和Jeff Dean押注同一方向，27岁清华助理教授创业，两个月融资数亿

文｜王欣逸

编辑｜张雨忻

今年，通过AI自身来优化AI，已逐渐成为国内外顶尖实验室的共识。

过去一年里，OpenAI创始成员Andrej Karpathy、前Meta FAIR研究总监田渊栋、前DeepMind首席科学家Jeff Dean纷纷加入了RSI（Recursive Self-Improvement，递归自进化）创业浪潮。

RSI的历程与“世界模型”颇为相似——即便是最前沿的实验室，也尚未在递归自进化领域取得突破性成果，技术的不确定性迅速被宏大的叙事和火热的资本市场所掩盖。田渊栋便是一个典型：今年5月，他创立的Recursive Superintelligence公司，在尚未有成果交付时，就已宣布完成6.5亿美元融资，估值高达46.5亿美元。

这股风潮也蔓延到了国内。今年1月，正在哈佛与MIT联合培养项目攻读博士、即将毕业的陈勇超，正面临职业选择的十字路口：一边是DeepMind的工作邀请，以及多家专注AI自动科研的海外初创公司抛出的联合创始人橄榄枝；另一边，是他等待了两年的创业时机，恰好在此刻到来。

他的目标，是训练一个能够自我进化的通用模型，让它在一个可自进化的Harness上，独立完成人类科学家所从事的研究工作，包括构思想法、查阅文献、运行实验。

经过深思熟虑，他选择了后者，回国创办了超衍智能（Apex Intelligence），专注于自主进化的基模研发，并同时入职清华大学。

27岁的陈勇超，成为清华大学人工智能学院有史以来最年轻的助理教授。他在7月正式宣布创立的超衍智能，也在短短两个月内完成了两轮亿元级融资。

《智能涌现》获悉，近日，超衍智能已完成近4亿人民币的天使轮及天使+轮融资。天使轮由IDG资本、星连资本、晶泰科技联合领投，德迅资本、无限基金、初心资本、云岫资本跟投，汇聚了头部美元基金、产业资本及市场化投资机构。天使+轮则由北京、深圳、上海三地头部国资——中关村科学城基金、深创投、上海未来产业基金联合领投。

本轮融资将重点用于基础模型与算力基础设施的建设、递归自进化技术的研发投入，以及核心团队的扩充。

这是一支由Researchers主导的创业团队。超衍智能创始人陈勇超曾在Google DeepMind、Microsoft、IBM等海外实验室从事大模型相关研究，团队核心成员来自字节、Kimi、智谱等头部大模型厂商，具备一线模型研发经验。

与聚焦Agent层的RSI不同，超衍并不专注于做AI for Science的Harness和应用，而是探索基模层的递归自进化能力——让每一次研究任务生成的轨迹成为训练数据，用于改进模型，进而攻克更复杂的问题。

在超衍内部，这套逻辑被概括为“Research is the engine of RSI”，即研究是递归自我改进的引擎。其最终目标，是用一套递归智能系统连接数字世界与物理世界，将统一的能力拓展至AI、数学、物理、芯片设计、机器人、工业制造、化学、生物等各个领域。

“Coding平权之后，下一波会是Research的平权。” 在陈勇超看来，AI的自进化，正在变为现实。

他手中的第一个有力证据，来自今年5月。当时，他们让公司的自进化AI System自主产出了34篇论文，结果令人惊喜：这些论文提交到ACL Rolling Review（ACL系列会议的统一审稿平台）后，有11篇获得了3分以上，这是一个不低于博士水准的初审分。其中，还有2篇论文的分数超过了99%的人类研究员。

“很多想法都挺让人眼前一亮的，有些论文几乎达到了博士生水平，这在我们的意料之外，但也在情理之中，因为这个时刻迟早都会到来。”陈勇超说。

论文之外，从AI自主进行AI方向的研究，到在数学等基础科学领域的探索实验，超衍的AI系统已在多个高难度研究领域完成初步验证。目前，公司内部已沉淀数万条高质量研究轨迹（Research Trajectories），涵盖专家轨迹、合成轨迹和AI自主生成的研究轨迹。

如果把智能的演进放在一个坐标轴上，陈勇超认为，它不是平滑上升的，而是沿着S型曲线，突破一个瓶颈、快速爬升、然后平缓，再等待下一个瓶颈。现阶段，我们正处在上一个属于Scaling Law拐点的平稳阶段，正在等待新拐点的出现，以及下一个智能快速爆发的时刻。

