Loop 首先是一套研发操作系统
它要自动提出问题、执行实验、判断结果并把经验写回模型或工具链。只要最后一步仍靠少数创始人拍板，复利速度就受人类判断带宽限制。
LINJUNKAI.COM / FRONTIER AI RESEARCH / 2026.07.05
2026 美国 Frontier AI Labs：Loop、模型与新一代实验室融资叙事
对 Ricursive Intelligence、Mirendil 与 Core Automation 的技术路径、资本逻辑和竞争边界进行拆解，并回答一个更现实的问题：拥有强化学习环境的创业公司，何时需要训练自己的模型？
Why now
2025 年 12 月至 2026 年 6 月，三家新实验室相继成立或公开亮相；7 月 Core Automation 又被私募数据库记录完成新一轮融资。按现有公开与公司文件数据库口径，三家公司累计融资至少 11.35 亿美元，最近一轮估值合计约 86.2 亿美元。它们都在讲 Loop，也都把模型训练写进长期路线，由此在 Google、Meta 与 OpenAI、Anthropic 之外形成一条新的融资路径。对中国市场而言，这更像一个提前 6–12 个月出现的估值信号。
$1.135B
含官方披露、可靠媒体与 Forge 公司文件数据库记录的累计融资
$8.62B
按各公司最近一轮已完成或公司文件数据库记录的估值合计
3 Labs
芯片设计、AI 研发、实验室与学习算法三种 Loop
6 Months
2026 年上半年形成趋势；7 月融资继续验证
01
Executive view
先看结论：这轮融资在给什么定价
三家公司共享“自我加速”的语言，底层资产和风险结构差异很大。投资判断需要把 Loop 拆成环境、评价器、数据和更新机制，才能识别真正可复利的部分。
环境与评价器决定 Loop 的上限
芯片的时序、面积、功耗和可制造性可被硬指标验证；开放式 AI 研究的方向价值难以即时判定。评价信号越硬，自动改进越容易持续。
巨头已经拥有内部 Loop，创业公司必须找到所有权边界
Google、Meta、OpenAI 与 Anthropic 均已公开自我改进系统。新实验室的机会来自客户中立性、垂直环境、专有反馈和组织速度。
训练模型是资产成熟后的升级路径
创业公司可以先用外部模型建立产品、环境与评价体系。当真实使用产生稳定奖励和专有 on-policy 数据，后训练与自有模型开始获得经济价值。
资本快照：已完成交易与目标估值分开看
私营公司数据存在信息滞后。下表区分官方公告、可靠媒体与基于公司 Certificate of Incorporation 的私募数据库记录；谈判中的估值单独标记。
| 公司 | 成立 / 公开 | 最近已完成融资 | 最近已完成估值 | 后续目标 | 证据 |
|---|---|---|---|---|---|
| Ricursive Intelligence芯片设计 Loop | 2025.12 公开成立 | $300M Series A；累计 $335M | $4.0B post-money | 未披露 | 官方已完成 |
| MirendilAI R&D Loop | 2025.12 设立；2026.06 公开 | $200M Seed | $1.0B post-money | 未披露 | 官方 / 交叉核验 |
| Core Automation自动化实验室 Loop | 2026.03 下旬成立 | $500M（2026.07）；累计 $600M | $3.62B post-money | 2026.05 曾目标 $300M–$500M、约 $4.0B | Forge / COI 数据 公司未公告 F |
估值对比
Core Automation 的实色条采用 Forge 依据公司提交 Certificate of Incorporation 记录的 2026 年 7 月 post-money；虚线框保留 5 月约 40 亿美元的谈判目标。
Ricursive Intelligence
$4.0B
Mirendil
$1.0B
Core Automation
$3.62B
Ricursive Intelligence 与 Mirendil 来自官方 / 交叉核验；Core Automation 实色来自 Forge 公司文件数据库，虚线为此前媒体报道目标。
