海淀又投出一匹AI黑马：27岁清华教授，交出首个RSI模型

海淀国资抢投，近4亿元天使轮砸向27岁清华教授

超衍智能的融资节奏快得惊人。公司成立仅三个月，就完成了累计金额近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+轮则由中关村科学城基金、深创投、上海未来产业基金联合领投。

这笔融资背后的股东名单，几乎集齐了市场上最有分量的几类资本：头部财务投资人、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平台。尤其是海淀区的中关村科学城基金下场，让这匹“AI黑马”的落点格外清晰——公司扎根海淀，而海淀目前集聚了超过2000家AI企业，正需要这样的前沿技术公司来补充生态拼图。

值得注意的是，超衍智能并未聘请FA。无论是前期沟通还是后续股权变更，均由创始人陈勇超和团队成员独立完成。有接触过他的投资人感叹，在沟通过程中能清晰感受到极强的学习能力，“对股权投资相关知识，学习、理解和消化的速度都非常快”。这也是为什么星连资本主管合伙人张鸣晨会将他定义为“Researcher Founder”。

五个实验室、哈佛MIT联培、27岁清华最年轻助理教授

陈勇超的履历堪称“天才型选手”的标准模板：中科大本科，哈佛与MIT联合培养博士，27岁入职清华大学人工智能学院，成为该学院有史以来最年轻的助理教授。但比头衔更惊人的，是他的科研跨度。

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。投资人在评价他时，反复提及的关键词是“聪明”和“学习能力非常强”。

创业想法其实在两年前就已萌生。在谷歌DeepMind实习期间，他第一次接触到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的创业方向。而今年2月Claude Opus 4.6的发布，让他认为时机终于成熟，于是创办了超衍智能，试图训练一种能够自主研究、持续进化的模型。

他想要做的RSI（Recursive Self-Improvement，递归自我改进），简单来说就是让AI自己生成数据、设计任务、制定规则、进行评测，并根据结果调整迭代，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、云知声都已宣布布局，而超衍智能正是国内RSI创业团队中的大热门。

首个35B模型发布：全面超越Flint，部分任务碾压500B/800B大模型

10月28日，超衍智能正式发布首个35B参数模型Apex-35B-V1.0。这款模型兼顾通用能力与研究能力，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，Apex-35B-V1.0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。更令人惊讶的是，它在部分任务上超越了参数规模高达500B和800B的大尺寸模型。一个35B的“小模型”能实现这种反超，靠的不是参数堆砌，而是全新的研发方式。

比能力清单更值得关注的，正是它的研发方式。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，这个模型的一部分，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，也让外界看清了它为何受到资本争抢。

AI自己“写论文”又“改自己”：Apex Research的自我进化闭环

支撑这套研发路线的，是超衍智能成立后不久便推出的首款自进化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。

为什么从研发切入？陈勇超的逻辑是：自进化模型追求的创造性与研发的高容错天然适配，而且“研究不是应用场景，而是RSI的引擎本身”。他解释，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。

Apex Research的实际产出已经得到过验证。今年5月，它自主产出完成了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篇达到3.67分——这一成绩已经超过约99%的人类投稿。

此外，Apex Research还将自动化优化延伸到了底层计算系统。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，并根据token数量分配计算负载，从而减少同步开销和GPU空闲时间。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%。

让AI持续“长”出能力：一个不断累积的研究反馈循环

陈勇超将这些改进贯穿数据、训练和基础设施，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。

这套循环的核心，正是RSI的精髓——不再只是Scaling参数和数据，而是Scaling Experience、Scaling Feedback。陈勇超认为，大模型下一阶段的竞争，已经从单纯比拼算力和参数规模，转向比拼谁能构建更高效的自我进化闭环。哪个团队能让AI更自主地发现新知识、验证新方法、改进自身架构，哪个团队就能在下一代模型竞争中占据先机。

在他的设想里，Apex-35B-V1.0只是一个开始。这个35B模型验证了RSI路线的可行性，但距离真正的“AI科学家”还有很长的路要走。不过，对于一只刚出生三个月就拿到近4亿元融资、并火速发布首个模型的团队来说，外界有理由对它的下一步保持期待。毕竟，当AI开始自己训练AI时，速度本身就是最稀缺的壁垒。