27   岁的陈勇超，同时开始了两种新身份。

一边，他于今年   8   月入职清华大学人工智能学院助理教授；另一边，他创办了超衍智能（  Apex Intelligence），试图训练一种能够自主研究、持续学习，并在真实任务中自我进化的下一代基座模型。

这家公司成立于   2026   年   6   月，不到三个月，核心团队已接近   30   人。创业迅速改变了陈勇超的生活节奏。每天晚上睡觉前，他还会检查一遍当天有没有漏回的消息。" 所以很多人会在午夜收到我的回复。" 他说。

近日，超衍智能宣布已完成近   4   亿人民币天使轮及天使 +   轮融资。融资将重点用于三大方向：基础模型与算力基础设施的构建、递归研究能力的持续投入，以及核心团队的扩张。

据悉，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；天使 + 轮则由中关村科学城基金、深创投、上海未来产业基金联合领投。

融资之外，过去几个月，超衍智能也开始陆续公布研究进展。

其自进化   AI   系统已经能够从   idea   出发，自主完成方法设计、代码编写、实验执行和论文撰写；团队联合清华大学、麻省理工学院、哈佛大学、卡内基梅隆大学、中国科学技术大学、微软研究院等机构推出   ASI-Bench，试图专门测试   AI   能否在缺少人类方法指导的情况下独立完成科学研究；与此同时，超衍智能又开始将这套系统直接用于   AI   自身的研究，在模型训练和系统优化任务中寻找新的改进方案。

（来源：超衍智能）

在技术的朝阳期下注

陈勇超本科就读于中国科学技术大学，最初学习理论与应用力学。从力学、金属材料、核聚变到   AI for Science，他很早便进入实验室，也不断更换研究方向。此后，他前往哈佛大学工程科学学院（SEAS）和麻省理工学院信息和决策系统实验室（LIDS）接受联合培养，研究方向从机器人、人机交互逐渐转向   NLP   和大模型。

在哈佛攻读博士第一年期间，他逐渐意识到，许多传统学科已步入缓慢的爬坡期，剩下的问题越来越难，取得突破的边际成本日益高昂。他用一句评价高能物理的话形容这种状态："The party is over。" 并开始渴望寻找下一个像几十年前的半导体、或一百年前现代物理那样的朝阳领域。

他的标准首先是兴趣，其次是影响力，也就是这项研究能为学科乃至现实世界带来多大价值。随着研究经历增长，他又增加了第三个维度：一个领域所处的发展阶段。" 我更喜欢处在朝阳期或高速上升期的领域，因为可以做的事情更多，个人可能产生的贡献也更大。"

带着这种判断，他开始从基础科研转向机器人和人工智能。也就在这时，他接触到了   GPT-3。

早期的   GPT-3   并不好用，它会频繁出错，完成复杂任务的能力也很有限。但陈勇超注意到，它的泛化能力明显不同于传统算法。更重要的是，它的问题似乎都有清晰的改进路径：可以在专有数据上继续训练，也可以用算法和过滤机制减少错误。" 这种虽然不完善，但能看到清晰改进空间的状态，让人看到希望。"

此后，他围绕大模型规划、工具调用、长期决策和模型训练展开研究，并先后进入 Google Research、Google DeepMind、Microsoft Research、MIT-IBM Watson AI Lab   进行研究工作。

在微软研究院，陈勇超第一次认真考虑创业。让他意外的是，身边不少原本可以继续发论文、找教职或进入头部模型公司的研究者，也在讨论创业；在谷歌，他第一次接触到   auto research、AI scientist：让   AI   自主探索新知识，并利用研究结果进一步提升自己。

" 微软让我想创业，谷歌让我知道创业要做什么。" 陈勇超说。

不过，直到   2025   年夏天，他仍然认为模型能力不足以支撑这一愿景。真正的转折发生在   2025   年底至   2026   年初。随着模型推理、工具调用和自主研究能力提升，陈勇超开始看到   AI   生成研究想法、开展实验乃至改进自身的可能性。

" 这种感觉和我当年看到   GPT-3   时非常像。这个赛道现在已经能做出一些效果，我们自己试出来也确实如此，虽然还有很多地方需要改进，但有些地方又让你觉得很   promising。就是那种已经在起跑线上、还能往上推一把的感觉。所以这次我就不再犹豫了。"

为此，陈勇超放弃了包括   Google DeepMind   在内的就业机会、海外学校职位，以及与朋友在美国共同创业的选择，回到中国，在清华组建实验室，同时创办超衍智能。

创业之后，这一方向也迅速从一个相对小众的研究问题变成行业热点。近期，陈勇超还围绕自进化模型连续参加了   WAIC   论坛、2026   外滩大会、Link-X Demo Day 2026   等多场公开活动。

RSI   正在成为一场全球竞赛

陈勇超所押注的方向，在行业里有一个更明确的名字：Recursive Self-Improvement，（递归自我改进，简称   RSI）。

早在   1965   年，英国数学家   I. J. Good   就提出过 " 智能爆炸 " 的设想：如果一台足够聪明的机器能够设计出比自己更聪明的机器，后者又继续设计下一代，智能提升就可能进入不断加速的循环。

过去几十年，这更多是一个理论问题。但大模型出现之后，AI   第一次开始真正参与   AI   本身的研发：写代码、设计实验、调参数、寻找算法，再把结果用于下一轮开发。

