海淀又投出一匹AI黑马：27岁清华教授，交出首个RSI模型

上个月，投中网在《智谱下场，投资人抢投RSI｜Frontline》一文中提到了目前AI圈一个新风口——RSI（全称：Recursive Self-Improvement，中文为 “递归自我改进”），简单翻译一下，就是让AI自己生成数据、设计任务、制定规则、进行评测，并根据结果来调整和迭代，完成自身进化。

这是下一代大模型最热的前沿方向之一，国外的OpenAI、Anthropic，国内的智谱、云知声都相继宣布布局该方向。那篇文章中还提到，一家名为超衍智能的公司，正是目前国内RSI创业团队中的大热门。

我接触到超衍智能也是在9月，当时公司刚刚完成了累积金额近4亿元的天使轮及天使+轮融资。其中，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+轮由中关村科学城基金、深创投、上海未来产业基金联合领投。

成立三个月，背后股东已经集齐了头部财投、产业资本、清华系基金以及北京、深圳、上海三地最具影响力的国资，足见其募资号召力。

如今融资刚过去一个月，这家公司又传来新消息——10月28日，超衍智能发布首个35B模型Apex-35B-V1.0。这是一款兼顾通用能力与研究能力的模型：既能完成Coding、Agent、问答和深度搜索等常规任务，也能深度参与AI研究、计算科学和机器人仿真。

根据公司公布的评测结果显示，模型在研究能力、智能体与编程、推理能力的大量评测中全面超越了 Flint 模型，达到 SOTA 水平。更在部分任务上超越了参数规模高达 500B 和 800B 的大尺寸模型。

而比能力清单更值得关注的，是它的研发方式。据了解，超衍智能把RSI引入模型研发，让AI参与实验设计、结果分析，并把验证有效的成果用于下一轮研发。换句话说，模型的一部分，是被AI自己“研究”出来的。

Apex-35B-V1.0的发布，某种程度上正是超衍智能RSI路线的一次阶段性验证，也让公司为何受到资本争抢，有了更具体的答案。

27岁清华教授创业，让AI训练AI

当下一级市场的一个趋势是：当热门赛道转向AI领域后，“小天才”明显更受到投资机构青睐，且AI领域独角兽创始人的平均年龄，已从2020年的40岁骤降至2024年的29岁。

超衍智能的陈勇超，某种程度上正是这样一位 “小天才”型创始人。中科大本科、哈佛与MIT联合培养博士、27岁入职清华大学，成为清华人工智能学院有史以来最年轻助理教授。

“聪明”“学习能力非常强”几乎是每个接触他的投资人都会提到的关键词。投资人A曾给我分享了一个细节：超衍智能并未聘请FA，无论是前期沟通，还是后面的股权变更，均由陈勇超和团队成员独立完成。“在接触过程中能清晰感受到他极强的学习能力，尤其是对股权投资相关知识，学习、理解和消化的速度都非常快。”

而这一点，其实从他的过往经历中就有迹可循。从本科到博一，陈勇超先后进入五个实验室，研究方向横跨力学、金属材料、核聚变和AI for Science；且每个方向都以第一作者身份发表了顶刊论文，大二时的成果就登上了Nature Communications。

谈及创业初衷，陈勇超表示，自己其实早在两年前就萌生了创业的想法，而在谷歌DeepMind实习期间，他第一次接触到了 auto research、AI scientist，也就是让 AI 自主探索新知识、再用研究结果改进模型自身，这段经历直接决定了他后来创业的方向。而今年2月Claude Opus 4.6的发布，让他觉得时机终于到了。

“Opus 4.6发布时，我就有一个感受：现有的模型已经到了一个临界点，它虽然能做出一些有价值的研究，但却因为蓝本过重限制了其创造力，所以我们需要训练出下一代模型。”陈勇超说，“RSI现在就是最好的时间点，考虑到生态卡位，我必须立马出来创业。”

