27岁清华助理教授陈勇超创立的超衍智能，在短短两个月内完成两轮亿元级融资，押注RSI（递归自进化）方向引发产业界高度关注。这家由青年科学家主导的企业，正在尝试突破AI研究领域的“天花板”，通过构建能自主进化的通用模型，实现从科研到产业落地的全链条创新。在当前全球大模型竞争白热化、AI能力边界不断扩展的背景下，超衍智能的探索路径为行业提供了新的观察视角。

自进化AI系统产出高质量论文

超衍智能的核心突破在于其自进化AI系统的研发成果——该系统已能独立完成从构想、实验到论文撰写的全流程研究。今年5月，团队通过这套系统生成了34篇论文，并提交至ACL Rolling Review（ACL系列会议的统一审稿平台）。其中11篇获得不低于博士水准的初审分，2篇甚至超过99%人类研究员的评分，这一成绩标志着AI在科研能力上迈出了关键一步。

据公开信息显示，超衍智能内部已沉淀数万条高质量研究轨迹（Research Trajectories），涵盖专家轨迹、合成轨迹和AI自主生成的研究路径。这些数据不仅成为模型训练的基础，也为后续迭代提供了“进化燃料”。业内观察认为，这种将科研过程数字化并形成闭环的能力，是RSI方向突破的关键所在。

通用模型训练与垂直场景落地策略

在技术路线选择上，超衍智能并未聚焦于AI for Science的Harness层应用，而是致力于基模层递归自进化的能力建设。陈勇超强调：“Research is the engine of RSI”，即研究是推动系统自我改进的核心动力。这种战略定位使其区别于其他RSI项目——前者多集中在工具层开发，而超衍智能则试图构建统一的通用模型能力，以覆盖AI、数学、物理等跨领域场景。

为实现这一目标，团队正在训练具备“创新性”特质的大模型。与当前主流追求稳定性的模型不同，自进化模型更注重探索过程中的容错率——即使99%的方法失败，只要1种有效即可形成正向反馈。这种设计逻辑在数学、物理等高难度领域已初见成效，例如团队协助清华大学交叉信息研究院改进了沿用十余年的数学结论。

科研场景中的创新性验证路径

超衍智能的探索路径为AI科研能力提供了新的验证方式。其自进化系统能像人类科学家一样“全栈”操作：从构思想法、检索文献到搭建实验环境，最终形成论文或代码仓库。这种端到端的能力已通过多个案例得到证明——包括协助数学家发现重大突破、优化大模型训练内核等。

在数据积累方面，团队正构建领域专家生态，邀请各学科专家复现研究轨迹，并用AI可理解的方式记录全过程。目前已有与专家合作产生的数据、AI合成数据及用户自愿分享的产品使用数据作为基础。陈勇超指出：“最顶尖研究员的灵感时刻难以数字化，但我们正在尝试将其‘复刻’出来。”这种对科研过程全链条的数字化管理，被视为RSI方向落地的关键支撑。

当前，超衍智能正加速推进自进化AI系统的商业化进程。团队计划年底或明年年初发布第一版模型，并探索以API、半成品工具包等形式输出能力。尽管短期仍聚焦于基础研究和模型训练，但陈勇超对行业趋势的判断十分明确：“就像具身智能替代蓝领一样，RSI将替代人类科学家——那些拥有博士学位、最贵也最聪明的一批人。”

在技术突破与产业落地之间，超衍智能正在构建一条独特的路径。其探索不仅关乎AI能力边界的扩展，更可能重塑科研范式本身。随着模型训练效率的提升和研究轨迹数据的积累，这条“Research is the engine of RSI”的道路，或许正迎来爆发临界点。