27 岁的陈勇超近日开启了双重身份：一方面，他于 8 月正式入职清华大学人工智能学院担任助理教授；另一方面，他创办了超衍智能（Apex Intelligence），致力于训练具备自主研究、持续学习及自我进化能力的下一代基座模型。
超衍智能成立于 2026 年 6 月，短短三个月内核心团队已扩充至近 30 人。创业的高强度节奏让陈勇超习惯了深夜工作，“很多人会在午夜收到我的回复。”他表示。
近日，超衍智能宣布完成近 4 亿元人民币的天使轮及天使 + 轮融资。资金将重点投向基础模型与算力基础设施建设、递归研究能力研发以及核心团队扩张。其中，天使轮由 IDG 资本、星连资本、晶泰科技联合领投；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，超衍智能在技术研究上也取得显著进展。其自进化 AI 系统已能独立完成从 Idea 提出、方法设计、代码编写到实验执行及论文撰写的全流程。团队联合清华、MIT、哈佛、CMU、中科大及微软研究院等机构推出 ASI-Bench 基准测试，旨在评估 AI 在无人类方法指导下的独立科研能力。目前，该系统已开始应用于 AI 自身的研究，在模型训练和系统优化任务中探索新的改进方案。
（来源：超衍智能）
在技术的朝阳期下注
陈勇超本科毕业于中国科学技术大学理论与应用力学专业，早年便涉足实验室，研究方向横跨力学、金属材料、核聚变至 AI for Science。随后，他在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，研究重心逐渐从机器人、人机交互转向 NLP 和大模型。
在哈佛攻读博士期间，陈勇超意识到许多传统学科已进入缓慢爬坡期，突破的边际成本日益高昂，正如高能物理领域所言："The party is over。”他渴望寻找下一个如半导体或现代物理般的朝阳领域。他的择业标准涵盖兴趣、影响力以及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，因为个人可能产生的贡献更大。”他说。
基于这一判断，他转向机器人与人工智能研究，并接触到 GPT-3。尽管早期 GPT-3 存在频繁出错等问题，但其展现出的泛化能力及清晰的改进路径让陈勇超看到了希望。此后，他围绕大模型规划、工具调用等方向，先后在 Google Research、Google DeepMind、Microsoft Research 及 MIT-IBM Watson AI Lab 开展研究工作。
在微软研究院，陈勇超萌生了创业念头；而在谷歌，他首次接触到"Auto Research"和"AI Scientist"概念，即让 AI 自主探索新知识并利用成果提升自我。“微软让我想创业，谷歌让我知道创业要做什么。”陈勇超总结道。
直到 2025 年底至 2026 年初，随着模型推理、工具调用及自主研究能力的质变，陈勇超看到了 AI 生成研究想法乃至改进自身的可行性。这种“在起跑线上还能往上推一把”的感觉促使他放弃 Google DeepMind 等海外高薪职位及创业机会，回国加入清华并创办超衍智能。
创业后，该方向迅速成为行业热点。近期，陈勇超围绕自进化模型相继参加了 WAIC 论坛、2026 外滩大会及 Link-X Demo Day 2026 等多场公开活动。
RSI 正在成为一场全球竞赛
陈勇超押注的方向被称为 Recursive Self-Improvement（递归自我改进，简称 RSI）。早在 1965 年，英国数学家 I. J. Good 便提出“智能爆炸”设想：若机器能设计出更聪明的后代，智能提升将进入加速循环。大模型的出现让这一理论走向实践，AI 开始真正参与自身的研发过程。
今年以来，全球涌现出一批专注 RSI 的团队。日本创业公司 Sakana AI 成立 RSI Lab，旨在让 AI 从静态工具转向自主研究系统；田渊栋等人创办的 Recursive 公司将“递归自我改进超级智能”写入目标；谷歌前首席科学家 Jeff Dean 等人创办 Discovery Loop，尝试自动化机器学习研究；Anthropic 也公开讨论了 AI 在研发中的角色，指出完全自主的 RSI 尚未实现但正在进行中。
（来源：超衍智能）
超衍智能的技术闭环在于：模型完成真实研究任务后，留存包含问题提出、假设生成、代码修改及失败路径在内的完整研究轨迹。这些经验经筛选验证后转化为新训练数据，用于迭代模型，使其具备挑战更难问题的能力。在此模式下，研究过程本身成为了模型进化的原料。
让研究本身成为模型进化的引擎
超衍智能推出的自进化 AI 系统被陈勇超定义为"AI Co-worker"。该系统能从单一研究方向出发，全自动完成文献调研、Idea 生成、方法设计、代码实现、实验运行及论文撰写。
今年 5 月，团队让 AI 系统自主产出 34 篇机器学习论文并提交至 ACL Rolling Review（ARR）接受双盲评审。最终 8 篇论文平均分超过 3.0，其中 2 篇高达 3.67，成绩超越约 99% 的人类投稿。“现在的自进化 AI 研究系统能力已达到人类博士水准。”陈勇超表示。
为评估 AI 在无人类方法指导下的自主发现能力，陈勇超联合多所顶尖高校及机构开发了 ASI-Bench。该基准包含 60 个项目级任务，覆盖 11 个科学领域，通过 B1 至 B4 四档设置逐步减少人类提示信息，直至仅提供研究目标和约束条件。
图 | 在禁用外部工具的情况下，60 个科研项目任务的主要评测结果（来源：超衍智能）
陈勇超强调，自进化大模型的核心不仅是复现已知知识，更是具备自主探索和发现未知知识的能力。为此，团队构建了约 100 个研究项目，不仅用于评估模型，更沉淀研究轨迹以探索“数据自进化”：让 AI 参与生成研究任务和数据集，将过程经验反哺下一轮训练。
近期，超衍智能将该能力直接应用于 AI 自身研发。其系统在 SLDBench SimpleTES、GPUMode TriMul（H100）及 MLS-Bench Fused Causal Attention 三项任务上刷新公开最佳成绩；在 NanoChat Autoresearch 上，其 B200 结果超越了 Recursive SuperIntelligence 和腾讯混元 Hyra 此前的成绩，接近固定预算 LLM 训练任务的领先水平。
（来源：超衍智能）
这正是超衍智能倡导的"AI for AI"：让 AI 深度参与算法、训练及底层系统研发，并将验证结果带入下一轮循环。此外，该系统已开始拓展至 AI for Math 等领域，团队正与清华大学交叉信息研究院合作开展纯数学理论研究，有望在调和分析领域取得突破。
未来，超衍智能将验证这套自主研究方法能否从 AI 延伸至更广泛的科学发现场景。陈勇超表示：“我对 RSI 最大的热情不是卷存量或替代人，而是在创造增量。”他期望 RSI 能助力人类突破长期难以攻克的领域，发现新的问题、方法与知识。