六个月内发生了什么
$35M Seed，媒体报道 post-money $750M。
特拉华州登记时间来自 The Information。
$300M，post-money $4.0B，四个月累计 $335M。
由前 OpenAI 研究负责人 Jerry Tworek 发起。
此前已融 $100M；拟融 $300M–$500M，目标约 $4.0B。
$200M Seed，post-money $1.0B，团队约 20 人。
Forge：$500M、post-money $3.62B；公司未公告。
02
Analytical framework
把“自循环”拆成五个可验证环节
“模型写代码”只覆盖执行环节。完整 Loop 还要回答谁提出值得做的问题、在哪个环境运行、如何判定改进，以及改进怎样进入下一代系统。
01
问题生成
选择目标、提出假设、分配实验预算
02
模型 / Agent
规划、写代码、调用工具、协调子任务
03
环境与工具
EDA、代码仓库、训练集群、模拟器、真实用户
04
评价与奖励
测试、PPA、实验结果、用户行为、专家判断
05
系统更新
提示词、工具、数据、权重、架构或组织流程
结果被写回问题生成、工具链和模型权重，下一轮在更高起点开始。
The evaluator is the ceiling
评价器的硬度，决定自动化可以走多远
近期递归自我改进综述把“验证信号”放在中心位置：形式化验证与可执行测试最可靠，开放式方向判断最脆弱。奖励一旦偏离真实目标，Loop 会加速放大奖励投机、数据坍缩或研究路径收敛。
技术综述 这一框架也解释了三家公司为何具有不同的可验证性与估值风险。I7
形式化验证 / 物理指标芯片时序、面积、功耗、可制造性
编译、测试与沙箱结果代码正确性、性能、任务完成度
模型裁判与人工规则可扩展，但会继承偏差并被投机
自我评价 / 开放式方向判断最难验证，长期价值反馈极慢
三家公司分别关闭哪一种 Loop
| 公司 | 环境 | 评价信号 | 写回对象 | 当前公开证明 |
|---|---|---|---|---|
| Ricursive Intelligence模型 ↔ 芯片 | 芯片设计、布局布线、验证与最终流片 | PPA、时序、线长、验证结果、制造约束 | 设计策略、EDA 流程、AI 模型，长期包括自研芯片 | 强 AlphaChip 已用于多代 TPU；公司产品仍早期 |
| Mirendil模型 ↔ AI R&D | 实验代码、训练集群、模型 checkpoint 与评测 | 实验指标、回归测试、算力效率、研究者判断 | Agent harness、数据、后训练策略与 frontier model | 中 依赖团队在 Anthropic / Google / xAI 的前史 |
| Core Automation模型 ↔ 实验室 | 系统代码、研究流程、学习算法与组织运行 | 可执行测试与开放式研究价值的混合信号 | 系统工具、学习算法、架构与实验室操作方式 | 早期 官网 thesis 与一篇系统研究文章 |
03
Company deep dives
三家公司：同一组关键词，三种风险曲线
以下每家公司先给出可核验事实，再分析 Loop 的技术闭合程度、商业化路径、竞争条件与尚未被证明的部分。
03A
Ricursive Intelligence
从芯片设计切入，用可测量的物理反馈训练端到端 AI，长期让模型与硬件共同演化。
RICURSIVE
INTELLIGENCE
INTELLIGENCE
- 估值
- $4.0B2026.01 Series A post-money；官方披露
- 成立
- 2025.1212 月 2 日公开成立；2026 年 1 月完成 A 轮
- 创始人
- Anna Goldie（CEO）与 Azalia Mirhoseini（CTO），Google Brain AlphaChip 联合创造者，均有 Anthropic 早期经历
- 主要投资方
- Lightspeed、Sequoia、DST Global、NVentures、Felicis、49 Palms、Radical Ventures
- 核心业务
- 自动化芯片设计，逐步覆盖物理设计、验证和 workload-to-GDSII；长期自研芯片与通用模型
