清华学者刘子鸣创办元环智能，完成数亿元融资探索 AI 自主设计模型

一句话结论

元环智能获数亿元融资，旨在让 AI 学习设计模型，以算法预测提升研发效率。

关键要点

• 元环智能（MetaCircle）成立不足半年，已完成种子轮和种子+轮，累计融资数亿元。
• 创始人刘子鸣于 1998 年出生，现为清华大学人工智能学院助理教授，是 KAN 一作。
• 公司核心研发“元模型（Meta Model）”，通过预测模型训练表现辅助架构选择与设计。
• 研究工具包含 Marin 预测案例与 OPHIS 自动科研方法，目前聚焦于时间序列任务。
• 新融资将主要用于核心算法研发、团队扩充、产品探索及相关评测基准建设。

背景与事实

元环智能成立于 2026 年 5 月，由 1998 年出生的刘子鸣创立。刘子鸣毕业于北京大学物理系，在麻省理工学院获得物理学博士学位，曾在斯坦福大学从事博士后研究，目前担任清华大学人工智能学院助理教授。他在学术领域最知名的贡献是参与提出 Kolmogorov-Arnold Networks（KAN）。这一网络架构通过在连接边上引入可学习的一元函数，拓展了传统多层感知机的函数表示能力，因其在可解释性和科学计算方面的潜力受到业界关注。

从神经网络架构研究转向创业，刘子鸣希望解决一个更基础的问题：让 AI 自主设计 AI 模型。目前，大语言模型已能协助编写训练代码、调整参数乃至自动开展机器学习研究，但多数自动科研系统仍需通过反复实验来验证模型设计的有效性。元环智能试图提供另一条路径，其研发的“元模型”并非直接执行文本生成或图像识别等任务，而是致力于学习不同模型架构、训练配置与实验表现之间的映射关系。通过这种关系，元模型能够预测模型的训练表现，从而辅助研究人员筛选更合适的架构。

在技术路径上，研究团队首先生成不同的神经网络架构与训练配置，运行实验并记录相应的训练曲线，利用这些配对数据训练元模型。面对新的候选架构，元模型希望在完整训练结束前，即预测其损失函数和性能指标的变化趋势。如果预测足够准确，研究人员可以提前排除表现较差的方案，将计算资源集中在更有潜力的模型上。进一步地，元环希望将这种预测能力应用于自动架构设计，针对具体任务特点生成并筛选专用模型。这一方向与神经架构搜索（NAS）、自动机器学习（AutoML）以及模型性能预测等既有研究密切相关。其长期目标是让模型设计经验在不同任务与架构间迁移，降低对人工试错的依赖。

在研发成果方面，元环智能已公开多项研究。Marin Hero Run 预测案例展示了在大型模型训练未完成时预测最终表现的能力，其公布的预测 Loss 为 2.034，与 Marin 项目自身 Scaling Ladder 方法得出的 2.039 较为接近。另一项研究 OPHIS 建立了一套自动科研方法，将观察、假设、干预和性能改进组织成完整流程。团队在 Grokking 和 nanoGPT 任务中发现了改善表现的干预方案。此外，公司还发布了 ComfyResearch 和 nanoGPT Observable Library 等工具，分别用于组织研发流程和观察模型内部信号。目前，公司选择从时间序列预测这一能力边界较小的任务切入产品化，并在内部实验中发现了优于 LSTM 基线的架构。

影响分析

对于中文开发者与从业者而言，元环智能的探索路径具有参考价值。如果“元模型”能够显著降低寻找最优架构的时间成本，将直接改变机器学习研究的实验范式。开发者可以更快地排除无效配置，将精力集中在更有潜力的方向。然而，目前该方向仍处于研究探索阶段，其预测精度与泛化能力尚未在大规模工业场景中验证。

适用边界

当前的研究结论主要基于特定任务和规模的实验，例如时间序列预测和小型模型。元模型在大规模语言模型或跨领域复杂任务上的预测能力尚未公开证实，因此不能直接假设其适用于所有模型设计场景。

孤本观察

元环智能将“自动科研”拆解为预测与架构生成，这种模块化思路是理解 AI 辅助研发演进的重要切口，但其实际效用仍取决于对未知架构泛化预测的可靠性。

来源：InfoQ 中文 AI