大模型公司讲“自我进化”的故事并不新鲜，但把“模型自己改进自己”从训练技巧提升为公司存在的唯一理由，并以此在天使阶段累计拿走近4亿元，仍是一个需要被拆解的资本事件。2026年9月16日，超衍智能宣布完成天使轮及天使+轮融资，累计金额近4亿元人民币。这家成立于2026年6月的公司，把全部叙事押注在“递归自我改进”（Recursive Self-Improvement，RSI）上，目标不是做一个更好用的科研助手，而是让AI本身成为“共同研究者”。

在AI投资整体向推理成本、行业落地和现金流回归的2026年，一家成立仅三个月的公司以天使系列融资拿到近4亿元，本身就构成一个值得追问的信号：资本究竟在为技术路线买单，还是在为“清华系+DeepMind背景+AI for Science”的组合下注？从已披露的投资方名单看，答案可能介于两者之间。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、深创投及上海未来产业基金联合领投。财务资本、产业资本与国资背景基金在同一张资本表上出现，意味着这轮融资的结构本身，可能比金额更值得分析。

字段 内容
公司 超衍智能
轮次 天使轮及天使+轮
金额 累计近4亿元人民币
投资方 天使轮：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：中关村科学城基金、深创投、上海未来产业基金联合领投
总部 未披露
创始人 陈勇超
官网 未披露

把“自我进化”做进模型底层，而不是在现成模型上叠智能体

超衍智能对其技术路线的定义，最关键的区分点在于：据公司披露，其并非在现成通用大模型上叠加一层智能体或外部脚手架，而是从基础模型层面构建“发现原生”能力。公司称其技术路线锚定四个特征：基础模型、大模型、通用模型、非实时进化。其中“非实时进化”尤其值得注意——据公司披露，模型的自我提升发生在训练迭代而非实时推理中，经充分评估后再行交付，以保证可控。

这一选择有明确的工程含义。实时自改进模型会在推理过程中改变自身权重，带来不可复现、难审计和安全隐患；将RSI限制在训练阶段，意味着超衍智能试图在“模型自我改进”和“可交付、可评估”之间划出一条边界。从已披露信息看，这更像是一种面向机构客户和学术评审的合规性设计，而非单纯的性能取舍。如果模型在每次推理时都改变自身，任何一次输出都可能成为不可追溯的孤立事件，这对科研场景尤其致命：学术成果需要可复现、可审计、可被同行检验。把进化过程关进训练迭代的笼子里，可能是在为后续的学术评审和机构交付预留接口。

但“非实时进化”也带来一个尚未被回答的问题：训练迭代的节奏由谁决定，触发条件是什么，评估标准如何设定，失败时如何回滚。公司未披露这些机制。因此“可控”目前仍是一个方向性声明，而非已验证的工程能力。从技术逻辑上推断，一个以“发现原生”为目标的模型，其训练迭代可能不是常规的固定周期更新，而可能由模型在上一轮研究中产生的“发现”触发。但这一推断并未得到公司披露信息的支持，仍需验证。

Apex Research的“超越99%人类研究员”需要更冷峻的读法

据公司披露，其首款自进化产品Apex Research已展现出接近顶尖人类研究者的自主科研能力，产出成果在学术评审中已有2篇论文超越99%的人类研究员水平；在数学领域，团队已完整证明优超猜想，并在优化理论、几何拓扑等方向取得多项突破。这些表述全部来自公司口径，目前没有独立第三方验证。

“超越99%的人类研究员”是一个需要拆解的指标。学术评审中的百分位排名取决于评审池的构成、评分维度和样本量，公司未披露这2篇论文的学科领域、评审机制、对比基准和是否经过匿名同行评议。如果评审池由特定学科、特定层级的审稿人构成，那么“超越99%”的含义可能与字面意思存在显著差异。同样，“完整证明优超猜想”据公司称是AI system完成的工作，但未披露证明过程是否经过数学界独立核验、是否已发表于经同行评议的期刊，以及人类团队在证明中参与了哪些环节。从已披露信息看，这些成果目前仍停留在公司自我声明的层面，其学术可复现性和外部有效性均未得到独立确认。

这不是说这些成果不存在。一家由清华人工智能学院助理教授创立、核心团队来自清华、北大、哈佛、MIT等高校的公司，在数学和AI研究上产出高质量成果，本身并不令人意外。问题在于，当这些成果被用作融资叙事的核心证据时，它们需要进入可被外部检验的公共领域。否则，“超越99%人类研究员”就可能从学术声明滑向营销话术。对于一家把“研究”定义为RSI核心动力的公司而言，这种滑落的风险可能比其他公司更高。

