元环智能成立半年融资数亿元，98年清华学者刘子鸣携KAN架构创业，聚焦AI模型设计自动化

2026年5月成立的AI初创企业元环智能（MetaCircle），在不到半年时间内连续完成两轮融资，累计融资额达数亿元人民币。种子轮由顺为资本领投，上海未来产业基金、星连资本、君礼资本等跟投；种子+轮则引入上海半导体产投、360战投、首程资本、上海人工智能产业系列基金，以及BV百度风投、山行资本、云时资本等机构。新一轮资金将主要用于核心算法研发、阶段性产品探索、团队扩充及评测基准建设。

元环智能的创始人刘子鸣出生于1998年，现任清华大学人工智能学院助理教授。其学术背景横跨物理与AI：本科就读于北京大学物理系，后赴麻省理工学院获物理学博士学位，并曾在斯坦福大学从事博士后研究。他在人工智能领域最具代表性的成果是2024年参与提出的Kolmogorov-Arnold Networks（KAN）——一种通过在神经网络连接边上引入可学习一元函数、替代传统线性权重的新型架构。KAN因其在函数表示能力、可解释性及科学计算潜力上的优势，迅速引发学界关注。

从神经网络基础研究转向创业，刘子鸣瞄准了一个更底层的问题：能否让AI自身学会设计AI模型？当前的大语言模型已能协助编写训练代码、调参甚至开展部分科研实验，但多数系统仍依赖反复试错来验证模型有效性。元环智能提出的“元模型”（Meta Model）并非直接执行下游任务（如文本生成或图像识别），而是试图建模“模型架构+训练配置→训练表现”的映射关系，实现对未完成训练模型性能的早期预测。

具体路径上，研究团队可生成大量候选神经网络结构与训练策略组合，运行实验并记录训练曲线，再以这些配对数据训练元模型。例如，面对一个新提出的网络架构，元模型可在训练仅进行部分步数时，预测其最终损失值与准确率趋势。若预测可靠，研究人员即可提前淘汰低效方案，将算力集中于高潜力方向。更进一步，该能力有望支持自动架构搜索：针对特定任务特性（如时间序列、图像分类），生成并筛选适配的专用模型。

这一思路与神经架构搜索（NAS）、自动机器学习（AutoML）及模型性能预测等既有方向存在交集，但元环强调其核心差异在于“学习模型设计规律本身”。其长期目标是使模型设计经验具备跨任务、跨架构的迁移能力，减少对人工经验与穷举式试错的依赖。

值得注意的是，预测模型表现与自主生成更优架构属于不同能力层级。前者侧重评估与筛选，后者需解决候选生成、高效搜索与实际验证闭环。目前元环尚未宣称已实现端到端自动设计，而是在逐步构建支撑该目标的技术栈。

在公开研究中，元环已推出多项工具与案例。Marin Hero Run项目尝试在大模型训练中途预测最终性能：其预测Loss为2.034，与Scaling Ladder方法结果2.039接近，但公司明确说明该数据为预测值，非最终实测成绩，预测一致性不等于准确性。另一项OPHIS框架则模拟科研流程——当训练出现异常时，系统自动提出假设、设计干预实验并验证效果，在Grokking与nanoGPT任务中报告了性能改善案例。这些成果尚属特定场景验证，泛化至更大规模模型仍待检验。

此外，元环发布了ComfyResearch与nanoGPT Observable Library：前者以可视化图节点组织模型、数据、训练与分析流程；后者提供对权重、梯度、激活与注意力等内部信号的实时观测能力。二者共同服务于其倡导的“AI科学”（Science of AI）理念——将AI模型本身作为研究对象，从训练现象中提炼可复用的规律。

尽管长期愿景宏大，元环选择从能力边界较小的时间序列预测任务切入产品化。时间序列广泛应用于工业设备监测、气象预报、电力负荷预测与金融风控等领域。尽管数据格式相似，不同场景背后的生成机制与预测目标差异显著，难以套用统一模型架构。元环认为，这正是“按需定制模型”价值的现实落地方向。

在行业背景下，元环的快速融资并非孤例。据IT桔子统计，2026年成立的世界模型相关独立公司中，首轮融资中位用时已压缩至2个月，64.1%的公司在3个月内完成首轮交割，28.2%实现“闪投”（成立当月或次月即融资）。尽管该统计口径包含更广义的“世界模型”标签，但反映出资本对前沿AI基础研究型创业的高度敏感与前置押注倾向。元环虽未被纳入该名单（因其定位更偏“模型设计自动化”而非环境建模），但其融资节奏与技术路径恰是这一趋势的典型体现。

与部分“无产品即融资”的项目不同，元环已公开多项研究产出与工具链，显示出较强的技术沉淀能力。其团队兼具顶尖高校学术背景与工程落地意识，且选择从具体问题（如时间序列建模）出发，避免陷入纯理论空转。

不过，挑战依然显著。元模型的预测精度、跨任务泛化能力、计算开销与实际工程部署成本，均需经受大规模实验检验。尤其在大模型时代，单次训练成本动辄数百万美元，任何预测误差都可能导致巨大资源浪费。如何在有限样本下建立鲁棒预测器，仍是核心难点。

目前，元环智能尚未公布具体产品形态或客户合作信息，但其技术路线指向一个关键拐点：当AI不仅能执行任务，还能反思并改进自身的设计逻辑时，模型研发范式或将发生结构性变化。这一进程不会一蹴而就，但元环的早期探索，为“AI for AI”提供了具象化的实践样本。