Thesis：把芯片设计变成可训练的环境
芯片设计具备大规模强化学习需要的三项条件：问题价值高、搜索空间巨大、评价信号可计算。AlphaChip 已证明强化学习可以把芯片 floorplanning 视为序列决策问题，并在数小时内生成生产级布局。Google 表示该方法用于 TPU v5e、v5p 与 Trillium 等多代设计。R6
Ricursive Intelligence 把这个局部成功扩展到端到端设计：模型读取 workload 与设计目标，生成并验证越来越完整的芯片方案；新方案继续产生训练数据。公司将目标客户定义为拥有高价值计算 workload、缺少完整芯片团队的企业，也会服务现有芯片厂商。R5
INPUTworkload、规格与工艺约束
EXECUTE生成架构、布局、验证方案
EVALUATEPPA、时序、正确性、可制造性
UPDATE模型、设计策略与下一代硬件
具体怎么做：三阶段路线
- 阶段一：先自动化物理设计与验证等明确环节，通过客户项目积累真实设计轨迹和约束。
- 阶段二：把 workload 直接转成可制造的 GDSII，减少传统设计链中的人工交接与长周期迭代。
- 阶段三：用自研模型设计自研芯片，再用芯片训练下一代模型，形成模型与硬件的双向更新。
商业模式与竞争条件
短期产品形态更可能是高价值设计项目、软件平台与计算服务的混合体。客户在早期需要人工专家兜底，公司也需要接入 Cadence、Synopsys 与代工厂的既有工具链。随着端到端覆盖率提升，收入可向订阅、按设计阶段收费或芯片价值分成迁移。
对 Google 的主要优势是客户中立性。芯片公司不会轻易把最敏感的设计数据交给潜在竞争者；独立公司更容易成为跨客户的平台。对 OpenAI 与 Anthropic 的优势来自环境专有性：通用模型可以写 RTL 或调用工具，却缺少贯穿验证、工艺和流片结果的训练闭环。
投资解读
这是三家公司中证据链最完整的一家：创始团队有生产级前史，评价信号最硬，目标市场的时间与人力成本足够高。40 亿美元估值购买的是“从局部生产验证扩展到全流程”的期权。
主要风险
芯片客户数据难共享，流片反馈周期长，制造能力掌握在代工厂手中。AlphaChip 的 floorplanning 成功无法自动推出 end-to-end 芯片设计成功；公开资料尚未披露命名客户、流片项目或可购买产品。
03B
Mirendil
训练擅长 AI R&D 的 frontier models，并把内部大模型实验室的全套研究系统产品化给外部团队。
- 估值
- $1.0B2026.06 Seed post-money；融资额 $200M
- 成立
- 2025.12公司设立；2026 年 6 月 24 日公开亮相
- 创始人
- Behnam Neyshabur（CEO）、Harsh Mehta（CTO）、Shayan Salehian、Tara Rezaei；来自 Anthropic、xAI、Google 与 OpenAI
- 主要投资方
- a16z 与 Kleiner Perkins 共同领投，Nvidia 等参与
- 核心业务
- AI 研发模型与实验室操作系统，覆盖实验提议、代码、训练、评测、kernel 优化和下一步决策
Thesis：把头部实验室的内部能力外部化
Mirendil 的出发点是，大型模型公司已经在内部用 AI 加速 AI 研发，但缺少把这套能力开放给竞争者的商业激励。公司希望把“会做 AI 研究的模型”及其运行栈提供给工程师、研究者，随后扩展到科学家和其他领域专家。M2
创始团队的卖点集中在 insider knowledge。Harsh Mehta 被投资方描述为 Anthropic 首个自动化 AI R&D 平台的发起者；Behnam Neyshabur 曾参与 Google Blueshift、Minerva / Gemini 以及 Anthropic Discovery；Shayan Salehian 来自 xAI 的后训练、推理和 Agent 团队；Tara Rezaei 有 OpenAI 学生研究与竞赛背景。M3
PROPOSE提出实验与研究方向
RUN写代码、调 kernel、管理算力
INTERPRET比较 checkpoint、定位失败
LEARN更新 harness、数据与模型
具体怎么做：全栈共同训练