AI for AI与AI for Math的成绩单，指向一个尚未被验证的闭环

据公司披露，其自进化AI system在AI for AI及AI for Math领域“已经达到令人欣喜的表现”：AI自主完成的研究成果达到被顶级AI会议接收的水平；AI自主实现了训练前更准确的判断、训练中更优的策略与底层GPU Kernel优化，在SimpleTES、NanoChat Autoresearch、GPUMode TriMul和MLS-Bench上刷新或接近公开最优成绩。

这四个基准名称的公开信息有限，公司未披露其测试条件、对比模型、数据分割方式和可复现代码。更关键的是，AI for AI的自我优化如果成立，意味着模型能够改进自身的训练策略和底层算子，这是一个具有递归放大效应的能力；但同样，如果评估基准本身由公司或其团队参与定义，成绩的参考价值就会打折扣。从已披露信息看，超衍智能尚未公开这些基准的独立性和第三方复现结果，因此“刷新或接近公开最优”目前只能视为公司内部评估，而非行业共识。

AI for Math的成绩单则指向另一个维度。数学证明的可验证性理论上高于大多数AI任务——一个证明要么成立，要么不成立，中间地带相对狭窄。但“完整证明优超猜想”这一声明的验证路径，仍然需要数学界的独立核验。如果证明过程由AI system生成，人类团队在其中扮演的角色、证明的长度和复杂度、以及是否已被提交至同行评议期刊，都是决定这一声明可信度的关键变量。公司未披露这些信息，因此外部观察者目前无法判断，这究竟是一个已经闭环的数学成果，还是一个正在等待验证的中间状态。

晶泰科技领投的逻辑：不是财务投资，而是科研场景的互相绑定

晶泰科技以产业方身份出现在天使轮联合领投名单中，是这轮融资结构里最值得分析的信号。据投资方声明，晶泰科技董事长温书豪表示，科学发现正在从“人主导、AI辅助”走向“AI自主发现”的新范式，晶泰构建了覆盖垂类模型、科研智能体与大规模机器人实验的完整AI for Science技术体系，并在数百个真实科研项目中积累真实数据，期待与超衍智能“强强联合”。

从产业链位置看，晶泰科技与超衍智能的互补关系比竞争关系更明显。晶泰的强项在垂类模型、实验机器人和真实科研数据，超衍智能的叙事在底层基础模型和“发现原生”能力。如果超衍智能的底层模型能够接入晶泰的科研场景，理论上可能形成“底层智能—垂类模型—机器人实验—真实数据回流”的闭环。但“强强联合”目前仍停留在投资方声明的层面，双方未披露任何具体的联合研发项目、数据共享协议或商业合作条款。

一个需要观察的问题是：晶泰科技数百个真实科研项目积累的数据，是否会对超衍智能开放训练？如果开放，数据主权、知识产权归属和成果分配如何界定？这些均未披露。在AI for Science领域，真实科研数据的价值往往高于模型架构本身，因为数据中包含了实验失败、条件约束和物理世界的噪声，这些是合成数据难以替代的。如果晶泰的数据不对超衍智能开放，那么“强强联合”可能只是一句资本层面的客气话；如果开放，那么双方在知识产权和商业利益上的边界，将决定这段关系的可持续性。

天使+轮的国资组合，意味着什么

天使+轮由中关村科学城基金、深创投及上海未来产业基金联合领投。据中关村科学城基金相关负责人声明，递归自我改进（RSI）是通往下一代AI范式的关键路径，超衍智能是国内最早系统性布局这一方向的团队之一。这是投资方判断，而非独立行业共识。

三家国资背景基金在同一轮联合领投，在早期AI项目中并不常见。从已披露信息看，这至少传递了两个信号：其一，超衍智能的“清华系”身份和创始人学术背景，使其在争取地方科技基金支持时具有天然的制度性信任；其二，RSI作为“下一代AI范式”的叙事，与当前政策层面对“高水平科技自立自强”和“原创性基础研究”的强调高度契合。但国资基金的入场并不等同于技术验证，其投资逻辑中往往包含产业引导、人才引进和区域布局等非财务目标。

超衍智能总部所在地未披露，这反而让中关村、深圳和上海三地基金同时出现的结构更值得玩味。一家总部未明的公司，如何同时获得三地国资的背书，是后续需要追踪的问题。可能的情况是，三地基金各自看重的是超衍智能在不同维度的潜在价值：中关村看重清华系的人才密度和基础研究能力，深圳看重深创投一贯的硬科技投资逻辑，上海未来产业基金则可能看重AI for Science与未来产业的叙事契合度。但这些都只是基于投资方公开声明的推断，三地基金的具体投资条款、持股比例和后续资源承诺均未披露。

