9月6日，具身涌现获悉，底层AI创业公司 元环智能 完成天使轮融资，顺为资本、启盈同创基金、上海未来产业基金、君礼私募基金、星连资本共同参与投资，本轮具体融资金额并未对外披露。
这笔融资标志国内AI for AI赛道迎来又一支研究院背景创业力量，当行业普遍陷入模型越大、算力成本越高的规模不经济困境，资本开始押注“用AI改造AI”这条破局路径。
如今大量AI创业扎堆应用层做场景落地，却很少有团队啃模型自我迭代这块硬骨头。元环智能获得多家机构联合下注，也侧面说明产业已经意识到，大模型的成本黑洞、黑箱不可解释等痛点，单纯依靠堆砌算力很难根治，需要从算法根源寻找解法。
01
学者创业如何破局？
元环智能主体为上海元环智能科技有限责任公司，2026年5月注册成立，企业由上海期智研究院出资设立，法定代表人为黄炜，清华大学人工智能学院助理教授刘子鸣担任联合创始人。
刘子鸣是这一波高校科研人才走向产业的典型代表，北大物理本科，MIT物理系博士，师从AI‑物理交叉领域学者Max Tegmark，后续在斯坦福完成博士后研究。完整的物理学科训练，让他习惯从底层原理拆解 AI 系统，而不是只停留在调参优化效果层面。
刘子鸣在2026年4月入职清华，距离元环智能天使轮落地，任职时间还不到半年。他提出“AI的物理学”这套思考框架，希望给复杂AI系统建立可解释的底层逻辑，团队集结陈勇超、王同翰、宋悦等一批科研人员，同时兼顾学术深度与工程化能力，而这恰恰是AI for AI赛道创业的硬性门槛。
具身涌现认为，高校学者创业最大鸿沟从来不是论文产出，而是实验室成果的产业适配。不少学术论文效果亮眼，但工程部署成本高昂，对接真实业务时水土不服，很难走出实验室。背靠期智研究院起步叠加多家产业资本加持，能够给元环智能提供缓冲空间，但这家初创企业依旧要直面科研理想和商业现实之间的矛盾。
02
硬核技术能否落地？
刘子鸣团队产出的KAN神经网络架构，是全球范围内关注度很高的创新成果。这套架构跳出传统神经网络固定非线性激活函数的范式，改用可学习一元函数，在保留模型表达能力的同时大幅提升可解释性。
项目在GitHub收获1.5万Star，论文引用超过4000 次，已经投入AI for Science、金融仿真、符号回归等场景使用。传统神经网络更像黑盒，只能输出预测结果，KAN却可以挖掘数据背后近似数学公式，在科学仿真任务中，它能输出人类可读的数理关系，不只是输出一组数字。
除此之外，刘子鸣还提出Poisson Flow电场生成模型，拓展PFGM++、GenPhys通用框架，论证扩散模型只是该模型家族其中一个分支，同时完成对Grokking神经网络突然泛化现象的理论解释。
多项成果发表于NeurIPS、ICML、Nature等顶会顶刊，谷歌学术总引用突破9000次，多次被国际权威科学媒体报道。元环智能将递归自我改进RSI作为核心方向，目标让AI自主完成模型设计、训练调优、错误复盘迭代，降低大模型研发的人力与算力消耗。
具身涌现观察到，行业内部对KAN也保持理性态度，它并不具备全面替代Transformer的能力，它更适配科学计算、符号挖掘这类看重可解释性的细分赛道，面向大规模通用模型训练，该技术路线依旧存在性能瓶颈，还需要持续打磨优化。
03
赛道热象藏哪些隐忧？
放眼全球，2026年AI for AI迎来一轮融资热潮。国内元环智能、超衍智能、逆矩阵科技等初创企业接连拿到资本；海外David Silver、Richard Socher等行业元老下场创业，多家RSI相关企业单笔融资达到数亿美元，赛道热度快速升温。但热闹融资的表象之下，赛道内部潜藏不少现实问题，不少业内工程师向具身涌现表达过自己的顾虑，大家不应该神化AI自我迭代的叙事。
首先，RSI递归自我改进现阶段更多是流程辅助，而非完全自主科研。Anthropic内部数据显示，企业超八成代码由AI辅助生成，但AI依旧缺失顶尖研究者的“研究品味”，它可以完成重复的实验执行工作，却很难自主判断哪一个科研方向真正具备价值，关键的路线取舍，依旧需要人类研究者把控。市场不能简单幻想AI彻底接管AI研发，把研发人员完全替代。
其次，商业化落地缺口是所有AI4AI初创共同的坎。目前绝大多数技术成果停留在论文与小规模验证阶段，成熟可售卖的标准化产品十分稀缺。底层技术创业天然面临客户教育周期长的难题，下游大模型厂商更愿意优先采购成熟工具，很难为尚处在验证期的前沿算法买单，这会拉长企业的盈利周期36氪。
再次，复合型人才缺口会长期约束赛道发展。AI for AI要求从业者既要吃透前沿算法理论，又掌握大规模集群工程落地能力。行业头部大厂会用千万级薪资抢夺这类人才，创业公司想要搭建完整团队，会持续面临人才竞争压力。资本现在押注赛道，赌的不是短期盈利回报，而是下一代 AI 底层范式变革的可能性。
元环智能拿到天使轮只是起步，这家脱胎研究院的创业公司，最终要回答全行业共同的考题：如何把纸面之上的前沿理论，转化为产业愿意付费、切实解决算力成本、模型迭代效率痛点的真实能力。
AI for AI的终局比拼，从来不是GitHub星星数量与论文引用，而是技术落到产业土壤之后产生的实际价值。