陈勇超对这个拐点即将发生坚信不疑，“时代不可能等你，这和两年前不做大模型、一年前不做具身智能的情况是一样的，RSI在现在就是最好的创业时间点。”

关于回国创业、选择RSI方向以及对智能演进的思考，我们带着一系列问题，来到了清华大学人工智能学院的办公室，与他展开了交流，以下是《智能涌现》和陈勇超的对话实录，略经摘编：

模型的稳定性和创新性，是对抗的

智能涌现： 为什么今年RSI突然爆发了？

陈勇超： 很多人认为是模型能力到了瓶颈期，需要探索新路径，我觉得这是次要原因。最主要原因是，技术的转折点已经来临，模型已经强到一定程度，能够做很多人类研究员做的研究了。 这也正是我们探索的方向，训下一代模型，让它能达到甚至超越人类研究员的水平。

智能涌现： 用简单的话解释，自进化的模型和现在的大模型有什么区别？

陈勇超： 现在的大模型是求稳的模型，给大众用、保守的、不想让它犯错的模型。比如，问它100个问题，它能回答出95个，剩下答不出来的问题努力让它减少幻觉，或者让它直接回答不知道。

但自进化的模型是注重创新性的模型，它对稳定性要求不高。 比如，你问它一个问题，它答不出来，但我们期待它能提出100种不同方法解决这个问题，其中99种错得再离谱都没关系，只要一种对就行。也就是说，探索过程中要允许大量方法失败，但只要其中一种被证明有效，系统就能识别它、保留下来，并且将这次成功转化为未来可以复用的能力。

模型创新性和求稳性很多时候不可兼得，模型过于求稳保守，其创新性就会弱。有的时候我们甚至发现，模型通用的评测结果越好，创新性越差。

智能涌现： 要实现模型的自进化，关键的技术卡点在什么地方？

陈勇超： 第一是模型提出天马行空想法的能力；第二是自主执行能力；第三是验证能力。目前，模型能否提出好想法，筛选出好想法后自主执行下去并做好验证，是特别大的卡点。

智能涌现： 这些卡点可以通过什么方式来解决？

陈勇超：模型的训练方法以及模型架构，尤其是上层架构，都要做一些调整，数据也有很大变化。 比如，用一些对抗性的训练方法，让一个模型扮演不同的角色：既能提出好的想法，也能自行评估，判断这个想法在合理性、创新性上表现如何。通过迭代式的自我改进方法，让想法越来越好、创意水平越来越高。

智能涌现： 为什么先从科研场景先尝试模型自进化能力的落地？

陈勇超： 科研场景对聪明大脑的需求最为迫切。自进化本身是在追求智能上限，也就是对标甚至超越人类研究员。它通常会瞄准那些处于智能上限、最需要创新性的场景。

智能涌现： AI for Science、AI Scientist、Auto-research和Recursive Self-improvement，这几个词之间是什么关系，有重叠吗？

陈勇超： 在我看来，RSI、Auto-research和AI Scientist虽然不是字面意义上的同义词，但本质上指向同一个目标，就是构建能够自主开展研究、并在研究过程中持续提升自身能力的通用研究智能。 AI Scientist描述的是这种系统扮演的角色，Auto-research描述的是它自主完成研究的过程，RSI描述的则是它根据研究结果不断改进自身的机制。

AI for Science和它们不在同一个概念层次。AI for Science描述的是AI被应用在哪里，即利用AI解决科学问题；它可以是一个科研工具、一个垂直领域模型，也可以是一个完整的自主研究系统，但并不必然具备自主研究和自我改进能力。

尽管Auto-research和AI Scientist出现得更早，但很多做这两个方向的人把这个概念做窄了，Auto-research并不只是搭一个Agent写论文，AI Scientist也并不只是训练一个垂直领域的小模型。它们真正要解决的问题是，训练出一个通用模型来超越人类研究员，让AI成为人类员的Coworker。

智能涌现： RSI可预见的上限是怎么样的，能达到什么样的水平？

陈勇超： 这取决于它最终能成为人类哪个level的研究员，这个很难讲它最终能到清华等顶尖高校博士生水准，还是牛顿、爱因斯坦水准。

智能涌现： 智能爆发式增长可能会出现在什么时候？

陈勇超： 我觉得会有一个拐点，可能会发生于模型在某些环节的效率比人高，或者创新能力跟人差不多的时候。它是按瓶颈和阶段推进的，某段时间一旦突破了一个瓶颈，就会呈S型曲线上升，先快速发展，之后逐渐平缓，那时你就会开始等待下一个能突破的瓶颈。

