27岁清华助理教授陈勇超创立超衍智能，发布RSI自进化模型Apex-35B，半年融资近4亿元

2026年10月28日，超衍智能正式发布其首款大模型Apex-35B-V1.0，参数量达350亿，定位为兼顾通用能力与科研能力的RSI（Recursive Self-Improvement，递归自进化）基础模型。这款模型的发布标志着中国在AI自进化赛道上迈出实质性一步——它并非仅靠人工标注数据微调，而是试图让AI在训练与应用环节实现“自我迭代”：自动构造新训练数据、复现科研实验、辅助甚至主导更大模型的训练流程。

该公司的创始人陈勇超，现为清华大学人工智能学院最年轻的助理教授，年仅27岁。他曾在谷歌从事Auto Research工作，2025年主导的PaperBench项目旨在让AI复现经典论文实验结果，但受限于当时模型能力未能落地；直至2026年初Claude版本升级后，模型才具备完整执行实验并产出可读报告的能力，这成为他决定回国创业的关键契机。

超衍智能成立于2026年6月，距今不足半年，已快速完成天使轮与天使+轮融资，累计融资近4亿元人民币。投资方包括IDG资本、星连资本、晶泰科技，以及北京、深圳、上海三地国资平台。这一融资节奏在当前大模型初创企业中极为罕见——尤其在基础模型研发周期长、投入高的背景下，一家尚未推出成熟产品的新公司能获得如此规模支持，反映出资本对“RSI”技术路线的高度关注。

RSI概念最早由MIRI联合创始人Eliezer Yudkowsky于2008年提出，指AI利用现有智能改进自身智能生成机制的闭环过程。过去十余年，该理念长期停留在理论探讨层面；直到2026年，随着大语言模型推理与工具调用能力显著提升，一批团队开始将其付诸实践。全球范围内，Richard Socher与田渊栋联合创办的Recursive Superintelligence获6.5亿美元融资；Anthropic前研究负责人Behnam Neyshabur创立的Mirendil完成2亿美元种子轮；OpenAI前研究副总裁Jerry Tworek创办的Core Automation则明确以“全球自动化程度最高的AI Lab”为目标。

陈勇超对RSI的定义更为务实：让AI替代并超越各领域人类研究员。其技术路径选择直接训练基础模型，而非仅优化交互层或工具链——他认为，若要在科研任务中实现真正突破，必须深入模型内部结构。Apex-35B-V1.0已在多个场景验证该能力：

AI for AI：自动构建训练数据集，用于后续更大模型的预训练；
AI for Science：自主编写代码模拟气液多相流中气泡运动，输出可被物理学家审阅的仿真结果；
AI for Robot：生成机器人操作指令与环境交互数据，支撑具身智能模型训练。

值得注意的是，业界对RSI尚无统一标准。部分观点认为，只有AI能修改自身训练代码、甚至“生成下一代自己”，才算狭义RSI；另一些则将自动化实验、代码生成等行为纳入广义范畴。陈勇超强调，关键在于“能否持续提升认知边界”，而非形式上的闭环。

超衍智能的长期目标清晰：成为一家RSI基础模型公司。其潜在竞争对手被划分为两类——专注RSI的基础大模型厂商，以及基于工具链改进的RSI实验室。这意味着公司不满足于做垂直应用层方案，而意在构建新一代AI基础设施。

这一动向也嵌入更宏大的行业趋势：AI创业主力正从经验丰富的“70后”“80后”转向“95后”乃至“00后”。除陈勇超外，清华00后博士刘松铭创办的LiberAI（聚焦物理世界模型与具身智能），半年内完成六轮融资超10亿元；胡钰承、秦深涛、闵宇恒等多位清华背景的00后创业者亦密集官宣融资。他们普遍具备顶会一作论文、导师为领域权威、本科/博士阶段即产出标志性成果等特征。

这种代际更替背后，是技术范式切换带来的机会窗口。当大模型能力越过某个临界点，早期学术判断力与工程落地能力比资源积累更具先发优势。例如LiberAI在2024年发布的RDT-1B模型，早于硅谷Physical Intelligence约三周推出双臂机器人基座模型；其2026年RDT-2进一步采用UMI（无本体人类数据）预训练范式，体现对技术路径的精准预判。

同样，05后创业者也开始入场。中国科学技术大学少创班学生刘思哲18岁即创办“勿忘我”阿尔茨海默病AI早筛项目；浙江工商大学05后梅优杉带领团队开发AI供应链协同平台“优脉工链”，已完成天使轮。这些年轻团队的共同特点是：技术起点高、问题意识强、行动迅速，且敢于在未成熟赛道卡位。

回到超衍智能，其面临的挑战同样现实：如何验证“自进化”的真实性？AI生成的数据是否可靠？在算力与数据已被巨头垄断的格局下，初创公司如何构建可持续迭代的飞轮？陈勇超坦言，当前“数据自进化”是RSI主战场，但验证标准仍在探索中——团队正联合高校建立评估基准，重点考察模型在开放科研任务中的泛化性与可解释性。

一个更具象的问题是：当AI能自主设计实验、生成代码、甚至撰写论文，人类研究员的角色将如何演变？陈勇超的回答是：“不是取代，而是升级。”他设想未来科研工作流为“人类提出假设—AI执行验证—人类解读意义”，人类聚焦于更高阶的抽象与价值判断。

目前，Apex-35B-V1.0已开放有限测试，主要面向高校与科研机构。超衍智能计划于2027年Q1推出支持多模态输入与工具调用的V2版本，并启动千卡级集群训练下一代模型。

在AI从“能力涌现”迈向“自主演化”的关键节点，陈勇超及其同龄人正试图定义下一阶段的技术坐标。他们的创业逻辑不再是“用AI提效”，而是“让AI成为新的认知主体”——这条路风险极高，但一旦走通，或将重塑整个科研与创新的底层范式。