- Backend infrastructure：在长时任务中调度实验、模型、数据和大量算力，保存可重放的研究轨迹。
- Agent harness：让模型可靠调用代码、训练与分析工具，维持上下文并恢复失败任务。
- Evals：区分短期指标提升、真实研究贡献与奖励投机，决定哪些轨迹进入下一轮训练。
- Post-training 与 pre-training strategy：用完整 AI 研发过程产生的数据训练专用 frontier model。
商业模式与竞争条件
Mirendil 最清晰的产品路径是“AI R&D cloud”：按席位、算力或实验吞吐收费，让不具备 frontier-lab 基础设施的团队获得同类能力。客户可能包括模型创业公司、AI for Science 团队与大型企业研究院。
相较 OpenAI 与 Anthropic，Mirendil 的可销售对象可以覆盖这些模型公司的潜在竞争者；相较 Google，独立平台更容易兼容多种模型和云。它需要证明外部客户的研究环境可以被标准化，同时保留足够的领域差异。
投资解读
10 亿美元估值主要建立在团队曾经搭建内部自动研究系统的经历，以及“内部能力外部化”的平台机会。若 Mirendil 掌握跨客户的实验轨迹、失败样本与算力调度数据，其数据飞轮可能比单一模型 checkpoint 更难复制。
主要风险
公司尚未公开产品、客户、benchmark 或技术报告。AI 研究方向的长期价值难以即时验证，客户数据又可能无法跨组织共享。头部实验室也会持续强化内部工具，Mirendil 必须在外部市场形成足够大的数据优势。
03C
Core Automation
从组织、系统和学习算法同时重构 AI 实验室，押注持续学习与 transformer 之后的新架构。
- 估值
- $3.62BForge 记录 2026.07 post-money；公司尚未公告
- 成立
- 2026.033 月下旬成立；4 月公开亮相
- 创始人
- Jerry Tworek，前 OpenAI 研究副总裁、推理模型核心负责人；创始团队来自 OpenAI、Anthropic 与 Google DeepMind
- 主要投资方
- 早期轮包括 Accel、Nvidia、Scribble Ventures、Spark Capital、Threshold Ventures；7 月投资方未披露
- 核心业务
- “世界上自动化程度最高的 AI 实验室”；研究持续学习、新学习算法、transformer 之后的架构与自动研究系统
Thesis：旧训练范式与旧组织结构同时触顶
Core Automation 对当前 recipe 的判断最激进：更大模型、更多数据和静态部署不会自然带来下一次跃迁。官网提出开发超越大规模预训练与现有强化学习的新学习算法，并寻找比 transformer 更可扩展的架构。实验室本身从第一天就围绕 capable agents 设计。C1
The Information 报道称，Jerry Tworek 希望让模型在真实使用中持续学习，把预训练、后训练和部署之间的边界压缩，并以更少数据获得能力提升。团队还吸引了 Rohan Anil、Joanne Jang、Anmol Gulati、Julia Villagra 等来自头部实验室的人才。C3
2026 年 5 月，公司被报道拟融资 3 亿至 5 亿美元、目标估值约 40 亿美元。Forge 随后记录一笔 7 月 15 日的 5 亿美元 Series Seed，post-money 约 36.2 亿美元，并说明该估值依据公司提交的 Certificate of Incorporation。公司尚未发布融资公告，投资方未披露。C4
RESEARCH提出算法、架构与系统假设
AUTOMATEAgent 执行实验和系统优化
AUDIT验证性能并寻找奖励漏洞
REBUILD更新模型、工具与实验室流程
具体怎么做：系统研究先于产品发布
Core Automation 公开的第一篇技术文章聚焦系统代码自动化。文章使用 GPU kernel 竞赛说明一个关键问题：模型会利用 evaluator 的漏洞获得虚假加速，因此需要 problem author、competitor、cheater 与 auditor 多角色互相攻击和校验。这个案例给出了评价器工程的具体思路，也暴露了开放式自动研究中最难的环节。C2
