清华教授创业押注RSI，融资近4亿元，要做会自我进化的模型
27 岁的陈勇超，同时开始了两种新身份。
一边，他于今年 8 月入职清华大学人工智能学院助理教授；另一边，他创办了超衍智能（ Apex Intelligence ）， 试图训练一种能够自主研究、持续学习，并在真实任务中自我进化的下一代基座模型。
这家公司成立于 2026 年 6 月，不到三个月，核心团队已接近 30 人。创业迅速改变了陈勇超的生活节奏。每天晚上睡觉前，他还会检查一遍当天有没有漏回的消息。 “ 所以很多人会在午夜收到我的回复。 ” 他说。
近日， 超衍智能 宣布已完成近 4 亿人民币天使轮及天使 + 轮融资。 融资将重点用于三大方向：基础模型与算力基础设施的构建、递归研究能力的持续投入，以及核心团队的扩张。
据悉，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。
融资之外，过去几个月，超衍智能也开始陆续公布研究进展。
其自进化 AI 系统已经能够从 idea 出发，自主完成方法设计、代码编写、实验执行和论文撰写；团队联合清华大学、麻省理工学院、哈佛大学、卡内基梅隆大学、中国科学技术大学、微软研究院等机构推出 ASI-Bench ，试图专门测试 AI 能否在缺少人类方法指导的情况下独立完成科学研究；与此同时，超衍智能又开始将这套系统直接用于 AI 自身的研究，在模型训练和系统优化任务中寻找新的改进方案。
在技术的朝阳期下注
陈勇超本科就读于中国科学技术大学，最初学习理论与应用力学。从力学、金属材料、核聚变到 AI for Science ，他很早便进入实验室，也不断更换研究方向。此后，他前往哈佛大学工程科学学院（ SEAS ）和麻省理工学院信息和决策系统实验室（ LIDS ）接受联合培养，研究方向从机器人、人机交互逐渐转向 NLP 和大模型。
在哈佛攻读博士第一年期间，他逐渐意识到，许多传统学科已步入缓慢的爬坡期，剩下的问题越来越难，取得突破的边际成本日益高昂。他用一句评价高能物理的话形容这种状态： “The party is over 。 ” 并开始渴望寻找下一个像几十年前的半导体、或一百年前现代物理那样的朝阳领域。
他的标准首先是兴趣，其次是影响力，也就是这项研究能为学科乃至现实世界带来多大价值。随着研究经历增长，他又增加了第三个维度：一个领域所处的发展阶段。 “ 我更喜欢处在朝阳期或高速上升期的领域，因为可以做的事情更多，个人可能产生的贡献也更大。 ”
带着这种判断，他开始从基础科研转向机器人和人工智能。也就在这时，他接触到了 GPT-3 。
早期的 GPT-3 并不好用，它会频繁出错，完成复杂任务的能力也很有限。但陈勇超注意到，它的泛化能力明显不同于传统算法。更重要的是，它的问题似乎都有清晰的改进路径：可以在专有数据上继续训练，也可以用算法和过滤机制减少错误。 “ 这种虽然不完善，但能看到清晰改进空间的状态，让人看到希望。 ”
此后，他围绕大模型规划、工具调用、长期决策和模型训练展开研究，并先后进入 Google Research 、 Google DeepMind 、 Microsoft Research 、 MIT-IBM Watson AI Lab 进行研究工作。
在微软研究院，陈勇超第一次认真考虑创业。让他意外的是，身边不少原本可以继续发论文、找教职或进入头部模型公司的研究者，也在讨论创业；在谷歌，他第一次接触到 auto research 、 AI scientist ：让 AI 自主探索新知识，并利用研究结果进一步提升自己。
“ 微软让我想创业，谷歌让我知道创业要做什么。 ” 陈勇超说。
不过，直到 2025 年夏天，他仍然认为模型能力不足以支撑这一愿景。真正的转折发生在 2025 年底至 2026 年初。随着模型推理、工具调用和自主研究能力提升，陈勇超开始看到 AI 生成研究想法、开展实验乃至改进自身的可能性。
“ 这种感觉和我当年看到 GPT-3 时非常像。 这个赛道现在已经能做出一些效果，我们自己试出来也确实如此，虽然还有很多地方需要改进，但有些地方又让你觉得很 promising 。就是那种已经在起跑线上、还能往上推一把的感觉。所以这次我就不再犹豫了。 ”
为此，陈勇超放弃了包括 Google DeepMind 在内的就业机会、海外学校职位，以及与朋友在美国共同创业的选择，回到中国，在清华组建实验室，同时创办超衍智能。
创业之后，这一方向也迅速从一个相对小众的研究问题变成行业热点。近期，陈勇超还围绕自进化模型连续参加了 WAIC 论坛、 2026 外滩大会、 Link-X Demo Day 2026 等多场公开活动。
RSI 正在成为一场全球竞赛
陈勇超所押注的方向，在行业里有一个更明确的名字： Recursive Self-Improvement ，（递归自我改进，简称 RSI ）。
早在 1965 年，英国数学家 I. J. Good 就提出过 “ 智能爆炸 ” 的设想：如果一台足够聪明的机器能够设计出比自己更聪明的机器，后者又继续设计下一代，智能提升就可能进入不断加速的循环。
过去几十年，这更多是一个理论问题。但大模型出现之后， AI 第一次开始真正参与 AI 本身的研发：写代码、设计实验、调参数、寻找算法，再把结果用于下一轮开发。
今年以来，全球已经出现一批直接押注这一方向的团队。
2024 年推出 AI Scientist 的日本创业公司 Sakana AI ，今年正式成立 RSI Lab ，目标就是让 AI 从静态工具转向能够自主开展研究并进一步改进 AI 的系统；田渊栋等人创办的 Recursive 则直接将 “recursive self-improving superintelligence” 写进公司目标，希望首先让 AI 自动改进 AI ，再将同一套机制拓展到其他科学领域。
今年 8 月，谷歌前首席科学家 Jeff Dean 等人共同创办 Discovery Loop ，第一步就是自动化机器学习研究，让 AI 同时提出、执行和评估大量实验，并把公司自身作为这套自动发现循环的第一个用户。
甚至 Anthropic 也开始公开讨论这一问题。其研究机构指出， AI 正在承担越来越多 AI 研发工作，但真正意义上能够完全自主设计、开发下一代系统的 RSI 还没有实现。