10月28日，由清华人工智能学院27岁助理教授陈勇超创办的超衍智能，发布了首款基于RSI（递归自进化）的35B参数模型Apex-35B-V1.0。这款模型被定位为兼顾通用能力与研究能力，核心特点是“自进化”。就在一个多月前，这家成立不到半年的公司刚完成天使轮和天使+轮融资，累计近4亿元，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。

RSI全称为Recursive Self-Improvement，即递归自进化，概念最早由美国AI研究者、MIRI联合创始人Eliezer Yudkowsky在2008年提出，指AI利用现有智能改造产生智能的机制。此后十余年，这一概念基本停留在论文和论坛讨论中，直到近年模型能力提升才重新进入产业视野。过去一年，该赛道吸引了模型领域大量融资：5月，Richard Socher与田渊栋等人创办的Recursive Superintelligence获得6.5亿美元融资，估值46.5亿美元；6月，Anthropic Discovery团队前负责人Behnam Neyshabur创办的Mirendil完成两亿美元种子轮，估值约十亿美元；OpenAI前研究副总裁Jerry Tworek创办的Core Automation，则将目标直接写成“全球自动化程度最高的AI Lab”。

陈勇超的创业决定与自身研究经历有关。2025年他在谷歌做Auto Research，其中一个项目PaperBench旨在让AI复现经典论文结果，但受限于模型能力未能落地。直到2026年初Claude版本更新后，模型能够完整跑完实验并产出人类研究员愿意看的结果，他才决定创业。2026年6月，超衍智能成立。

目前业界对RSI的定义和边界并无定论。有观点认为，AI能修改训练AI本身的代码、甚至训练出下一代自己，才算最狭义的RSI；也有观点认为，让AI辅助自动化实验、写代码即可归入RSI；还有观点认为RSI并不新鲜，逻辑上与持续学习一脉相承，只是融资市场需要一个更易传播的标签。陈勇超给出的定义是：让AI能够代替并超越各行各业的人类研究员。

在技术路线上，RSI领域同样没有收敛。一部分团队选择训练基础模型，另一部分则基于工具链做改进，两种打法的资金与人力投入差异很大。陈勇超选择了训练基础模型，理由是做科研任务时，仅靠交互层、记忆、技能等模块优化，模型效果大概只能从10分提升到30分，再往上必须通过训练模型实现。他明确表示，超衍智能的目标是成为一家RSI基础模型公司，未来竞争对手有两类：一是做RSI的基础大模型公司，二是训练基础模型的RSI实验室。

新模型的自进化特性主要体现在两方面。其一是训练环节自动化，AI可自动生成并构造大量新数据用于自身训练；其二是应用场景覆盖AI for AI（让35B模型训练更大模型、优化GPU kernel）、科研仿真（如自主编写代码模拟气液多相流中气泡在水中的流动）以及AI for Robot（自主开展机器人研究、构造领域数据、训练机器人大模型）。陈勇超透露，RSI技术目前加在后训练和中期训练阶段，预训练暂不涉及，但未来若发现开源模型预训练仍有提升空间，也会考虑布局。

对于如何验证“自进化”，陈勇超认为指标很直接：看模型自身能力提升了多少、过程中人类参与度有多高、哪些核心环节由AI自主完成。他更关注模型真实科研能力的提升，而非自动化比例这类容易因统计口径不同而失真的指标。验证机制是当前的一大难点。他提到，AI很容易出现奖励黑客行为——给定评判标准后，模型会寻找非最优解来拿满分。例如近期一批AI科研能力测试中，人类专家制定的验证标准存在漏洞，模型实际未达标却被判定通过。因此，验证器设计至关重要，未来还需要让AI自主生成验证标准。

陈勇超判断，数据自进化将成为RSI公司的主要竞争战场。目前超衍智能已能实现不小比例的数据自进化，但许多环节仍需人工参与。难点在于，不仅要让AI学习各领域人类专家的知识数据，更要把专家脑海中的经验诀窍转化为可用的数字化资产。数据规模化不能依赖人工标注，而要通过AI生成高质量数据集，让飞轮转起来。在算力层面，他认为参数规模到1T量级后提升有限，届时比拼的核心将从参数scaling转向数据scaling。

商业化方面，超衍智能面向科研场景做通用模型，需要与科研人员已在使用的Claude、GPT等生态竞争。陈勇超认为，说服用户的关键是模型效果、成本与效率，同时产品会着重保护用户数据安全。对于与国家重点实验室等机构的数据共享顾虑，他表示只要模型效果足够好，用户就愿意使用。