智能涌现： 现在智能处于什么阶段？

陈勇超：第一个S型曲线是Scaling Law，现在正处于第一个S型曲线接近饱和的阶段。 现阶段模型的迭代，其能力进步已经没那么快了，已经到了S型的上端。RSI可能是下一个S型，也可能是帮助发现许许多多S型曲线突破瓶颈的方法论。

像人类科学家一样做研究

智能涌现： 从整体来看，你们现在在做的事情有哪些？

陈勇超： 我们做了一个做自动化科研的AI System，让它来做AI for AI、AI for Math，以及各个学科。同时，我们也在训练自己的大模型、建立能够评价大模型在研究领域能力的benchmark。

智能涌现： 这个自进化AI System独立完成一个科研项目，其端到端的过程是怎么样的？有没有具体的案例？

陈勇超： 这跟人类做研究很像，并且，它像人类科学家一样“全栈”，能自己动手做实验：自己构思想法、做实验、连GPU、搭建环境、训练模型，最后根据实验结果改进方法，并把成果总结成报告、代码仓库、产品或论文。

比如，它现在能帮数学家发现数学上的重大突破、证明定理；也能做AI领域的事，自己优化AI训练里的内核、数据分布、算子；还能做机器人VLA的数据仿真与VLA架构改进。

智能涌现： 在这个系统中做一个项目的研究，周期一般是多长？相比人类做研究，它的速度能快多少？

陈勇超： 这取决于研究难度，难度比较大的项目，AI可能要做两三周，但相比人类已经非常快了，人类的话可能要做好几个月甚至一年。

智能涌现： 这个产品已经上线了吗？

陈勇超： 最近已经上线了，正在小范围内测中。

智能涌现： 关于你们现在正在训的模型，可以展开讲讲吗？

陈勇超： 首先，这个模型肯定是个大参数规模的模型。

它跟上一代模型很大的区别是，我们注重创新性和研究能力。它可能在一些通用能力上，如编程、数学比闭源SOTA模型差一些，但在完整的研究能力上会显著更强。

智能涌现： 你们是从头开始训模型吗？

陈勇超： 我们现在还是基于开源模型做中训练和后训练，做预训练还需要更多的资金储备。

智能涌现： 现在你们的模型能达到什么效果？

陈勇超： 我们自己看下来，有的方面比较惊艳，比如在数据自进化、Harness自进化上，但目前只能做较小的优化，想要在创新性上做很大的突破还比较难。

我们想先训一个通用的模型，它能做很多领域的研究，比如AI for AI、数学、机器人、芯片设计、量子。其中，通用模型的很多数据会包含各个领域，之后基于通用模型做微调，它也能在垂直场景中快速落地。

智能涌现： 为什么先做通用模型，再慢慢做各种垂直场景？

陈勇超： 很多领域的创新来源于毫不相关领域的启发，如果你只用垂类领域的数据训模型，它可能在局部任务上越来越强，但整体智能反而会下降，也就是我们常说的“灾难性遗忘”。

比如，我想让它做AI for大模型，让它所有的训练数据、研究轨迹，全都来自AI自己训大模型的领域。结果你会发现，它就可能逐渐过拟合这一分布，遗忘原本具备的数学、物理、化学乃至常识推理能力。如果它连常理都能忘掉，智力就会退化，它可能越来越擅长重复已有的大模型研发范式，却越来越难跳出局部最优，产生真正具有突破性的新方法。

智能涌现： 你们最近还发了一个Benchmark，叫ASI Bench。

陈勇超： 是的，这是一个评价模型探索能力和研究能力的Benchmark。ASI和AGI的最大区别是，ASI能探索模型提高智能上限、探索世界未知知识。现在还没有一个很好的Benchmark来评价模型的探索能力和研究能力，所以我们做了这个。

智能涌现： 和RSI直接相关的数据非常少，你们如何突破呢？

陈勇超： 数据是一个非常核心的问题。无论是研究类数据，还是递归数据、Auto-research数据，这些都和大模型的数据不同，它需要的是一条完整的研究轨迹数据。

这种研究轨迹非常难获得，因为它都散失在研究过程中了。大家最终留下的往往只是报告、产品、论文，那只是结果；而中间试错、成功与失败的过程轨迹，是根本没有保留下来的。

不仅如此，最顶尖的研究员、人类科学家那些“灵光一现”的时刻，很难被数字化地记录下来。 比如王虹证明挂谷猜想，基本就是今天想一些、睡一觉，明天再想一些、再睡一觉，想要记录下整条思维链非常难。我们也在做这方面的探索，尝试把它复刻出来。

