3 个月融资近 4 亿，27 岁清华助理教授押注 RSI

今年，OpenAI、Anthropic 等 Frontier Lab 都在让 AI 更深地参与 AI 自身研发。 OpenAI 9 月披露，其内部已经达到 Automated Research Intern 阶段，AI 可以在研究人员指导下完成原本需要数天的明确研究任务；Anthropic 也在让 Claude 承担越来越多代码、实验和开放式研究工作。

AI 正从执行明确的研发任务，继续往提出假设、运行实验和判断结果推进，再把研究中得到的新经验带回模型研发。RSI 关注的正是 AI 如何进一步参与改进 AI 本身。

今年 6 月，陈勇超创办超衍智能（Apex Intelligence），从基础模型层做 RSI，希望让模型具备自主研究能力，并将研究过程中产生的数据和经验继续用于训练。公司成立不到三个月，核心团队已经接近 30 人，成员来自清华、哈佛、MIT 等高校，以及 Google、Microsoft、Amazon 等企业，部分核心成员此前有字节、Kimi、智谱等大模型团队的研发经历。

9 月 16 日，超衍智能宣布连续完成天使轮和天使+轮融资，3个月内累计金额近4 亿元人民币。本次天使+轮由中关村科学城基金、深创投、上海未来产业基金联合领投；此前天使轮由 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。融资将主要用于基础模型和算力基础设施建设、RSI 相关研发以及核心团队扩张。

先把研究能力训练进模型

目前，超衍智能已经推出自进化 AI 系统 Apex Research。从一个研究方向出发，系统可以继续完成文献调研、提出 Idea、设计方法、写代码、运行实验、分析结果，再整理成论文。

今年 5 月，陈勇超团队让 AI 系统完成了34 篇机器学习论文，并提交 ACL Rolling Review 接受双盲评审，过程中只有少量非专业人工干预。34 篇论文的平均评审分为2.60，与团队统计的人类投稿平均分2.63接近；其中 8 篇平均分超过 3.0，两篇达到 3.67，这两篇论文的成绩超过约 99% 的人类投稿。

能完成一篇论文，还不等于能自己决定研究怎么做。团队随后开始测试：当人类不再提供完整的方法和步骤，模型还能不能自己确定研究路径。

围绕这个问题，陈勇超联合清华大学、MIT、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。

ASI-Bench 又将同类任务分为 B1 到 B4 四档，逐步减少人类给出的信息。从完整提供方法和步骤，到最后只保留研究目标、数据和约束条件，让 AI 自己决定使用什么方法并完成研究。

ASI-Bench 更关注的是，当方法信息不断减少以后，模型还能不能继续探索并完成研究。陈勇超在外滩大会上提到，研究模型和普通大模型需要的能力并不完全一样。普通产品更强调稳定和少犯错，研究则需要同时探索很多可能，大部分方法失败并不奇怪，只要最终能够找到有效方案，并判断为什么有效。现阶段模型比较明显的卡点，仍集中在Idea、自主执行和验证几个环节。

评测之外，超衍还在把研究过程本身变成模型训练的数据。目前，团队围绕多个领域建立了约100 个研究项目，一部分用于评测模型能力，另一部分用于积累 Research Trajectory。论文通常只保留最终的方法和结果，但研究过程中提出过哪些假设、调用过什么工具、哪些方案失败、代码如何修改，以及实验结果为什么促使研究方向发生变化，这些过程同样会被记录下来。

一次研究内部，系统会经历Discover、Verify、Learn、Improve几个环节：先找到值得研究的问题，再通过实验验证不同方案，从结果中形成新的认识，并据此调整下一轮研究。团队还希望把具体任务中得到的有效结果进一步抽象成可复用的知识，迁移到其他任务、其他环境和之后的研究中。

除了记录已有研究过程，超衍也在尝试让 AI 自己生成新的研究任务、数据集和 Research Trajectory，再把这些数据用于中训练和后训练。团队内部把这套思路概括为“Research is the engine of RSI”——研究既产生结果，也持续产生下一轮模型训练所需要的数据。

AI 自己研究 AI，是目前反馈周期较短的一类任务。近期，超衍已经把自动化研究系统用于Scaling Law 预测、固定预算模型训练和GPUKernel 优化。在公开结果中，系统在 SLDBench SimpleTES、GPUMode TriMul、MLS-Bench Fused Causal Attention 等任务上取得领先结果；NanoChat Autoresearch 的 B200 结果也超过 Recursive Superintelligence 和腾讯混元 Hyra 此前公开的成绩。

目前，公司的基础模型仍主要基于开源模型进行中训练和后训练。陈勇超此前提到，如果进展顺利，第一版面向研究能力的模型计划在今年年底或明年年初发布。

从 DeepMind 邀约，到自己做 RSI

今年 1 月，几条职业路径同时摆在陈勇超面前。DeepMind向他发出工作邀约，同时还有多家专注 AI 自动科研的海外初创公司的联创邀请；另一条路，是回国进入高校，同时自己创业。他花了近一个月考虑接下来怎么选。

