成立不到半年融资数亿元，98年清华学者、KAN一作创业：让AI学会设计模型

作者｜蔡芳芳

成立不到半年的 AI 创业公司元环智能（MetaCircle），宣布连续完成种子轮和种子+轮融资，累计融资金额达数亿元。

据公司提供的信息，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+轮投资方包括上海半导体产投、360 战投、首程资本、上海人工智能产业系列基金，以及 BV 百度风投、山行资本、云时资本等。新一轮融资将主要用于核心算法研发、阶段性产品探索、团队扩充，以及相关评测基准的建设。

元环智能成立于 2026 年 5 月，创始人刘子鸣生于 1998 年，现任清华大学人工智能学院助理教授，毕业于北京大学物理系，获得麻省理工学院物理学博士学位，曾在斯坦福大学从事博士后研究。

在 AI 研究领域，刘子鸣最为人熟知的成果是 2024 年参与提出的 Kolmogorov-Arnold Networks（KAN）。这一神经网络架构通过在连接边上引入可学习的一元函数，探索传统多层感知机之外的函数表示方式，并因其在可解释性和科学计算方面的潜力受到关注。

从神经网络架构研究转向创业，刘子鸣现在希望解决一个更加基础的问题：设计 AI 模型这件事，能不能也交给 AI？

1 不直接解决任务，而是学习如何设计模型

近年来，大语言模型已经能够帮助研究人员编写训练代码、调整实验参数、运行评测，甚至在一定程度上自动开展机器学习研究。但目前很多自动科研系统仍然需要通过反复实验，才能判断某个模型设计或训练策略是否有效。

元环智能希望尝试另一种路径。元环正在研究的“元模型”（Meta Model），并不是一个直接执行文本生成、图像识别等任务的通用模型，而是试图学习不同模型架构、训练配置与实验表现之间的关系，进而预测一个模型的训练表现，并辅助研究人员选择和设计更合适的架构。

按照元环披露的研究思路，研究团队可以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，再利用这些配对数据训练元模型。

例如，面对一个新的候选神经网络架构，元模型希望在尚未完成完整训练时，就能够预测其损失函数和性能指标可能如何变化。如果预测足够准确，研究人员便有机会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用于自动架构设计：针对不同任务的特点，生成并筛选适合该任务的专用模型。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存在关联。元环的长期目标，则是让模型设计经验能够在不同任务、不同架构之间迁移，减少对研究人员逐项试错的依赖。

不过，能够预测模型表现，与能够自主设计出更好的新架构，仍然是两个不同层次的能力。后者还涉及候选架构的生成、搜索与实际训练验证。

2 从训练表现预测到自动科研

围绕 AI 模型训练规律，元环已经公开了多项研究与工具。其中，Marin Hero Run 预测案例尝试在一次大模型训练尚未结束时，提前预测最终训练表现。元环公布的预测 Loss 为 2.034，而 Marin 项目自身通过 Scaling Ladder 方法得到的预测值为 2.039。

这两个预测结果较为接近，但预测之间的一致性并不等于预测准确。元环此前提供的研究资料也明确指出，该案例公开的是预测结果，并非训练完成后的最终实测成绩。元模型在更多架构和任务中的预测精度、泛化能力及计算成本优势，仍需进一步验证。

另一项值得关注的研究是 OPHIS，一套围绕模型训练机制展开的自动科研方法。

与单纯根据实验结果寻找更高分数的方案不同，OPHIS 试图将观察、提出问题、建立假设、实验干预和性能改进组织成一个研究过程。例如，当模型训练过程中出现某种异常或性能变化时，系统尝试分析可能的原因，并通过调整实验条件检验相关假设。

元环此前公开的实验涉及 Grokking 和 nanoGPT 训练任务，并报告在特定条件下找到能够改善训练表现的干预方案。不过，这些结果仍属于特定任务上的实验验证，能否迁移到更大规模、不同架构的模型训练中，还有待进一步研究。

此外，元环还发布了 ComfyResearch 和 nanoGPT Observable Library。前者通过可连接的图式节点组织模型、数据、训练和分析流程；后者则帮助研究人员观察权重、梯度、激活、注意力等训练过程中的内部信号。

这些项目共同指向元环所强调的 Science of AI：将 AI 模型自身作为科学研究对象，尝试从训练现象中发现和积累能够指导后续研发的规律。

3 先从时间序列模型切入

尽管长期目标是跨领域的模型架构设计，元环选择从能力边界较小的时间序列预测任务开始探索产品化。

时间序列广泛存在于工业设备监测、气象、电力需求、金融数据等场景中。不同任务虽然具有相似的数据格式，其背后的生成机制、预测目标和数据特征却可能存在明显差异。

在元环看来，这意味着不同场景未必适合采用相同的模型架构。公司希望通过元模型，为具体任务自动寻找更合适的预测模型，减少人工架构选择和参数调优的工作。

公司在融资材料中还披露了部分内部实验进展，包括在时间序列任务上找到优于 LSTM 基线的架构，以及在一项世界模型任务中取得性能提升。不过，相关实验的完整评测条件、指标定义和可复现结果尚未随本次材料提供，因此目前还难以判断这些提升的通用性。

按照元环披露的计划，公司希望在明年推出通用元模型 1.0，进一步探索跨场景的专用模型设计能力。此外，团队正在建设 Architecture IQ 评测基准，用于衡量模型或研究人员根据架构判断训练表现的能力。

对于这家刚成立数月的公司而言，当前值得关注的技术问题已经相当具体：元模型能否在未见过的架构和任务上准确预测训练结果，并将这种预测能力转化为可衡量的模型研发效率提升？这也将决定元环的研究能否从特定任务上的训练预测和自动优化，逐步走向更广泛的模型架构设计。

https://arxiv.org/abs/2404.19756

https://www.meta-circle.com/blog/ophis-a-new-paradigm-for-autoresearch

https://www.meta-circle.com/blog/observe-learning-in-full

https://meta-circle.com/blog/predicting-marins-hero-run