元始科技福州元始生物科技取得一种用于医药中间体生产的反应釜专利，实现在降低搅拌阻力的同时加快药物混合

用户投稿 2025年09月21日 04:04:02 23 0

福州元始生物科技取得一种用于医药中间体生产的反应釜专利，实现在降低搅拌阻力的同时加快药物混合

金融界2025年4月15日消息，国家知识产权局信息显示，福州元始生物科技有限公司取得一项名为“一种用于医药中间体生产的反应釜”的专利，授权公告号CN 222753280 U，申请日期为2024年7月。

专利摘要显示，本实用新型公开了一种用于医药中间体生产的反应釜，涉及反应釜技术领域，解决了目前在底部设置搅拌混合装置，其搅拌效率较为低下，其次由于液体搅拌时会产生较大的搅拌阻力，造成反应釜中的搅拌装置容易出现损坏，而且在加注药物时反应釜的加注设备容易出现药物滞留的问题，进而容易发生药物失效、污染等状况的技术问题；包括反应釜体，反应釜体的外部设有两个支撑架，两个支撑架之间固定连接有支撑横板，反应釜体的内部转动套接有混合转杆；本实用新型具有实现在降低搅拌阻力的同时，对反应釜体上部的药物进行充分混合搅拌，进而得以加快药物混合的效，以及防止药物长时间的滞留，导致药物出现污染。

天眼查资料显示，福州元始生物科技有限公司，成立于2023年，位于福州市，是一家以从事科技推广和应用服务业为主的企业。企业注册资本100万人民币。通过天眼查大数据分析，福州元始生物科技有限公司专利信息6条，此外企业还拥有行政许可1个。

本文源自金融界

不走Transformer寻常路，「元始智能RWKV」获数千万天使轮融资 36氪首发

36氪获悉，大模型架构创新公司元始智能（RWKV）已于12月完成数千万人民币天使轮融资，投资方为天际资本。本轮融资后，公司估值较此前种子轮翻倍，而本轮融资将主要用于团队扩充、新架构迭代以及产品商业化落地。

OpenAI旗下的ChatGPT于2022年11月发布，并掀起全球生成式AI浪潮后，已经有两年多的时间。而支撑起ChatGPT的Transformer架构以及Scaling Law（缩放定律），正是这场革命的技术发展主线。

大语言模型（LLM）之所以能够涌现智能，简而言之，是因为让AI模型的参数规模从原来的亿级扩大到了如今的千亿、万亿，在学习了足够多的数据后，模型涌现出了智能。

但大模型也有自己的“阿喀琉斯之踵”——幻觉、准确率几乎是无法完全解决的问题。在刚刚过去的2024年，随着大模型迭代放缓，无论是学界还是工业界，都迎来了对Transformer架构，以及Scaling Law（缩放定律，指增加算力、数据规模，模型性能会相应提高，获得更多智能）的大讨论。

元始智能（RWKV）的成立，正是希望探寻一条能够超越Transformer架构的新路。"我们不仅是一家大模型公司，而且是一家有能力持续实现AI模型底层架构创新的“黑科技”公司。"元始智能联合创始人罗璇表示。

RWKV的创始人彭博毕业于香港大学物理系，曾是量化交易专家。彭博从2020年开始，就选择独立开发RWKV这个创新架构和开源项目。2022年底，RWKV发布首个模型，到如今2023年6月正式成立商业公司，团队已从最初3人发展至近20人的规模。

与依赖巨额算力和数据的Transformer架构不同，RWKV选择了一条更加注重效率和灵活性的技术路线。

“简单而言，目前主流的Transformer架构，相当于每次对话中，模型每输出一个Token，都需要把前文从头全部‘读’一遍，并且需要始终记录前文每个token的状态（即 KV Cache）。” 元始智能联合创始人罗璇表示。这也注定了Transformer不是一个高效的信息处理架构，而且需要大量的算力。

但RWKV最大的技术突破在于，模型不需要始终记录每个Token的状态——也就是不需要每次对话都“从头读全文再给回复”，计算量大大减少。这相当于将Transformer的高效并行训练、与RNN的高效推理能力相结合。

