竹间智能由前微软（亚洲）互联网工程院副院长简仁贤于2015年创办，深耕自然语言理解多年，以知识、交互、情感和机器学习为核心，从刚需更迫切的B端切入，依照真人员工培养路径，通过“通用技术底层→行业术语和场景know-how→无代码自主运维”系统化培养更聪明的数字员工。在目前普遍着眼于替代低端劳动力的市场上，竹间智能更进一步，致力于为高端白领提供辅助智能，并通过多场景多模块数字员工的共用大脑，帮助企业整合和盘活知识资产，实现全场景智能化转型。

      作为国内专注NLP赛道的头部玩家，竹间智能创始人兼CEO简仁贤表示：“我们一直相信，以知识资产为核心的管理将成为企业新一代的操作系统，也希望每个客户都能拥有自己的数字员工和AI助理，而NLP技术将是实现上述愿景的强力支撑。在数字员工持续迭代的路径下，只要有源源不断的知识资产输入，机器人就可以学无止境，只要需求梳理清晰明确，任何行业中任何与语言相关的场景都可以拥有属于自己的‘竹间数字员工’；而通过与生态伙伴合作，用NLP赋能RPA、OCR、CRM等其他技术及各领域垂直应用，则更将创造出数以万计的场景。未来竹间将持续推动与战略投资方及其他生态伙伴的各项深入合作，不断拓宽产品应用边界。”

      竹间智能自研以长短文本打通的NLP技术，结合深度学习技术，以基于逻辑的符号AI和基于数据的神经AI构建复合式AI通用技术底层，构筑起强大的技术壁垒。

      NLP是使AI具备认知智能的核心技术，而NLP技术的通用性程度则决定了数字员工可以被规模化生产的程度。从语言学角度，语言分为长文本和短文本，分属文本书面语言和对话口头语言两种语言体系，其对应的主要商业应用场景则分别为知识和交互。好的NLP技术应该可以同时处理长文本和短文本，但目前市面上玩家却普遍只专注长短文本中的其一领域，主要还是因为其自然语言理解效果的达成所依赖的技术还比较传统。短文本交互厂商通常运用开源算法、正则、关键词、标准问答等方式，依赖固定场景下相对有限的语料标注来达到勉强替代人工的效果，但无法实现多轮问答、意图识别等更智能的对话效果；而长文本由于文档篇幅较长且知识量级较大，用纯机器学习做商业化并不现实，相应的应用厂商其技术深度通常只能处理特定业务场景下制式和语料相对统一的文档，无法解析复杂句或进行自动标注，对存在倒装、省略、多轮等标准化程度较低的口语交互场景则更加无能为力。

      技术深度不够决定了其产品通用性程度不高，行业和场景的切换将依赖定制化，在产品化、工程化与规模化的实现上容易暴露出后劲不足的问题。竹间深刻地意识到这一点，迎难而上选择了不同于单纯侧重长文本应用开发或短文本智能交互厂商的技术路线，用通用且复合式的NLP技术打通知识和交互，搭建完整的技术栈。一方面，在技术开发之初就聘请专业语言学家进行语料标注，自研多种技术应对复杂、非标难句，包括人称识别、指代消解、歧义理解、实体链接和识别、语义角色分析、依存句法分析、句向量上下文指代分析、容错识别等，目前已积累超过30种NLP能力模型，超过500万条语言学家标注数据；另一方面，结合深度学习技术，以基于逻辑的符号AI和基于数据的神经AI构建复合式AI，融合语言学与神经网络绘制知识图谱，打开AI思考黑匣子的同时也为相同准确率下的模型压缩和轻标注量提供技术支持。

      通过100%自研，竹间智能用自然语言处理、知识工程、多模态情感计算、深度学习、智能语音技术和文本数据中台等搭建了坚实的技术底座，使数字员工具备知识储备、沟通交流、人际交往和持续学习等能力。

      本次融资资金将用于SaaS标准化产品的推广，继续巩固技术壁垒和产品优势，帮助更多头部及腰部客户实现企业智能化转型。