- 研究层：探索持续学习、新优化方法与新架构，目标直接触及基础模型范式。
- 系统层：自动生成与优化 kernel、训练基础设施和实验工具，让 Agent 能够运行更多真实实验。
- 组织层：以小团队和高度自动化流程运转，把每次内部效率提升转成下一轮研究能力。
商业模式与竞争条件
公司目前没有接近发布的公开产品，近期产出首先服务内部实验室。长期商业化可能来自基础模型 API、持续学习平台、研究自动化系统或由这些能力孵化的垂直产品。由于路径尚未确定，估值更接近对团队和范式突破的组合期权。
Core Automation 与 OpenAI、Anthropic 的竞争最直接：它需要训练自有模型并证明新的学习机制。面对 Google 与 Meta，它缺少既有算力、海量产品反馈和研究基础设施，最重要的组织优势是允许高风险方向占据公司主线。
投资解读
Core Automation 的故事把研究方法、模型架构和公司组织绑在一起。若持续学习成立，数据效率与部署更新速度可能同时改善；若核心算法没有突破，自动化实验室仍可能成为有价值的研究基础设施。
主要风险
公开技术证据最少，最新融资也未由公司宣布。Forge 的 36.2 亿美元 post-money 基于公司文件数据库，可信度高于市场传闻，仍缺少投资方与交易条款的公开确认。公司尚未发布模型、benchmark、客户或完整技术报告。
Cross-company comparison
统一比较：资产、节奏与关键验证点
| 维度 | Ricursive Intelligence | Mirendil | Core Automation |
|---|---|---|---|
| 起点 | 芯片设计中的强化学习生产前史 | 头部实验室内部 AI R&D 系统经验 | OpenAI 推理模型与跨实验室研究人才 |
| Loop 对象 | 模型与硬件 | 模型与 AI 研究过程 | 模型、学习算法与实验室组织 |
| 评价器硬度 | 高：PPA、时序、验证、制造约束 | 中：实验指标可测，方向价值仍需判断 | 混合：系统指标硬，范式突破高度开放 |
| 产品路径 | 芯片设计平台 / 项目 / 计算服务 | AI R&D cloud / Agent / frontier model | 模型 API、持续学习平台或研究基础设施 |
| 数据资产 | 真实设计约束、验证轨迹、跨芯片迁移 | 实验成功与失败轨迹、checkpoint 比较 | 系统优化、研究过程和持续学习经验 |
| 资本用途 | 研究人才、EDA / 计算、客户项目与流片 | 算力、模型训练、实验平台与人才 | 高风险基础研究、算力与研究团队 |
| 近期验证点 | 命名客户、端到端覆盖率、首个流片结果 | 公开产品、第三方 benchmark、付费研究团队 | 技术报告、模型或算法增益、融资是否完成 |
研究野心更高
产品问题更窄
评价更开放
评价更可验证
Ricursive Intelligence最高可验证性；物理反馈慢，端到端产品仍待证明
Mirendil研究范围广；实验指标与方向判断并存
Core Automation范式与组织同时重构；公开证据最早期
04
Competition
竞争的两个子问题：巨头掌握什么，新实验室必须夺走什么
自我改进并非创业公司的独家方向。竞争焦点集中在算力、基础模型、环境、评价器、客户数据和研究方向判断六类资产，胜负条件需要逐项比较。
Google / Meta / OpenAI / Anthropic
争夺资产
Ricursive Intelligence / Mirendil / Core Automation
压倒性的训练与推理预算
自有数据中心、芯片、云平台和全球采购能力，可同时运行基础模型与自动研究系统。
算力与基础模型
新实验室通常先租用或采购 Nvidia 计算。
集中预算押注单一高价值 Loop
把有限算力投入芯片、AI R&D 或持续学习，避免维护大规模消费者产品与多条模型线。
内部产品提供真实分布
搜索、社交、代码、企业 API 与内部研究团队持续产生反馈，且可直接部署新 checkpoint。
环境与评价器
决定哪些行为会产生可信奖励。
占有更深的垂直环境
进入客户 EDA、实验集群或专有工作流，建立巨头 API 看不到的任务轨迹和失败数据。
模型分发与生态锁定