RNN（循环神经网络）并不是一个新技术。虽然它的推理效率高于Transformer，但在RWKV之前，大家普遍认为RNN的能力弱于Transformer。但RWKV的出现，证明了改进后的RNN不但效率保持高于Transformer，且同样具有很强的语言建模能力。

不过，效率更高的代价是：作为状态空间大小固定的RNN，不可能将无限长度的前文全部压缩进状态空间。也就是说，RWKV会逐渐遗忘模型自动判断为“可以遗忘的细节”（对于模型自动判断为重要的细节，模型会持久记忆），相当于看了一遍前文就回答问题，不会再反复阅读前文。

彭博认为，这并不是RWKV架构的缺陷。正如，虽然人类大脑本身没有完美的记忆力，但人类通过少量复读和外部记忆，同样可以拥有完美的记忆力。RWKV可以通过引入RL（强化学习）的方法，来自动判断在必需的时候重新阅读前文，这比Transformer“强行把所有东西都记住”的效率要高得多。

同时，RWKV的特性也有利于在部分场景的应用和落地，比如写作、音乐生成等创意性场景，模型产出的结果会更创新，“AI味”更弱。

“在音乐生成等创意领域，RWKV的架构更接近人脑的记忆演绎机制，不是简单检索过去的信息，而是通过不断更新和重组来‘演绎’，从而产生新的内容。”罗璇解释。

目前，RWKV已经完成了从0.1B到14B的模型训练，且海外社区已发布了32B的预览模型。在过去两年中，RWKV也实现了重要的技术突破：架构从RWKV-4逐步迭代至RWKV-7。

最新发布的RWKV-7模型，在同等参数规模下，可以全面超越Transformer架构的性能。这种优势体现在多个维度：例如，在模型学习效率上，RWKV-7能比经过充分优化的Transformer架构更快地提升准确度。而使用相同参数和训练数据的情况下，在核心benchmark如英语和多语言测试中，RWKV-7也能表现更优。

元始科技福州元始生物科技取得一种用于医药中间体生产的反应釜专利，实现在降低搅拌阻力的同时加快药物混合

来源：RWKV

RWKV-7的记忆力，比起之前的RWKV也显著更强。例如，0.1B的RWKV-7在4k上下文窗口下训练，就能自动解决16k的大海捞针问题。

“RWKV采用的类RNN架构更接近人脑和宇宙的运作方式，通过高效的信息压缩机制，使模型能够在有限资源下实现持续学习和进化。”罗璇表示。

持续学习，也是RWKV-7版本的一个重要技术突破。比起主流模型采用的“训练-推理分离”机制，RWKV能够让模型“边推理边学习”，更好地学习前文中的的规律。

RWKV高效推理的机制，相当适合用于小模型、端侧等场景中——大模型虽然性能强，但计算层面依然面临不少桎梏：无论是手机还是电脑，硬件层面如果没有足够强大的计算单元，也没有办法让模型在本地运转，而是要依赖云端的计算，这就降低了使用体验。

当前，元始智能的公司业务分为两大部分，一是将模型开源，这一部分将持续保持全开源和免费——在GitHub上，RWKV的核心开源项目RWKV-LM已收获了超过12900的star，并且逐步建立起开发者生态，当前已有包括腾讯、阿里、浙大、南方科技大学在内的多家高校和公司使用了RWKV；二是商业实体。在2024年，RWKV做了不少产品侧的尝试，同时覆盖To B和To C。

在软件侧，RWKV面向C端市场推出了AI音乐生成应用。而在To B领域，元始智能选择了具身智能和新能源两大领域，为企业提供模型授权，目前已达成的合作客户包括国家电网、有鹿机器人等企业。

在未来，元始智能计划在2025年推出70B及以上参数的RWKV-7和终端部署方案，并通过结合新型推理框架和新型芯片，探索更大规模的模型。罗璇表示，随着如今Scaling Laws转向，预计2025年上半年将迎来新架构的爆发期，届时元始智能也会加速商业化落地。

欢迎关注