After Securing Hundreds of Millions in Funding, Tsinghua Professor Liu Ziming Aims to Build a 'Meta-Model' Capable of Designing Its Own Models

文｜王欣逸 编辑｜张雨忻 “设计模型的工作，一定要人来做吗？”  今年年初，在斯坦福做博后、即将入职清华做博导的刘子鸣提出了这样的问题，随后，他便在自己身上进行了将近两个月的“人体实验”——训练自己大脑的直觉。  这段时间，他每天会随机拿一个数据集训练模型。在跑实验之前，刘子鸣会逼自己先对模型的训练曲线做出预测。“刚开始我完全没有办法预测出训练细节，大概做到第50天的时候，我发现自己顿悟了，这和考试前大量地去刷题很像。”他说。  这给了刘子鸣启发：既然人脑可以被训练出来，那么，也完全可以训练出一个不依赖于人的、拥有模型好坏直觉的“模型的模型”，即元模型（Meta Model）。 来清华任教后不久，刘子鸣创办了元环智能，想做这样一个元模型。他称这个方向为AI for AI——第一个AI指元模型，一个能设计所有模型的模型；第二个AI，则是元模型所设计的模型。  《智能涌现》获悉，近日，刘子鸣创办的元环智能已完成种子和种子+轮连续两轮融资，累计融资金额达数亿元。 其中，种子轮由顺为资本领投，上海未来产业基金、星连资本、君礼资本等机构跟投；种子+轮吸引了上海半导体产投、360战投、首程资本、上海人工智能产业系列基金等产业方及国资背景机构，以及BV百度风投、山行资本、云时资本等知名双币基金。 成立初期，元环智能便获得了多家市场化创投机构、产业资本及国资基金的共同支持，形成了多元化的股东阵容。 元环智能成立于2026年5月，创始人刘子鸣生于1998年，现为清华大学人工智能学院助理教授，曾在斯坦福大学Neuroscience+AI方向从事博士后研究工作，博士毕业于MIT，长期研究AI for physics/physics of AI/机制可解释性，本科毕业于北京大学物理系。团队成员大多来自清华、北大等高校，团队平均年龄约22岁。  在今年的资本市场上，AI for AI常和RSI（递归式自我改进）、Auto-research（自动科研）等词放进同一个筐里。在共识还没有发生的时候，对于向投资人解释他们正在做的事情，刘子鸣一直感到头疼，直到9月中旬，Jev模型横空出世——Jev是一个不生成任何文本的模型，它在接收一段状态信息和一组问题后，会直接输出带概率的类型化答案。  刘子鸣用Jev的模式来解释元模型：这是一个直觉模型，而非语言模型，无法根据用户提出的问题给出回答，但是它能学会设计模型——看到一个未知模型，能凭直觉了解它的能力如何；面对一个具体场景，它也能判断该用什么样的模型最合适。 元环智能和现有的RSI、AI for AI玩家的分野，发生在最底层——模态，即是不是基于大语言模型做自进化。 在刘子鸣看来，行业里用AI设计AI的做法百家争鸣，但都是走大语言模型路线，用自然语言以及思维链数据训一个通用模型，探索大语言模型智力的边界。他认为，这在文本、数学、Coding等领域是适用的，但是这些问题只占世界的30%。不仅如此，用大语言模型做RSI的天花板会比较低，短期可以通过刷榜看见成绩，但难以泛化。  “直觉更像是经验的反射，自然语言不适合做强直觉性的东西。”刘子鸣提到。既然直觉无法用已经压缩过的自然语言承载，元模型要做的，就是瞄准剩下70%尚未压缩过的世界，如AI for Science、世界模型乃至AI的“科学”本身，找到更合适的模型架构来支撑这些任务。  在深度学习圈里，相比清华博导与创业者的身份，刘子鸣更为业界熟知的是他的学术成果——新型神经网络架构KAN（Kolmogorov-Arnold Networks，柯尔莫哥洛夫-阿诺德网络），KAN发布于2024年，到今天为止，这一成果已在GitHub上收获16k stars，谷歌学术显示已被引用5700余次。