配资平台是否支持低杠杆成立不到一年连融三轮，专治失眠的 AI 床头灯「火」了

配资平台是否支持低杠杆

床头或许会成为 AI4Bio 的一个新入口。

作者｜连冉

编辑｜郑玄

一家成立几个月、第一款产品即将量产的 AI 硬件公司，已经连续融了三轮：高瓴连续三轮加注，智元机器人等机构先后进入股东名单；到了今年 7 月，招商局创投又领投了它的新一轮融资。

这家公司叫 Fullive.ai，创始人郑昊本科就读于清华数学系，此后一路跨过生物统计、因果推断、AI、医学和硬科技投资；联合创始人韦骁龙来自北大计算机，此前曾在华为、荣耀负责消费电子产品。团队里还有参与过华为手环、WHOOP 等穿戴设备的硬件人员，以及来自百度、大疆等公司的算法和商业化老兵。

Fullive.ai 把第一款产品放在了床头。

它叫 Somni，是一款面向高压脑力人群的睡眠硬件。外形上，它不像传统健康硬件，更像一个安静的床头设备：没有屏幕、不需要佩戴，也不要求用户在睡前再学习一套交互。通过毫米波雷达、麦克风阵列和环境传感器，感知人在夜里的呼吸、心率、体动以及卧室环境，再用声音、光线、气味等神经系统调节方式帮助用户更快入睡、减少夜间醒来，并在早晨完成自然唤醒。

实盘股票配资网

睡眠当然已经是一个拥挤的硬件市场。

手环、指环和床垫越来越擅长告诉人们昨晚睡得怎么样，助眠灯、耳机和眼罩也在尝试用声音、光线或触觉让人睡得更好。但这两件事之间，其实一直隔着一个很难解决的问题：知道你没睡好之后，机器到底能做什么？更重要的是，它怎么知道自己做对了？

这正是 Somni 想解决的问题。它其实是一套会在连续夜晚中学习用户响应的闭环系统。

如果前一晚的一套声音和灯光没有达到预期效果，Somni 会根据用户整晚的生理变化，重新调整下一晚的方案；反过来，如果某种干预有效，这次身体反馈也会成为之后调整的依据。

郑昊把每个夜晚都看作一次持续发生的「小型实验」：观察一个人处在什么状态，尝试一次干预，再看身体发生了什么变化。如此循环，设备才有可能慢慢摸清，对这个人来说，什么方法真的有用。

这也是 Fullive.ai 做 Somni 更深一层的原因。

在郑昊看来，今天大量健康硬件已经很擅长「监测人」，但如果 AI 想进一步参与人的健康管理，仅仅知道一个人的心率、呼吸和睡眠分期还不够。它还需要理解，当外部世界发生变化时，人的身体会怎样跟着变化。

元股证券:ygzq.hk

从一台放在床头的睡眠设备开始，Fullive.ai 想让 AI 学习的，正是这种「响应」。这家年轻公司将其称为 Response Learning：如果 Somni 能够在真实生活中持续完成感知、干预和反馈，它积累下来的，就不再只有「人是什么状态」的数据，还有「什么东西改变了人，以及人是怎么被改变的」。

一盏床头设备，由此成为了 Fullive.ai 验证这条路线的第一个入口。

睡不好的一晚，床头能做什么？

第一眼看到 Somni，可能会先把它当作一台床头睡眠灯。

Somni｜图片来源：Fullive.ai

它试图覆盖睡眠的全周期：入睡前帮你放松下来，睡眠中维持稳定的状态，清晨用更自然的方式唤醒。对用户来说，理想状态下只需把它放在床边，其他事情交给设备完成，不需要佩戴手环或头带，也不用主动打卡、频繁操作。

用户体验上，它和普通床头设备的使用感没什么差别；但在系统内部，每一晚的运行都形成了一套完整的闭环：感知状态、判断策略、执行干预、迭代优化。

Somni 使用毫米波雷达、麦克风阵列和环境传感器，持续捕捉呼吸、心率、体动、鼾声及卧室中的温湿度、光照等变化。多组信号融合之后，系统能持续判断用户的睡眠阶段和环境状态。

收集数据是第一步。接下来是判断该在什么时候做什么。传统睡眠监测设备的逻辑是「事后复盘」—— 第二天出一份报告，告诉你睡了多久、醒了几次、深睡比例多少。

Somni 往前走了一步：它要生成一套随时间动态调整的干预方案，比如几点调暗灯光、用什么节奏的声音辅助放松，夜间醒了又该怎么调整动作。

它通过声光味等因子，对夜间神经状态进行低打扰调节。这些方式的共同点是，不需要在用户睡觉时增加明显操作，也不必让人佩戴更多设备。对于工作强度高、容易紧张、同时又对外部刺激较敏感的人群，这种「尽量少打扰」的设计很重要。

最后一步是学习迭代。每一次干预都会对应一组后续反馈：呼吸有没有变平稳？入睡时间有没有缩短？夜里醒的次数少了吗？第二天主观感受有没有变好？系统会对比干预前后的变化，再调整下一晚的执行策略。

郑昊向极客公园把这个过程概括为一场持续发生的「小型实验」：前一晚采取的动作，和用户随后出现的生理变化，都会成为第二天优化方案的依据。

为什么选择床头，而不是做成腕带、头戴设备或智能床垫？这也是一种现实的取舍。头戴设备能够拿到更直接的信号，但很多人难以长期佩戴；手环和指环更适合记录，却很难主动改变周围环境；床垫能做温控，但安装和价格门槛都更高。

床头是一个已经存在于日常生活中的位置：它离人足够近，可以感知环境，也有空间容纳声音、灯光、气味等输出模块。对 Fullive.ai 而言，睡眠是一个相对封闭、干预手段相对有限、又能连续观察数小时的场景，很适合作为第一站。