今年以来，全球已经出现一批直接押注这一方向的团队。

2024   年推出   AI Scientist   的日本创业公司   Sakana AI，今年正式成立   RSI Lab，目标就是让   AI   从静态工具转向能够自主开展研究并进一步改进   AI   的系统；田渊栋等人创办的   Recursive   则直接将 "recursive self-improving superintelligence" 写进公司目标，希望首先让   AI   自动改进   AI，再将同一套机制拓展到其他科学领域。

今年   8   月，谷歌前首席科学家   Jeff Dean   等人共同创办   Discovery Loop，第一步就是自动化机器学习研究，让   AI   同时提出、执行和评估大量实验，并把公司自身作为这套自动发现循环的第一个用户。

甚至   Anthropic   也开始公开讨论这一问题。其研究机构指出，AI   正在承担越来越多   AI   研发工作，但真正意义上能够完全自主设计、开发下一代系统的   RSI   还没有实现。

（来源：超衍智能）

超衍智能选择的也是这一路线，其设计的技术闭环是：模型完成一次真实研究任务后，留下完整的研究轨迹，包括问题提出、假设生成、工具调用、代码修改、实验结果、失败路径和方案调整；这些经验经过筛选和验证后转化为新的训练数据，再用于训练模型。能力提高后的模型继续挑战更难的问题，再产生下一轮经验。

如果这一循环能够持续运转，研究过程本身就不再只是模型能力的考试，而会成为改进模型的原料。这也是 " 自进化 " 真正想解决的问题。

让研究本身成为模型进化的引擎

过去几个月，超衍智能围绕自主科研和自进化模型陆续公布了一系列进展。

最先落地的是自进化   AI   系统。陈勇超将其形容为一位能够做研究的   AI Co-worker：从一个研究方向出发，系统可以继续完成文献调研、问题分析、Idea   生成、方法设计、代码实现、实验运行、结果分析和论文撰写，整个流程已经能够高度自动化。

今年   5   月，团队让   AI   系统自主产出了   34   篇机器学习论文，并提交至   ACL Rolling Review（ARR）接受正常双盲评审。最终有   8   篇论文平均   Overall Score   超过   3.0，其中   2   篇达到   3.67。按照团队对   ARR   历史投稿评分的统计，这两篇论文的成绩超过约   99%   的人类投稿。

" 现在的自进化   AI   研究系统的研究能力，很多时候已经达到了人类博士的水准。" 陈勇超说道。

与此同时，团队也开始尝试回答另一个问题：如果   AI   不再只是完成已有研究任务，而是要真正自主发现问题、选择方法并开展研究，应该如何评测这种能力？

为此，陈勇超联合来自清华大学、麻省理工学院、哈佛大学、卡内基梅隆大学、中国科学技术大学、微软研究院等机构的研究者开发了   ASI-Bench。目前公开版本包含   60   个项目级任务，覆盖   11   个科学领域，并通过   B1   到   B4   四档设置逐步减少人类提供的方法信息：从给出完整方法和步骤，到最后只提供研究目标、数据和约束条件，让   AI 自己选择方法并完成研究。

图   |   在禁用外部工具的情况下，60   个科研项目任务的主要评测结果（来源：超衍智能）

陈勇超认为，相比测试模型已经学会了什么，更值得关注的是它面对未知问题时能否继续探索和学习。" 自进化大模型的核心，不只是复现人类已经掌握的知识，而是让   AI   具备自主探索、持续学习和发现未知知识的能力。"

这一思路也进一步延伸到了模型训练。传统论文主要保留最终结果，但研究过程中的假设、失败尝试和迭代修正往往不会完整呈现，而这些过程恰恰可以成为研究型模型的训练数据。

陈勇超介绍，目前团队已围绕多个领域构建约   100   个研究项目，一方面用于评估模型能力，另一方面沉淀可用于后训练的研究轨迹。在此基础上，他们正在探索 " 数据自进化 "：让   AI   参与生成研究任务、数据集和研究轨迹，再将这些数据用于后训练，使研究过程中产生的经验继续进入下一轮模型训练。

最近，超衍智能又把这套自动化研究能力直接用到了   AI   自身的研发。

其自进化   AI   系统可以自主分析问题、提出方案、修改代码、运行实验，并根据结果继续迭代。在最新一轮评测中，系统在   SLDBench SimpleTES、GPUMode TriMul（H100）和   MLS-Bench Fused Causal Attention   三项任务上刷新了公开最佳成绩；在   NanoChat Autoresearch   上，其   B200   结果也超过了   Recursive SuperIntelligence   和腾讯混元   Hyra   此前公开的成绩，并接近固定预算   LLM   训练任务的公开领先水平。

（来源：超衍智能）

这正是超衍智能所说的   AI for AI：让   AI   不只是使用现有模型完成任务，而是进一步参与算法、训练和底层系统的研发，再把经过验证的结果带入下一轮研究。

在   AI   之外，超衍智能的自进化   AI   系统也开始进入其他研究领域。在   AI for Math   方向，团队正在与清华大学交叉信息研究院张景昭合作开展纯数学理论研究。据陈勇超介绍，相关成果有望在调和分析领域取得重要突破。

对超衍智能来说，下一步要验证的，正是这套自主研究和持续学习的方法，能否从   AI   研究进一步延伸到数学、科学发现乃至更多真实研发场景。如果这一闭环能够成立，AI   的角色也将不再只是提高现有研究效率，而是开始参与产生新的问题、新的方法和新的知识。

" 我对   RSI   最大的热情，不是卷存量，不是替代人，而是在创造增量。" 陈勇超说。在他看来，RSI   更重要的价值，是让   AI   进入人类长期难以突破的领域，继续发现新的问题、方法和知识。

运营 / 排版：何晨龙