智能涌现： 这么说，让AI改进AI自身，其实也是在模仿人类自我改进的过程。

陈勇超： 对，最聪明的人往往都会自我进化、自我迭代，通过与外部反馈、与自己、与世界互动，来不断提升自己。我们要模仿的，就是这个过程。

一条研究轨迹包含很多内容：怎么构思想法、处理信息、搜集信息、执行实验，以及如何根据实验结果来调整下一步计划。

智能涌现： 关于把研究轨迹数字化，你们做了哪些探索？

陈勇超： 我们在构建领域专家生态，邀请各领域专家一起合作，请他们尽可能复现他们的研究轨迹，并用AI可以理解的方式无信号损失的记录下来。目前行业里基本还没有这一类完整研究轨迹的数据。我们目前已有的数据包括：与专家合作构建的数据、AI合成数据、以及用户自愿选择分享的产品使用数据。

智能涌现： 训一个模型需要多少量级数据？

陈勇超： 这个说不好，数量上很难用“多少T”来衡量，因为一条数据本身就包含很多步骤、很多轮交互。更合理的衡量方式，是按项目数量，或按轨迹的数量与长短来评估。

只做Harness层的商业化，很容易被模型吞掉

智能涌现： 你从2月份做RSI到现在差不多半年了，从当时非常坚定地入场，到现在为止，你的体感怎么样？

陈勇超： 不管在技术上还是资本市场上，当时的想法都得到了验证。

我的判断依然很坚定，第一代大模型（如ChatGPT）替代白领，具身智能替代蓝领，而ASI将替代人类科学家，也就是那些拥有博士学位、“最贵也最聪明”的一批人。

智能涌现： 你们在商业化上有什么思考？

陈勇超：Harness层很容易被模型本身吞掉。只做Harness层的商业化，即只提供一套能自动科研的系统，其上限非常明显。因为模型训练到足够好之后，它可以自己优化自己的Harness。

我们团队最初把Harness自进化和模型进化放在一起做，很明显发现，Harness自进化做到一定程度以后就无法更进一步了。

智能涌现： 目前你们的自进化AI System的商业化还没有起步，感觉你们并不急于商业化？

陈勇超： 从上一代模型中我们就可以看出，一开始过多考虑商业化会很拖累模型训练的研发，考虑的越多，精力越被分散。我们希望更聚焦，把大量的精力和人力投入在我们研究型基础大模型训练中。

智能涌现： 你们设想的商业模式是怎么样的？

陈勇超：我们本质上还是个基础模型公司，因此我们的商业模式本质上还是卖Token，只是Token的形式可能会是API、可能会是一个类似Claude Code一样的半成品、也可能是一个以解决方案呈现的Token集合。便于大家更好的理解，做个类比，Claude Code是Vibe Coding，我们的自进化AI系统是Vibe Research，卖模型以及Harness，让用户可以基于这个系统做各种研究。

智能涌现： 今年你们有什么目标吗？

陈勇超： 我们的自进化AI系统会上线，顺利的话，年底或明年年初会发第一版模型，这个模型在研究方面会全球领先，同时，在某些高价值领域实现落地。

智能涌现： 这个模型会开源吗？

陈勇超： 可能会，还没有最终确定。

智能涌现： 你之前说可能还会推出其他产品，他们会是什么样的呢？

陈勇超： 我们现在的产品基本有两类，跟ChatGPT类似：一类是aPaaS（低代码平台），另一类是像Claude Code这样的CLI（命令行）端。其中，第一类正在推向更多人使用，第二类可能要等模型出来之后才会上线。

智能超过人类的时刻，早晚会到来

智能涌现： 你是什么时候发现这一代模型已经能达到人类研究员的水平了？

陈勇超： 今年5月份，我们有一天突然发现，我们搭的自进化AI System生成的一些想法还挺让人眼前一亮的，生成的论文差不多能达到清华博士的水准了。比如，当时AI提出了一个挺有意思的想法：基于VLM来训练VLA，和自己端到端从头训练，两者是不一样的，在最后的编码器和解码器空间上，在特征