于是今年6月，他放弃了包括 DeepMind在内的多个海外offer，回国创立了超衍智能。

需要指出的是，RSI并非最近刚有的概念，早在1965年，数学家古德就提出过"智能爆炸"设想，而真正让它被产业界重新捡起来的，是在去年。5月时，Google DeepMind的AlphaEvolve已能用Gemini生成候选算法并自动择优。

时间进入2026年，各方动作更是密集起来：Anthropic发布《When AI Builds Itself》，披露合并进生产代码库的代码超80%由Claude编写；OpenAI组建RSI专项团队；Meta FAIR发布AIRA-2。国内，MiniMax、腾讯混元相继推出自进化系统，智谱在近日约50亿美元的融资公告中，也首次把"递归式自我改进"写进技术路线图。与此同时，无论是硅谷还是国内，都涌现出不少RSI方向的初创团队。

虽然都在聚焦RSI，但大家切入的方向并不相同，硅谷不少公司从Agent层切入，做一套能自动做科研的系统，而超衍智能则选择从基础模型层面构建Recursive Intelligence系统，据公司介绍，这套能力未来有希望覆盖AI、数学、物理、化学、生物、芯片设计、机器人和工业制造等领域。

如今成立4个月，超衍智能团队已接近30人，核心成员来自清华、北大、哈佛、MIT等高校，以及字节、Kimi、智谱等头部大模型厂商。

从Apex Research到Apex-35B-V1.0：

AI开始参与“造模型”

超衍智能成立后不久，便推出了首款自进化AI系统 Apex Research，这套系统可以在较少人工干预的条件下，独立完成文献调研、方法设计、代码编写、实验分析到论文撰写和自我迭代的全流程。

之所以选择从研发切入，是因为在陈勇超看来，自进化模型追求的创造性与研发的高容错天然适配，并且“研究不是应用场景，而是RSI的引擎本身。”

“现在的大模型在做的事情，是压缩和记住这个世界已有的知识，追求的是求稳能力。而自进化模型，则是创造这个世界未知的知识。研发具备高容错性——‘让他试10次，只要有一次对就行’。求稳与创造常常不可兼得，一个方案全部四平八稳的模型，对研究者反而无用。”他解释称。

据了解，今年5月，Apex Research自主产出完成了34篇机器学习论文并提交ACL Rolling Review双盲评审，7月结果出炉：平均评审分2.60，接近人类投稿的2.63，其中2篇达3.67分——这一成绩已经超过约99%的人类投稿。

陈勇超提到，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，并探索“数据自进化”，让AI参与生成研究任务、数据集和轨迹，再用于后训练。

值得一提的是，在本次新发布的Apex-35B-V1.0的研发过程中，Apex Research也参与了包括自进化训练数据、自动化实验、训练方案、GPU 内核及推理优化等多个环节。

具体来看，在数据环节，Apex Research会识别模型的能力短板，并自动生成有针对性的训练数据；在实验环节，它会分析评测结果和智能体运行轨迹，找出系统性的失败模式并优化训练策略。例如，针对过长推理上下文和失衡数据配比导致智能体表现下降的问题，系统探索了不同的序列长度分布、短轨迹与长轨迹的采样比例，以及按token数量调整训练批次构成，找到更有效的训练配置，提升了智能体的可靠性和训练效率。

此外，Apex Research还将自动化优化延伸到了底层计算系统。在训练侧，系统优化GPU负载均衡、通信与计算的重叠执行、动态批处理，以及根据token数量分配计算负载，从而减少同步开销和GPU空闲时间，提高硬件利用率。公司提供的数据显示，这一系列优化使训练吞吐量提升45%—60%。

推理侧，系统则优化了注意力内核、KV Cache管理（即推理过程中对历史键值缓存的调度），以及预填充与解码阶段的执行方式。在相近负载条件下，解码速度提升至原来的1.6—1.8倍，首token延迟降低30%—35%。

据陈勇超介绍，这些改进贯穿数据、训练和基础设施，并逐步累积为一个持续反馈的研究循环：每一轮研究的成果，都为下一轮改进提供基础。在超衍智能展示的demo中，Apex-35B-V1.0已经能够参与AI for AI、计算流体力学和机器人仿真等任务。

