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。