KAN之后，很快也掀起了大量围绕KAN的后续研究，这让彼时在MIT念博四的刘子鸣收到了清华大学人工智能学院的教职offer。  KAN可以视作是一种对传统神经网络MLP（多层感知机）的“对抗”，其核心思想是用“可学习的激活函数”替代传统神经网络的固定激活函数，把模型从“黑盒”变成“白盒”。  “KAN不是一篇文章，也不是一个具体的模型，它是一种方法论和一种世界观，能够从混乱之中涌现出秩序。”刘子鸣提到，“现在回头来看，KAN就是一种特殊的元模型。它证明了模型设计可以像牛顿定律一样，能找出背后的原理， 被‘科研审美’与第一性原理收敛，元模型正是这一方法论下的更高阶的产物。 ”  如果说LLM擅长的是30%的已经被压缩过的符号世界或语言世界，元环智能所做的元模型则是解决剩下70%未被压缩过的数值世界，其核心就是KAN。从落地上来看，元模型中短期内可用于工业检测、金融量化、气象预测、电力预测、自动驾驶、世界模型等按时间连续记录的数据场景，设计专门的预测模型，并验证可行性及商业化落地。明年，他们还将推出通用的元模型1.0，不限定场景，去生成适配各个垂直领域的专用模型。  “我一直想做的是写出AI背后的牛顿方程，找到一些可解释性的东西。”刘子鸣说。不管是KAN还是元模型，他一直在探索处在黑盒里的大模型究竟该如何解释，它的科学性怎么体现，就像冲破大气层在宇宙中看地球一样，试图用更高维的方式来解决低维的问题。  不过，在创业这一新起点，他又展现出了务实的那一面，向能落地、更小的能力边界与商业化做出一定的倾斜，比如，先做出一个相对简单、有明确应用场景、不需要视觉和空间的时间序列模型，“只要它能被训练出来，能对时间序列场景设计出专有模型，它的价值就成立了”。  在元环智能拿到新融资的时间节点上，我们和刘子鸣聊了聊关于元模型、自进化等前沿探索，以及清华博导的教职、AI for AI创业等大家关心的内容。这场访谈发生在九月底，故事还算新鲜，不过刘子鸣告诉我们，元环智能的发展速度非常快，甚至一周之后就会有新的成果。  以下是《智能涌现》和刘子鸣的对话，略经摘编：  设计模型这件事应该交给谁去做 智能涌现：你们正在研究的元模型是一个什么样的模型？ 刘子鸣：首先，元模型不是大语言模型，它是一种新的模态。 我们要构建的是一台“直觉机器”：它之前见过大量不同表现的模型，在其大脑里形成内化，此后见到新的模型架构，它能根据之前的经验，凭直觉判断这一模型表现会有多好。 这一“直觉机器”模型的输入是一个���型的架构（一张计算图），输出是一条或多条训练曲线，它是一个时间序列，是模型表现随着训练时间的变化。计算图（graph）和时间序列都是已有的模态，只不过训练一个直觉机器去做这样的映射，这是之前没有出现过的。  元环的AI4AI路线 智能涌现：这个设想实现到什么程度了？ 刘子鸣：现在已经有几个demo了。  一个是大语言模型预训练的demo，核心在于，当模型更改不同的超参数（Hyperparameter，模型训练前的外部配置参数）时，它能不能把训练曲线预测准确。这一预测能帮助研究员在事前就知道怎样最优地调节模型的超参数。  还有一个是关于时间序列的元模型demo，在时间序列里，LSTM（长短期记忆网络）比Transformer架构更好，因此我们基于LSTM的baseline，构建了比LSTM表现好上百倍的架构。在世界模型这个方向，我们也用元模型找到了一个新架构，相比JEPA（联合嵌入预测架构），我们在一个任务上从67分提升到了98分。  所以元模型并不遥远，我们已经开始看到可行路径了。  智能涌现：这是什么时候实现的成果？ 刘子鸣：最近两周，如果下周再跟我聊，那又不一样了。  我们也在做自己的benchmark，最近会发布，名为Architecture IQ，它就是评测大模型，或者人类研究员，对模型训练的直觉水平。比如，我要训练一个回归任务，以下三个模型，哪一个训到最后表现最好？这就是一个测试直觉的事情。我们测下来发现，在Architecture-only的题型中，GPT-6 Astra只有不到40分，但我们人有60左右。  