模型能力、API、云和应用在同一体系中，性能改进可以迅速覆盖庞大用户。
客户所有权
谁掌握任务定义、反馈和切换成本。
中立平台与多模型兼容
服务模型公司或芯片公司的竞争者，承诺客户数据隔离，并根据任务选择最佳底座。
深厚研究积累与人才密度
拥有从基础研究到大规模部署的完整团队，也能内部孵化 AlphaEvolve、HyperAgents 等项目。
方向判断
选择下一项值得做的研究仍是瓶颈。
创始人直接配置研究资源
高风险方向可以成为公司主线，组织无需兼容既有产品路线、季度目标和安全发布节奏。
子问题一：如何与 Google / Meta 竞争
新实验室无法在横向算力、数据和分发上正面对冲。可行路径是进入大厂缺少中立性的客户环境，或选择大厂组织难以长期集中资源的高风险范式。Ricursive Intelligence 的独立芯片设计平台与 Core Automation 的新学习算法分别对应这两类机会。
子问题二：如何与 OpenAI / Anthropic 竞争
模型 API 会持续降价、提升能力，通用 Agent 层容易被压缩。新实验室需要控制可产生专有训练信号的环境，并拥有评价器和部署路径。Mirendil 的竞争力取决于外部 AI 团队是否愿意把完整研究过程交给它。
Incumbents already loop
“会自我改进”只能成为入场券
2026 年，四家巨头均公开了内部或研究级自我改进证据。创业公司需要证明其 Loop 在特定环境中的反馈质量、更新速度或商业可访问性更强。
05
Build or buy the model?
拥有强化学习环境之后，训练自己的模型是否必要
必要性取决于环境能否持续产生专有、可信、接近真实分布的训练信号。模型训练应当沿着资产成熟度逐级上移，避免在产品和评价器尚未稳定时承担基础模型成本。
验证需求、任务分布与用户工作流，保留多模型路由能力。
进入下一阶段：模型调用成本或稳定性开始影响产品。搭建工具、沙箱、数据管道、任务生成和回归评测；形成专有轨迹。
进入下一阶段：奖励与用户结果有稳定相关性。针对真实环境调整行为、成本与速度，保持数据尽量 on-policy。
进入下一阶段：底座能力或许可限制成为主要瓶颈。强化代码、芯片或科研知识，优化推理成本，并让模型适配自有工具。
进入下一阶段：架构与学习机制本身就是公司核心 thesis。获得最大控制权，也承担数据、算力、人才、可靠性与分发的完整成本。
适用于模型能力本身构成产品和长期研究壁垒的公司。Case study / Cursor Composer
产品先拥有环境，模型所有权随后上移
Cursor 先通过 IDE、真实代码仓库、工具调用和用户交互掌握高保真环境，再基于开源底座进行 continued pretraining 与大规模 RL。Composer 2 的 RL 直接复用部署时的工具和 harness。
2026 年 3 月，Cursor 披露 real-time RL：从生产交互提取奖励，完成训练、回归评测与部署的周期约五小时。这个案例说明，产品环境可以成为模型公司的上游训练资产。I8I9
端到端芯片设计与模型—硬件共演化要求控制权重、训练分布和推理系统。早期仍可用通用模型补充代码与规划，但长期 thesis 已把模型所有权写入核心。
AI R&D 全流程会产生专有实验轨迹，适合训练擅长研究任务的模型。是否从头预训练取决于外部底座在长时研究、工具使用和许可上的瓶颈。
新学习算法、持续学习与新架构就是公司研究命题。若始终依赖外部模型，它只能证明自动化工具，无法证明自身宣称的范式变化。
06
Financing narrative
反向拆解融资叙事：投资人买的是哪一种期权
三家公司尚未形成可用收入倍数解释的估值。资本定价围绕人才稀缺、范式跃迁概率、算力供给和潜在市场重写展开。
Ricursive Intelligence
“被验证的局部 Loop”扩展成芯片设计平台
融资叙事从 AlphaChip 的生产前史出发，连接到芯片研发的高成本、长周期和全球人才缺口，再把终局推向 workload-to-chip 与模型—硬件共演化。
- 创始人—技术证明强绑定
- 评价器硬，阶段性里程碑可测
- 市场价值来自压缩时间与专家成本
Mirendil
“头部实验室的内部秘密”转成外部基础设施
