击”警告，实际上也为全球投资者敲响了警钟：AI的长期价值毋庸置疑，但短期的过度炒作确实值得警惕。

从面部识别到脑科学：技术路线的迁移

Littwin于2020年离开苹果，当时正在参与Vision Pro的手部追踪技术开发。据他向WIRED透露，这些项目背后都有”大规模数据收集操作”，需要收集数十万用户的数据来训练深度学习模型。这段经历让他深刻理解了数据规模对AI模型能力的重要性。

2020年，Hemispheric的另一位联合创始人Hagai Lalazar通过LinkedIn主动联系了他。Lalazar当时正在开发无需手术即可研究大脑的人工智能技术，在约见了75位潜在合伙人后，最终找到了Littwin这位具有丰富消费级AI产品经验的合作伙伴。

核心资产：25万小时大脑数据

Hemispheric最宝贵的资产，是一个包含25万小时大脑数据的数据库，来自亚洲、特拉维夫和波士顿等地的10万名付费志愿者。这些志愿者参与了一系列类似游戏的活动，这些活动被设计用来激活大脑的不同区域。

目前，医生诊断抑郁症、阿尔茨海默病和帕金森病主要依赖主观问卷和行为观察，因为每个人的大脑活动模式各不相同。Hemispheric希望通过大规模数据训练出的AI模型，从脑电信号中推断大脑功能状态，就像大语言模型通过统计分析文本来理解语义一样。

工作原理：15分钟EEG检测

在实际应用中，患者只需佩戴一个轻便的EEG（脑电图）头戴设备约15分钟，同时通过平板电脑上的应用与系统互动。Hemispheric的AI模型随后会帮助临床医生解码脑电信号，从而做出诊断、预测最有效的治疗方案，并监测治疗进展。

研究团队已在被诊断为PTSD、精神分裂症和抑郁症的人群子集上测试了其通用模型，并表示模型能够准确推断出个体的大脑健康状况。目前，团队正在进行一项临床研究，验证该模型是否能够诊断甚至预测阿尔茨海默病。

融资与商业化路径

Hemispheric此轮融资来自美国和以色列的风险投资机构及个人投资者，其中包括Uber早期投资方Howard Morgan。公司将利用这笔资金推进与各国政府、医疗机构和制药公司的合作，扩大在美国的团队规模，并争取监管批准。

Littwin和Lalazar计划明年初向FDA提交首款产品（用于PTSD研究）的审批申请，希望能在2027年下半年将产品推向市场。

愿景：让脑部检查像血液检测一样普及

“我们设想的未来是，这项技术就像验血一样简单，”Lalazar表示，”设备将非常便宜，能够在心理健康诊所、医院甚至心理医生办公室中销售和部署。”

目前，AI辅助诊断工具在肺癌等疾病的临床应用已在欧洲推广。与此同时，OpenAI和Anthropic等AI巨头也在加速布局医疗领域，初创企业面临的竞争正在加剧。Hemispheric团队还在开发自有的脑部扫描设备，以获取比传统EEG更有利于模型训练的数据。Littwin指出：”传统EEG设备从来不是为机器学习和深度学习设计的。”

如果Hemispheric的技术路线获得验证，这将是脑部疾病诊断领域的一次范式转变——从依赖主观判断走向基于AI的客观量化分析。