智能涌现：所以在“直觉”这类任务上，大模型还不如人？ 刘子鸣：如我所说，直觉不是自然语言，它是一种新的模态。你如果非要用自然语言，是做不好的。 我们在Architecture IQ这个数据集上做了测试，结果发现，让大模型思考更长时间，效果并不会变好，有的时候甚至会变差。像数学、coding这些任务，你可以通过让大模型思考更长时间来提分，因为这些场景本身就是已经被压缩过的、可以被言说的东西。而那些不可被言说的直觉，无法通过单纯提高训练时长来提高正确率。  智能涌现：从长期看，元模型什么时候会成为现实？ 刘子鸣：从研究的视角来看，要把AI的科学（Science of AI）搞清楚，可能需要三年。但元模型比AI的科学更容易，因为我们不一定要完全理解元模型背后的原理，不用把AI的原理写成符号、外化成自然语言或者符号语言。元模型把三年时间缩短成了一年。  我们不一定要追求AI背后的形而上的原理，但我能先训练出一个模型，用于做预测。这里的“一年”指的是商业化的时间，我们刚起步三四个月，已经探索到了可行路径。  智能涌现：它率先交付的产品会是什么形式？ 刘子鸣：最先交付的会是一个时间序列的元模型。从更长远的路线来看，我们希望能用元模型造出世界模型、AI4S的模型等等。  跳出Transformer，找到整片星空最亮的星 智能涌现：在大语言模型上做RSI，可能需要关于人类灵光一闪的思维链数据，那元模型需要的数据是什么样的？ 刘子鸣：我们通过监督学习的方式，用大量模型和训练曲线配对来训练元模型，所以元模型是超越人类的想象力和创造力的。大语言模型背后的实验是在人类已有的认知空间里的，而元模型背后的数据是大家的未见模型。 拿Transformer架构来打比方，大语言模型不过是夜空中一颗较亮的星星，它却把我们的思维限制住了，只能围绕这颗星找其他。而我们要让元模型看见整片星空，帮助不同模型进化，在不同的场景下找到最亮的星。  智能涌现：怎么获取到这些数据？ 刘子鸣：这些数据通过我们自己合成。  一方面，互联网上确实还不存在各种各样的模型，大家不会去生成一些“怪物模型”，绝大多数人使用模型还是别人用什么我用什么，这样最安全。另一方面，这些数据也是我们的壁垒，相比互联网上可能存在数据不准确、细节不够的模型，我们自己合成数据，反而更加安全可控。后期，我们也会针对性地多合成一些此前没有探索过的数据。不过第一步还是做熵增，跳出现有的模式，先看到各种各样丰富的架构。  智能涌现：需要多少量级的数据才能训练出一个元模型？ 刘子鸣：我们现在做的时间序列的元模型和世界模型的元模型，几千条就够了。  智能涌现：关于Transformer架构你们怎么看？要造出那些“奇奇怪怪的模型”，现有的架构就能满足吗，还是需要重新创造新的架构？ 刘子鸣：它的“积木块”基本上已经有了，这些“积木块”可以拼出各种各样的新“房子”。  大语言模型最神奇的地方不是来自模型，是来自语言，语言已经是人类经过百万年进化压缩、精简、提炼之后的架构。Transformer恰好乘上了时代的春风，成为第一个能把语言吃下去的模型。  对于世界上30%的任务，如文本的、数学的、coding的，这些是可以被言说的任务，大语言模型现在已经足够完成。但剩下70%是目前还没有办法言说，还没有被压缩过的东西，包括AI for Science、世界模型、AI研究本身等，这些任务需要找到更好架构的模型来完成。 用LLM做RSI，是爬山走野线 智能涌现：你提到Auto-research存在几种不同的范式，其中的区别是什么？ 刘子鸣：大家走不同的路线，就是用不同的方式在回答这一问题：AI做研究或造模型，它能否被显化，即能不能用自然语言描述出来；以及能否被外化，即能不能从我的脑子里面外化到元模型里面，或者外化到你的脑子里面。 走大模型RSI路线的团队押注的是，AI科研是可以被外化，以及显化的，也就是它已经存在在自然语言里面。  而我们的押注是，AI科研目前还没有显化，相当于还处于类似于亚里士多德时代的原始物理学。现阶段，人类暂时还不能把关于AI的科学抽象出来，因此大语言模型暂时不会做科研、