AI产业链地图·知识库 Consensus · 公司
🚧 网站建设中 更新 2026·08·05 → 产业链图谱
首页/公司/Consensus
第五层 · 未上市 · 更新 2026·08·05
公司 未上市

Consensus

它把大语言模型RAG嵌入向量和学术论文语料封装成答案引擎,向医生、研究员、记者和政策制定者输出附带论文证据和 DOI 链接的答案。产品重心从单篇论文证据回溯,进一步扩展到多篇论文交叉验证和科学共识度评估。这使它同时跨过学术检索、证据综合和专业决策三层应用,而不是只做搜索引擎

Consensus 未上市
主层
第五层 · AI 应用
主子行业
AI搜索与信息服务
总部
美国波士顿
反向引用
6 处 · 来自 4

Consensus

Consensus 是第五层应用中的学术循证 AI 问答公司,卡在学术论文证据与自然语言答案之间,以来源标注和共识度评估形成差异化。 公司以数亿篇学术论文为知识库,面向医学、心理学、营养学、经济学、教育学等学科提供附带 DOI 链接的证据型答案。它是学术 AI 搜索赛道的三大代表之一,与 Semantic ScholarConnected PapersPerplexity AI 分属不同路线。

一、主营业务与产品矩阵

  • 循证 AI 问答(核心):产品以自然语言问题为入口,返回基于科学论文的答案,并附带具体论文证据和 DOI 链接。其知识库覆盖数亿篇学术论文,支撑医学、心理学、营养学、经济学、教育学等学科问答。
  • 学术证据索引与来源标注:将学术论文语料通过 RAG嵌入向量等方式组织为可检索证据层,使答案可回溯到原始论文。该层把数亿篇论文转化为可引用证据,是产品与通用网页答案引擎的主要差异点。
  • 共识度评估:在单篇论文证据之上,对多篇论文进行交叉验证,并标注观点的科学共识度。这使产品从检索结果升级为证据判断,服务于医学、心理学、营养学、经济学、教育学等需要循证结论的学科。
  • 专业用户与决策场景:面向医生、研究员、记者、政策制定者等专业用户,将证据答案嵌入研究、临床、报道和政策分析流程。专业用户与多学科覆盖构成其区别于通用搜索的垂直应用层

二、产业链位置

三、竞争格局

学术 AI 搜索尚未收敛为单一赢家,路线分化为全文检索、文献关系发现、循证答案和通用网页答案。Consensus 是学术 AI 搜索赛道的三大代表之一,与 Semantic ScholarConnected Papers 同属学术路线,但更强调把论文证据直接转化为答案,并以 DOI 来源标注和共识度评估建立差异。其壁垒主要在证据组织方式:把数亿篇学术论文、RAG、嵌入向量和自然语言答案封装为可溯源的决策工具。短板在于公司未上市,经营规模缺少公开披露;上游依赖大语言模型和论文语料,下游医生、研究员、记者、政策制定者对准确性要求高;Perplexity AI 等通用答案引擎和 Semantic Scholar 等学术检索平台可能从两端蚕食场景。

四、经营数据

指标 2025E 2026E 2027E 2028E 2029E 2030E 来源
Core CPI(%) 2.8 2.3 2.3 1.9 高盛
自由现金流(亿美元) -75.0 -245.0 -170.0 -87.0 -45.0 6.0 伯恩斯坦
Capital Expenditure(亿美元) -100.0 -315.0 -315.0 -250.0 -285.0 -310.0 伯恩斯坦
Implied Consensus WFE(亿美元) 1,162 1,373 1,634 瑞银

数据来源:高盛 2026-07-16;伯恩斯坦 2026-03-24;瑞银 2026-02-16。列头为公司财年口径。

五、投资视角:多空逻辑

多头(催化)

  1. 循证答案切中专业决策场景 — 医生、研究员、记者和政策制定者需要的不只是网页摘要,而是可回溯到论文证据的答案。
  2. 来源标注和共识度评估构成差异化 — 每个答案附带具体论文证据与 DOI 链接,并通过多篇论文交叉验证标注科学共识度。
  3. 学术语料规模提供冷启动门槛 — 知识库覆盖数亿篇学术论文,支撑医学、心理学、营养学、经济学、教育学等多学科问答。
  4. 与通用答案引擎形成互补而非简单替代 — 在学术 AI 搜索赛道中,它与 Semantic ScholarConnected Papers、Perplexity AI 分别占据全文检索、文献发现、通用网页溯源和循证答案等不同位置。

空头(风险)

  1. 商业规模尚未由公开经营数据验证 — 公司未上市,缺少收入、用户数、付费规模或市占率等可验证经营指标。
  2. 上游依赖大模型与论文语料 — 产品能力建立在大语言模型、RAG、嵌入向量和学术论文 corpus 之上,底层模型或语料供给变化会影响答案质量与成本。
  3. 准确性与责任风险高于通用搜索 — 医学、营养学等专业场景对错误答案更敏感,证据标注和共识度评估并不能完全消除误导风险。
  4. 两端竞争压力Perplexity AI 等通用答案引擎可向学术场景延伸,Semantic ScholarConnected Papers 等学术检索工具也在争夺研究员和专业用户。

数据来源

  • 高盛《Japan Economic Flash: Raising Our FY2027 Inflation Forecasts Due to Weaker Yen, 》2026-07-16
  • 伯恩斯坦《U.S. Multi Industry & Electrical Equipment US Multis Initiation: Thrills and Chi》2026-06-09
  • 野村《Asia Economic Monthly:Our out~of~consensus calls》2026-06-05
  • 摩根士丹利《Semiconductors - North America Raising estimates-PTs for memory stocks as demand》2026-06-03
  • 汇丰《Marvell Technology (MRVL.US)Upgrade to Buy: Ready to ride the AI~networking supe》2026-05-26
  • 瑞银《Taiwan Equity Strategy, Consumer and Industrial Sectors:AI~driven earnings upgra》2026-05-11
  • 伯恩斯坦《CoreWeave-GPUs, GWs, and no FCF in sight...How should one value a Neocloud-》2026-03-24
  • 瑞银《UBS Global I O Semiconductors and Semi Equipment:WFE Update: 2027 $170B+, 2028 U》2026-02-16
  • 子行业全景见 AI搜索与信息服务