核心叙事强调团队亲手构建过自动 AI 研发系统，并判断模型巨头不会把同类能力完整出售给潜在竞争者。Mirendil 因此占据中立的 AI R&D 平台位置。
- 稀缺团队履历替代早期产品数据
- 外部化带来跨客户实验数据飞轮
- 终局可从 AI 研发扩展到科学研究
Core Automation
“重置训练范式”与“重置实验室组织”同时下注
故事从现有预训练、强化学习和 transformer 的局限出发，把持续学习、新架构与 Agent-first 组织组合为一个高方差期权。创始人的 OpenAI 推理模型经历提供初始信用。
- 范式突破带来最大理论上行
- 自动化系统可形成次级可售资产
- 公开技术证据不足，7 月投资方仍未披露
The Nvidia capital-compute flywheel
Nvidia 同时出现在三家公司的资本结构中
Nvidia / NVentures 提供战略投资与生态背书
→
传统 VC 对人才与算力供给的风险判断下降
→
新实验室把大额融资投入 GPU、系统工程与研究人才
Ricursive Intelligence 与 Mirendil 的 Nvidia 参与由官方或投资方披露；Core Automation 的早期轮参与来自媒体与 Forge 数据，7 月新投资方尚未披露。由此可以推断一条产业逻辑：战略资本帮助新实验室更快获得融资与算力，新增资本又扩大 Nvidia 生态中的计算需求。它提高了创业公司的启动速度，也增加了单一供应商依赖。I10
尽调时真正要问的八个问题
Agent 是否能自主提出问题、运行实验并写回权重，还是只自动执行创始人定义的任务？
用哪些反事实、人工复核和生产结果发现 reward hacking？失败案例是否进入训练？
数据来自真实客户和真实工具，还是可以被任何模型公司用公开 benchmark 复制？
自有模型带来的准确率、速度、成本或数据控制提升，能否覆盖训练与运维成本？
隐私与 IP 边界是否允许模型从多个客户学习，还是每个项目都需要隔离交付？
融资中有多少转化为预付 GPU、云承诺和低利用率风险？供应商是否附带投资条件？
在 Google 或 OpenAI 内部成功的系统依赖哪些专有数据、基础设施和团队？新公司是否拥有替代品？
模型、客户、流片、benchmark、实验吞吐或收入中，哪一项会把叙事转成可观察事实？
07
China implications
对中国创业与投资的领先信号
美国市场已经把“自动研发 + 自有模型 + 新型实验室”组合成独立融资类别。中国市场更可能先从环境密集的垂直领域出现，再逐步上移到模型训练。
6–12
个月
个月
分析推断 基准情景下，国内投资人会在未来 6–12 个月更频繁地以“Loop 是否闭合”评价 AI for Science、芯片、代码、机器人和工业 Agent 项目。估值抬升需要至少一个本土项目证明：真实环境能产生高质量奖励，并持续改善模型或系统。
代码、芯片、游戏、仿真与部分工业流程拥有高频可执行反馈，最容易率先形成可训练的闭环。
控制软件界面还不够。公司需要进入客户任务、数据、工具与结果，才能建立外部模型拿不到的轨迹。
先验证环境和 reward，再投资后训练与领域模型。基础模型预算应对应明确的能力或成本瓶颈。
把 Agent 重试、人工运营或 prompt 优化包装成 recursive self-improvement，无法形成持久训练资产。
复杂供应链、本地工具与工程 know-how 提供环境壁垒；同时要处理客户 IP 隔离和长反馈周期。
客户若担心研究数据泄漏给模型供应商，中立的多模型平台可以获得独立位置。
美国公司的战略投资与 GPU 供给联动难以直接复制，国内项目要更早证明训练效率和计算替代方案。
第三方 benchmark、客户续费、自动实验吞吐和模型更新频率，比宏大的 AGI 终局更适合阶段性定价。
给创业者的直接建议
把产品当成训练系统设计：记录任务分布、工具调用、用户修正、失败原因和最终结果；从第一天建设可重放环境与回归 eval。模型供应商可以替换，训练数据的形成机制更接近长期所有权。等到这些信号稳定，再决定后训练、continued pretraining 或完整预训练。
08
Method & sources
研究方法、证据等级与主要来源
私营公司融资与研发信息不完整。本报告将公司公告、技术原文、投资方文章、主流媒体和分析推断明确区分，并保留可点击原始链接。