不止是睡眠硬件，

还要训练一套「懂人体反应」的响应模型

在这盏床头灯的外壳之下，Fullive.ai 真正想落地的，是一套全新的技术逻辑。

过去几年，AI 在生命科学领域的重要进展，大多建立在对结构、序列、影像和历史记录的学习之上。从蛋白质结构预测到医疗影像识别，模型越来越擅长描述：一个生命系统「现在处于什么状态」。

但健康管理的核心，从来都是「改变状态」，而不是「描述状态」。同样一段音乐、一次光照调节、一项营养补充，对不同的人效果可能天差地别；就算是同一个人，压力水平、作息节奏、身体状态变了，反应也会跟着变。

Fullive.ai 因此把自己的核心数据逻辑定义为「状态 → 干预 → 响应」：先记录人体当前的状态，再施加可控的干预动作，最后观察生理和行为上的真实反馈。由此产生的数据被称为「响应数据」，最终训练出的模型，就是「响应模型」—— 它要学的不是「人现在怎么样」，而是「人对干预会怎么反应」。

图片来源：Fullive.ai

这条路线并不只停留在产品概念上。Fullive.ai 已经围绕人体状态转移建模、响应模型构建和模型推理效率等方向和多家科研院所展开研究。它要解决的问题是让 AI 学会在真实世界中理解「什么改变了人」。对 Fullive.ai 来说，Somni 的意义是在真实家庭场景中持续获得「状态—干预—响应」数据，让模型逐步学习：一个人为什么会进入某种状态，又在什么条件下可能被改变。

只有感知的话，系统拿到的只是一份状态记录；加上干预和反馈，数据才能形成真正的闭环——这也是 Somni 从一开始就同时集成传感器与执行模块的原因。而卧室之所以成为第一个实验场，正是因为这里环境相对稳定，干预动作的边界清晰，生理变化可以被连续观测，用户也不用在白天反复和设备交互。

在系统架构上，公司将 Somni 概括为「传感器 × 基础模型 × Bio-OS Harness」：传感器采集用户与环境信号，模型结合生理先验和医学证据生成干预策略，Bio-OS Harness 负责调度所有感知和执行模块，管理整套闭环的运行。

这套模型不是自由生成一堆健康建议。郑昊认为，在涉及人体的动态干预场景里，生成式模型更适合承担「规划师」的角色，负责提出候选方案；系统还需要一个「模拟器」，在一定的置信区间内推演动作可能带来的影响。而生理先验知识、循证医学依据，以及被严格限定的干预动作范围，共同构成了安全边界，控制模型的动作不会越界。

安全与隐私，是这套系统能否走进卧室的前提。根据 Fullive.ai 的介绍，Somni 采用端云协同方案，雷达采集的原始波形优先保存在本地，需要上传云端的信息会进行加密传输与最小化处理，并尽量避免上传可还原个人隐私的原始数据。效果评估则同时参考睡眠、情绪等主观量表，以及入睡潜伏期、睡眠分期、夜间觉醒等客观指标。

Fullive 正在这条路线上加速迭代。目前 Somni 已完成小批次被试实验，正在持续推进今年的量产与更大规模的临床验证。响应模型能否在不同人群、长期使用中保持稳定的泛化能力，干预效果能否经受随机对照研究的检验，一款卧室硬件能不能让用户愿意长期用下去，都会决定这套闭环最终能走多远。

从一个夜间入口出发，

Fullive.ai 想走向哪里？

Fullive.ai 将自己定义为一家「模型 × 本体」的 AI4Bio 公司。

在这套逻辑里，模型负责理解状态、推演变化、生成策略；本体负责走进物理世界，完成感知、执行和反馈采集。Somni 是第一个夜间节点，而规划中的日间产品 Cori，会把压力、专注、情绪、恢复、行为、环境等更多上下文，接入同一套系统。

郑昊用特斯拉的路径来类比这件事：汽车的价值不只是硬件销量，更在于它同时具备感知环境、执行动作、回收反馈的能力，真实道路数据由此持续推动模型迭代。映射到生命系统，Fullive.ai 首先要造出能规模化部署的「本体」，再通过这些本体积累人体对外部输入的响应数据。

正是出于对规模化数据闭环的考量，团队放弃了大而全的机器人形态，收敛到睡眠场景。机器人能承载的功能更多，但成本和复杂度也更高，现阶段的出货规模很难支撑模型快速收敛。睡眠有明确的用户需求、相对封闭的场景，还有足够长的连续观测时间，是更合适的切入点。

郑昊的个人经历，也影响了公司的技术选择。他曾在清华学习数学与生物统计，接触因果推断和可穿戴计算；之后又深耕数据科学、人工智能与医学领域，还有成长期科技投资和消费产品的相关经历。这些看似分散的路径，最终都指向同一个长期问题：哪些因素会影响生命系统，这些影响又该如何被解释、推演和规模化验证。

目前 Fullive.ai 已经组建了数十人的成建制团队。公司同时研发模型、硬件和 Bio-OS，意味着要横跨传感器融合、模型架构、工业设计、循证医学、供应链与消费市场多个领域。软硬一体带来了更完整的数据闭环，也抬高了执行难度。

公司的长期目标，是打造 Physiological World Model ——「生理世界模型」：一个能学习人体状态如何随环境、行为、摄入、节律和干预动态演化的系统。这个目标仍需要通过真实产品、真实用户和长期数据逐步验证。Fullive.ai 眼下更具体的任务，是先把 Somni 做成一款有效、易用、能被用户持续使用的睡眠产品，在一个有限的场景里把响应模型跑通。