近4亿元天使资金要花在哪里，公司只给了一个方向性答案

据公司披露，未来将持续投入基础模型与算力，推进递归基础大模型训练迭代，构建高质量研究轨迹数据体系，吸引全球人才。这是一个几乎所有基础模型公司都会给出的资金用途表述，删掉公司名称换成任何一家大模型创业公司都成立。

从已披露信息看，超衍智能没有公布算力采购规模、训练集群建设计划、数据体系的具体构成、人才招聘的岗位分布，也没有公布近4亿元在算力、数据、人力和其他支出上的分配比例。对于一个天使阶段公司而言，这种不透明并不罕见，但考虑到金额规模已经接近部分A轮甚至B轮融资，资金使用的颗粒度理应更高。一个可追踪的观察点是：公司是否会在后续披露其训练算力的芯片来源和集群规模——在2026年的地缘技术环境下，这不仅是成本问题，也是供应链风险问题。

“高质量研究轨迹数据体系”是资金用途中唯一带有超衍智能特色的表述。研究轨迹数据不同于通用的文本语料，它可能包含研究者的假设生成、实验设计、失败尝试、修正路径和最终发现的完整链条。如果超衍智能能够构建这样一套数据体系，它可能成为RSI训练的关键燃料。但公司未披露这套数据体系的来源、规模、标注方式和质量控制机制。研究轨迹数据的获取难度可能远高于通用语料，因为高质量的研究过程往往不会被完整记录，更不会被结构化地公开。超衍智能如何解决这一数据瓶颈，目前仍是一个未披露的空白。

风险不在技术路线，而在“自主科研能力”的验证路径

超衍智能面临的核心风险，不是RSI路线本身是否成立，而是其宣称的“自主科研能力”能否在独立、可复现的学术机制中得到验证。从已披露信息看，公司目前的所有关键成果——2篇超越99%人类研究员的论文、优超猜想的完整证明、四个基准上的最优成绩——均来自公司自我声明，没有独立第三方验证。这不是说这些成果不存在，而是说它们尚未进入可被外部检验的公共领域。

更深层的待验证假设在于：一个以“非实时进化”为安全边界的模型，能否在真实科研场景中持续产出超越人类研究者的发现？科研发现的本质是开放式的，而“经充分评估后再行交付”意味着每一次进化都需要人类评估者的介入。如果评估者本身无法判断模型新发现的正确性——比如一个全新的数学证明——那么“可控”就可能变成“不可验证”。从已披露的“非实时进化”设计看，超衍智能似乎意识到了这个问题，但公司未披露其评估机制如何处理人类评估者能力边界之外的新发现。这是整个RSI叙事中最难回答的问题，也是超衍智能必须正面回应的验证路径。

另一个结构性风险来自竞争格局。公司未披露任何竞争对手信息，但AI for Science和自改进模型并非无人区。DeepMind的Alpha系列、多个开源自改进训练框架、以及国内外多家AI for Science公司都在不同层面逼近同一问题。超衍智能的差异化声明——“从基础模型层面构建发现原生能力”——在技术上是清晰的，但在商业上是否构成护城河，取决于其基础模型能否在通用性和自主发现能力上形成代差。目前没有公开的第三方评测能支持这一判断。

还有一个容易被忽略的维度：创始人的身份转换。陈勇超是清华大学人工智能学院助理教授，同时创立并领导一家融资近4亿元的公司。学术身份与商业身份的重叠，在AI领域并不罕见，但当公司的核心叙事是“AI自主科研”时，创始人作为人类研究者的学术判断力，恰恰是评估AI产出质量的关键闸门。如果陈勇超在学术和商业之间的时间分配、利益冲突和成果归属没有清晰的制度安排，那么“AI自主完成”和“人类团队参与”之间的边界，可能比公司披露的更加模糊。这不是对个人的质疑，而是对验证机制的要求：当评估者同时也是被评估系统的创建者时，独立第三方验证的重要性会成倍增加。

验证边界与可复核指标

本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。

  • 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
  • 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
  • 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。

RecodeX 极客视：超衍智能用近4亿元天使融资，把“模型自己改进自己”从技术口号推到了公司存在的本体论高度。这轮融资的真正信息量不在金额，而在结构：晶泰科技代表产业场景的绑定意愿，三家国资基金代表政策叙事的接纳，IDG和深创投则代表对“清华系+DeepMind背景”团队的早期押注。但所有押注的前提——AI能成为可验证的“共同研究者”——目前仍封闭在公司自我声明的黑箱里。超衍智能接下来要做的，不是继续刷新内部基准，而是把“超越99%人类研究员”和“证明优超猜想”这两句话，变成外部世界可以独立检验的公共事实。在那之前，近4亿元买下的，是一个尚未被证伪的宏大假设。