清华刘子鸣创办元环智能获数亿元融资，聚焦非语言模态的元模型研发

元环智能（MetaCircle）近日宣布完成连续两轮融资，累计金额达数亿元。这家成立于2026年5月的初创企业，由清华大学人工智能学院助理教授刘子鸣创办，核心目标是构建一种新型“元模型”（Meta Model）——即能自主设计其他AI模型的模型。该方向被刘子鸣称为“AI for AI”，其中第一个AI指元模型本身，第二个AI则为其产出的下游模型。

不同于当前主流的RSI（递归式自我改进）路径普遍依托大语言模型（LLM），元环智能选择了一条更底层的技术路线：放弃自然语言模态，转向直接建模数值世界的“直觉”。这一策略源于刘子鸣对LLM能力边界的判断——他认为，文本、数学与编程等“可压缩为符号”的任务仅占现实问题的约30%，而科学发现、物理建模、系统预测等剩余70%的挑战，无法通过语言推理有效解决。

刘子鸣的思路源自一段个人实验：今年初，他在斯坦福做博士后期间，连续近两个月每天随机选取数据集训练模型，并强制自己在训练前预判其损失曲线走势。起初毫无头绪，至第50天左右，他突然“顿悟”——这种直觉可通过经验积累形成，正如考试前大量刷题后对解题路径的本能反应。由此他提出：既然人脑可被训练出模型评估直觉，机器亦可。

元模型正是这一思想的工程化实现：它不生成文本，也不回答用户提问，而是接收模型结构、超参数、数据特征等输入，直接输出对该模型训练动态（如loss/accuracy曲线）的预测；或在给定任务场景下，推荐最优模型架构与配置。其本质是一台“算法设计直觉机器”，目标是将人类研究员“灵光一现”的能力转化为可复现、可泛化的系统能力。

这一理念与近期Jev模型的出现高度契合。Jev同样不输出语言，仅根据状态信息与问题集合，返回带概率的类型化答案。刘子鸣用Jev类比元模型：二者均为“直觉模型”，区别于语言模型的符号推理，强调对未压缩数值世界的直接感知。

元环智能与现有AI for AI玩家的根本分野，在于模态选择。行业主流方案多以LLM为基础，通过思维链（Chain-of-Thought）数据训练通用代理，探索语言智能边界。刘子鸣指出，该路径在特定领域短期见效快，但泛化能力受限，“天花板较低”。他比喻道：用LLM做自我进化如同野外无图探险，只能靠海量算力反复试错；而元模型则像拥有地图与GPS，能从全局规律中推导最优解。

支撑该技术路线的核心是刘子鸣2024年提出的KAN（Kolmogorov-Arnold Networks，柯尔莫哥洛夫-阿诺德网络）。KAN以“可学习激活函数”替代传统MLP中的固定激活函数，使神经网络从“黑盒”转向“白盒”，具备更强的可解释性与物理一致性。该成果发布后迅速引发学界关注，GitHub星标超1.6万，谷歌学术引用逾5700次，并直接促成刘子鸣获聘清华教职。

刘子鸣强调：“KAN不是单一模型，而是一种方法论与世界观——它证明模型设计可被第一性原理收敛，如同牛顿定律般涌现秩序。”在他看来，元模型正是KAN哲学的延伸：若KAN实现了对单个模型结构的“白盒化”，元模型则进一步实现对模型设计过程本身的“自动化”与“可理解化”。

公司成立仅4个月即获资本密集关注。种子轮由顺为资本领投，上海未来产业基金、星连资本、君礼资本跟投；种子+轮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等产业与国资方，以及BV百度风投、山行资本、云时资本等双币基金。多元背景股东阵容反映市场对其技术路径的认可。

团队方面，元环智能平均年龄约22岁，成员主要来自清华、北大等高校，体现鲜明的“学术驱动创业”特征。刘子鸣本人1998年生，本科毕业于北京大学物理系，博士毕业于MIT，曾在斯坦福大学从事Neuroscience+AI交叉研究，长期聚焦AI for Physics、Physics of AI与机制可解释性方向。

落地节奏上，元环智能采取“场景先行”策略：短期内聚焦工业检测、金融量化、气象预测、电力负荷预测、自动驾驶仿真、世界模型等具有连续时间序列特性的垂直领域，为各场景自动设计专用预测模型并验证可行性；计划于2027年推出通用元模型1.0版本，支持跨领域模型生成。

顺为资本在投资说明中指出，元模型有望加速模型收敛效率，并推动大模型能力向非语言领域外溢。其价值不仅在于降低研发成本，更在于开辟一条避开LLM算力军备竞赛的新路径——不堆算力，而卷直觉；不追求通用智能的“全能”，而专注模型设计的“专业”。

值得注意的是，元环智能已启动自研基准测试体系“ArchitecBench”，用于量化评估元模型对不同架构的预测准确率与泛化能力。该基准将公开发布，旨在推动“模型设计自动化”领域的标准化与可比性建设。

在AI发展进入深水区的当下，如何突破LLM主导范式的局限，成为学界与产业界共同关切。元环智能的探索提供了一种可能性：当AI不再仅作为工具执行指令，而是能参与自身构造逻辑的反思与优化时，我们或正迈向“AI的科学”真正成型的起点。