不过，在他的设想里，Apex-35B-V1.0只是一个开始。

谈及长远目标，陈勇超表示，超衍智能要打造的自进化基础大模型，其整体科研能力将相当于并逐步超过10万名覆盖各学科领域的顶尖AI Scientist，形成一个可规模化的“AI研究者网络”。

在对谈的最后，我问了陈勇超一个问题：现在都在谈论AI恐慌，如果有一天你创造的AI把自己替代了，你会焦虑吗？

陈勇超笑笑说：“如果它把我替代掉了，我会给它鼓掌，说明我的工作已经大功告成了。”

海淀，又一次走在了AI前沿

前文已经介绍了超衍智能天使轮及天使+轮融资的基本情况。仅从资方阵容来看，这已经是一家颇具“黑马”相的创业公司。但关于这次融资的火热程度，还有几个水下的细节值得关注：

一、公司从启动融资到确定最终股权结构，只用了不到一个月；原本计划开放一轮，后因额度不够分配，才连续加轮；

二、天使轮的三家领投机构都在第一次会面就派出了核心决策层参与交流；

三、参与额度争夺的地方国资不在少数，但受资金类型配置需求影响，最终出现在股东列表中的是来自北上广三地的“大基金”，且公司选择将注册地设在北京海淀的AI原点社区。

谈及最终选择将公司落在海淀的原因时，陈勇超提到了几个关键点：

首先与他的另一重身份——清华的助理教授有关。他表示，当时之所以选择来清华执教，正是看中了清华在人工智能领域的优势地位和良好的产研生态。“你看这一波AI浪潮里，无论是大模型还是具身智能，最好的几家明星公司很多都是清华老师做出来的。把公司放在清华、放在海淀，做成头部的概率也要大不少”。

其次就是人才优势。有数据显示，北京聚集了全国约43%的顶尖AI人才，总量约1.23万人，其中超过80%位于海淀。这样的人才密集度，对于一家初创企业来说，意味着更低的招聘成本以及更快的团队搭建速度。

“想约某家模型公司的研究员聊聊，大家都在海淀，随便找个地方吃个饭就行，这是其他地方都很难实现的。”陈勇超说到。

除此之外，他还特别强调，在与中关村科学城的合作过程中，除了资金，在企业发展需要的各类配套支撑资源上，对方都能给到充分的支持与协调。而且，这个支持背后是海淀的整个“五方六力”机制在托底。

所谓“五方六力”，是海淀为加速源头创新、打通从实验室到生产线的堵点难点，首创的一套成果转化机制。在该机制的基础上，针对高校院所海淀还专门推出了“一校一策”工作模式，围绕重点高校组建工作组开展精准服务，清华专班正是已经全面运转的9所高校工作组之一。

在超衍智能这个项目上，清华专班也做了大量前置服务工作，比如办公场地的协调，背后正是其在出力。

“能看得出来，海淀是真正在系统性孵化前沿科技企业，搭建完整的科创生态。我刚回国创业，在这里起步，整个过程感受到的不是程式化的政策对接，而是实实在在的温度，给了我们很大的底气。”陈勇超表示。

丰富的人才储备、强大的科研资源，以及来自政府层面的多维度赋能，共同构成了超衍智能扎根于此的原因。

而在海淀，类似的故事还有很多。就在这430平方公里的场域里，已集聚了超2000家AI企业，覆盖了从算力、算法模型到行业应用的全产业链。

更关键的是，这片“创新生态”的繁茂，不仅在于企业数量，还体现在输出质量上。智谱AI、星动纪元、无问芯穹、百川智能、生数科技、芯视界科技……一批如今各自领域的标杆企业，都在这里诞生并壮大。

总结而言，是完整的科创生态，让无数优秀的创业者在创业之初就选择海淀，而也正是这样深厚的积淀，让海淀能一次次在类似RSI这样的前沿风口上抢得先机。

可以预见的是，这样的正向循环还将这片土地上持续发生。