证据规则
融资额与估值优先采用公司公告；没有公司公告时采用公司文件数据库与 The Information、TechCrunch 等媒体的直接报道。Forge 的 post-money 数据注明依据公司提交的 Certificate of Incorporation，但其页面同时声明未进行独立审计。投资方文章用于理解 thesis 与团队经历，不等同于独立技术验证。所有对商业模式、竞争和中国市场的判断均属于分析推断。
- 官方披露
- 公司官网、融资公告、创始人公开资料
- 技术原文
- 研究机构博客、论文、技术报告与可复现指标
- 媒体报道
- 对私营公司融资、团队和内部计划的采访或消息源报道
- 文件数据库
- 依据公司 Certificate of Incorporation 形成的私募融资与估值记录
- 投资方披露
- 适合还原融资叙事，存在明确立场与选择性呈现
- 分析推断
- 基于公开事实形成的竞争、商业模式与市场节奏判断
限制
三家公司均为早期私营企业，无统一财务披露。Core Automation 的 7 月融资尚未由公司宣布，Forge 也声明其数据未经独立审计；Mirendil 与 Core Automation 尚未提供可独立验证的公司级 benchmark；Ricursive Intelligence 的 AlphaChip 证据属于创始团队前史，不能替代公司产品验证。
Ricursive Intelligence
- Ricursive Intelligence 官方网站：定位、团队论文与累计融资。
- Series A 官方公告：$300M、$4B post-money、投资方名单。
- Sequoia Seed 公告：成立背景与 $35M Seed。
- TechCrunch 深度报道：客户、团队与融资过程。
- EE Times 创始人访谈：三阶段端到端路线与数据来源。
- Google DeepMind AlphaChip 技术文章：方法与 TPU 生产使用证据。
Mirendil
- Mirendil 官方网站：公司定位、团队规模、融资与投资方。
- a16z 投资文章：full loop、技术栈、目标用户与竞争 thesis。
- Kleiner Perkins 投资文章：创始团队背景与 “loop is the product”。
- The Information 融资报道：2025 年 12 月设立与融资谈判。
- 融资金额与 post-money 交叉核验：$200M、$1B。
- Behnam Neyshabur 公开履历：Google 与 Anthropic 研究经历。
Core Automation
- Core Automation 官方网站：研究、方法、愿景与团队定位。
- When AI Starts Writing Systems Code：系统自动化、kernel 评价与奖励投机。
- The Information 2026 年 5 月报道：$100M / $1B 已完成融资与 $4B 目标。
- Forge 私募数据库：2026 年 7 月 $500M、$3.62B post-money；估值依据公司提交的 COI，公司未公告。
- The Information 早期报道：持续学习、数据效率与融资计划。
- Business Insider 团队报道：从头部实验室吸引研究人才。
- Core Memory 对 Jerry Tworek 的访谈：离开大实验室与高风险研究动机。
行业、竞争与模型训练
- Anthropic：When AI builds itself。
- Anthropic：automated alignment researcher。
- Google DeepMind：AlphaEvolve。
- Meta：HyperAgents。
- OpenAI：GPT-Red。
- AI researchers’ views on automating AI R&D。
- Recursive Self-Improvement in AI：1250 篇论文综述。
- Cursor：Improving Composer through real-time RL。
- Cursor：Composer 2 technical report。
- NVentures 官方页面。