在此之前，他已经在微软和 Google 做了几年大模型相关研究。在微软研究院，陈勇超第一次认真考虑创业。身边不少 Researcher 原本可以继续发论文、找教职或者进入头部模型公司，但也有人开始讨论自己做公司。到了 Google，他开始接触 Auto Research 和 AI Scientist，研究怎样让 AI 自主探索新知识，再把研究结果继续用于模型改进。

他把这两段经历概括得很直接：“微软让我想创业，谷歌让我知道创业要做什么。”

2025 年在 Google DeepMind 做 Auto Research 时，Leader 希望他优化整套 Auto Research Pipeline。但他当时觉得模型能力还不够，很难稳定做出人类研究者认可的成果，因此把更多精力放在提高 Idea 多样性等问题上。

但他进入大模型研究，本身源于一次意外。在哈佛读博第一年，陈勇超原本准备做机器人强化学习。实验室接到一个人机协作项目，人和机器人需要通过语言交流，他开始学习 NLP，也第一次接触 GPT-3。

当时的 GPT-3 还很弱，也经常犯错。陈勇超花了两三周时间用 GPT-3 生成数据，再设计方法过滤错误，最终生成了两万多组数据，并微调了一个约1B 参数的模型。论文投出去一个月后，ChatGPT 发布，之后又是 GPT-4。他原本已经和导师约好，项目结束后回去继续做机器人和强化学习，最后却留在了大模型方向。“这是我第一次真正意义上，自己找到一个十分笃定的方向。”

再往前，陈勇超本科在中国科学技术大学学习理论与应用力学。从大二开始，他就进入实验室，此后先后接触过力学、金属材料、核聚变和 AI for Science。从本科到博士第一年，他进入过五个不同方向的实验室。

做过几个方向以后，他选择研究课题时又多了一条标准：除了兴趣和影响力，也看一个领域正处在什么发展阶段。相比已经相对成熟的方向，他更愿意进入仍在快速变化的领域。

到了大模型阶段，自进化的想法也很早出现在他的研究里。2022 年、2023 年，他已经尝试数据自进化、根据实验结果调整下一轮参数，以及让大模型自主训练小模型，只是当时行业里还没有集中使用 RSI 这个概念。

今年 2 月，Claude Opus 4.6 发布后，陈勇超重新测试 Auto Research。直接接入一些开源系统时效果仍然一般，但给模型更好的 Harness 和更多 Context 后，一些任务已经能够从提出问题一直执行到实验，并开始产生研究人员认为有价值的结果。

“以前不做这个方向，是 Timing 没到。”年初摆在他面前的几条职业路径最终有了结果：相比进入 DeepMind 或加入海外创业公司，他选择回国，自己做 RSI。

把 RSI 接进真实科研

超衍此前跑出的不少结果都发生在计算环境里。AI 和数学里的很多实验可以直接在电脑中完成；计算化学、计算生物需要专业数据和仿真工具；到了湿实验，还要进入真实实验室，接入实验设备和机器人，并等待更长周期的实验反馈。

7 月 29 日，超衍智能与晶泰科技达成战略合作，并成为“科学智能开放生态联盟”首批核心成员，双方计划在药物研发、材料科学和科学计算等方向合作。

超衍提供具备研究能力的基础模型和自主研究系统，晶泰则有科研 Agent、机器人实验室、实验数据以及具体科研场景。模型提出研究方案以后，可以进一步进入实验验证，再根据真实结果调整后续研究。

陈勇超尤其看重真实科研产生的反馈。他此前提到，如果模型只在自己生成的数据里反复循环，很容易出现幻觉、偏差和自我强化。真实科研过程中产生的失败实验、边界条件、异常现象和中间推理，反而包含大量通用语料中很少出现的信息。超衍希望把这些反馈继续带回模型训练。

星连资本主管合伙人张鸣晨在此次融资官宣中，把陈勇超称为一名年轻的Researcher Founder。在他看来，大模型下一阶段不只是继续 Scaling 参数和数据，而是 Scaling Experience、Feedback 和 Discovery，让 AI 真正进入研发过程，并在持续试错中获得自我进化能力。

他同时提到，陈勇超长期做模型、Agent 和 AI4S，也有把前沿研究变成真实系统的工程直觉和执行力；其选择的也是一个足够长期的问题。星连资本从超衍创业第一天成为投资方，希望陪伴团队把 AI 从“学习人类已经知道的知识”，推向“探索人类还不知道的答案”。

陈勇超在外滩大会上谈到自己对 RSI 的兴趣时，则用了另一种说法：“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。”

✦精选内容✦