新实验室浪潮观察：GPT-6 Astra 发布后，为何大批顶级研究员出走大实验室

亲爱的读者们，

在 GPT-6 Astra 发布之后，英伟达 CEO 黄仁勋在 X 上宣称：“AGI 已经到来。” OpenAI 总裁 Greg Brockman 称该模型是一个转折点，并欢迎人类进入“AGI 时代”。两人究竟是什么意思并不清楚，因为 AGI 尚无公认的定义。但信息本身是明确的：一个极其强大的 AI——可能是能自我改进的 AI——即将到来，而且路线图已经画好。

许多构建了当今这些系统的人显然有不同看法。数十人已离开大实验室，创办了自己的公司。Ilya Sutskever 是 OpenAI 的联合创始人并曾担任其首席科学家；如今他正在构建 Safe Superintelligence。Jerry Tworek 曾领导 OpenAI 推理模型的开发，如今执掌 Core Automation。AlphaGo 背后的智囊 David Silver 离开 Google DeepMind，加入了 Ineffable Intelligence。Yann LeCun 在 Meta 工作十二年后离开，创办了 AMI。Jeff Dean 在 Google 工作了 27 年，最近担任首席科学家，并创办了 Discovery Loop。

资金也随之而来：英伟达于 7 月投资了 SSI，据彭博社报道约为五十亿美元。这家实验室至今没有发布过一个模型或一篇论文。Jeff Bezos 的工业 AI 实验室 Prometheus 于 6 月以 410 亿美元估值融得一百二十亿美元。Flapping Airplanes 也没有公开的模型，却在 10 月的 A 轮融资中筹集了十亿美元。

动机各不相同，而且并不全是技术层面的。在这样的估值下，创始人很快就能成为纸面亿万富翁。LeCun 是在与 Meta 发生战略分歧后离开的。Sutskever 想在没有产品压力的环境下做研究。其他人则想开辟一个在大实验室里只能算陪衬的细分领域。有些离开甚至算不上彻底决裂：Google 本身就是 Discovery Loop 的创始投资方。

许多创始人的共同点是一种怀疑。他们并不怀疑更强大的 AI 是否会到来；有些人认为 AGI 已经很近。他们怀疑的是，仅凭当今这套配方——在互联网数据上训练、再用强化学习打磨的越来越大的语言模型——能否抵达那里。

什么是新实验室（neolab）？

目前没有官方定义。我们用这个词指代那些独立创办、以研究为驱动、围绕一项长期技术押注构建业务的 AI 公司。它们想改变 AI 的学习方式、感知世界的方式、解决问题的方式、被控制的方式，或者运算的方式。

当前的这波浪潮在 2024 年开始显现。最强模型之争正酣，云巨头们也各有自己的合作伙伴：Microsoft 支持 OpenAI，Amazon 支持 Anthropic。随后 Sutskever 于 6 月创办了 SSI，并在几个月内为一个没有产品的研究团队筹得十亿美元。

投资者愿意为此出资是有原因的。OpenAI 和 Anthropic 凭借自身的成功已经成长为大型企业，而且两家都在以创纪录的估值推进 IPO。在公司内部，研究团队与产品团队争夺资金和关注度。成熟的大公司总是难以接受威胁自身业务的创意，管理学者称之为创新者的窘境。这正是投资者押注的东西：一个小团队能发现巨头们错过的机会。

这是有先例的。Transformer 是 2017 年在 Google 发明的。DeepMind 曾用 AlphaGo 击败世界顶尖围棋棋手。然而面向大众的 AI 助手却出自 OpenAI——它在 2015 年以非营利组织的形式创立。第二个爆款则来自 OpenAI 的衍生公司：Dario 和 Daniela Amodei 于 2021 年创立了 Anthropic。到 2026 年 7 月底，彭博社估计其年化收入已超过 650 亿美元。

新型实验室真正的赌注，是押在大玩家不会填补的研究空白上——要么没人知道路径，要么没人为此投入资源。大型实验室拥有更多算力、成熟的数据管道，以及来自数亿用户的反馈。小实验室造出的东西，可能在首款产品发布后不久就出现在市场领导者那里。

TypeSafe AI 展示了领先优势可以有多短暂。9 月中旬，它发布了决策模型 Jev。两周后，OpenAI 宣布推出其Decisions API。但即便短暂的领先也能证明专业实力，并可以作为退出（exit）获得回报。Microsoft 招募了Inflection 的核心团队。Google 招揽了Character.ai 的创始人和Windsurf 的领导层。AMD 想以约 82 亿美元收购 World Labs。据《金融时报》报道，Nvidia 正在与 Reflection 洽谈。

对新型实验室来说，一切都归结为一个问题：他们能否交付大玩家没有的东西，某种客户或大玩家自身愿意为之买单的东西？我们挑选了 27 家实验室，其中大多数来自美国和欧洲，并按它们的主要押注方向分为六组。

押注一：好的问题解决者不一定是好的学习者

如今的模型能做出非凡的事情，但它们的学习方式与人类不同。它们需要海量数据才能掌握一项技能，而且一旦部署，通常不会更新权重。它们可以在一次对话中使用新信息，但不会从每次经历中进行永久性学习。持续学习仍然是一个核心研究空白。六家实验室想改变这一点，并从三个角度攻克这个问题：部署期间学习（Adaption、Core Automation）、从少量样本中学习（Flapping Airplanes、Ndea、SSI），以及从经验中学习（Ineffable）。

Adaption 押注规模化的反面

Sara Hooker 曾在 Cohere 领导研究工作，此前就职于 Google Brain。2020 年，她在 《硬件彩票》 中提出，研究方法之所以胜出，往往不是因为它们更好，而是因为它们适配了现有的硬件。今年 1 月，她又发表了 《论扩展的缓慢死亡》，认为更多的算力带来更好模型的可靠性越来越低。数据与训练方法才是更有效的杠杆。如今 80 亿或 270 亿参数的开放模型在基准测试中已能击败规模大得多的 Falcon 180B。

她与 Sudip Roy 共同创立了 Adaption。据他们所说，他们押注的是反扩展路线，计划打造能持续学习的高效 AI。与其用一个大模型服务所有人，不如让模型实时且低成本地适配各自的用户。首批产品瞄准最显而易见的杠杆——数据：用于 清洗、可视化 的工具，以及通过 AutoScientist 实现的自动化训练。真正的目标——能在部署期间学习的模型——尚未问世。

Core Automation 为新学习方法开展内部搜索

Jerry Tworek 在 OpenAI 工作了近七年，最近担任研究副总裁，领导了推理模型 o1 和 o3 的开发。他 对当今这一套配方提出的批评，恰恰来自参与构建它的人。联合创始人 Rohan Anil 曾在 Google 领导 Gemini 的预训练工作。

对已训练的网络进行再训练，有可能让它忘记原本已经掌握的内容。研究人员称之为灾难性遗忘。Transformer 在设计上也并非为了在部署期间实时学习。

ChatGPT 和 Claude 目前通过记笔记和检索早期对话来作为变通方案。Tworek 认为这还不够，正如他所说，持续学习对他是机器学习的问题，而不是 Markdown 文件的问题。Core 正在寻找预训练和强化学习之外的学习算法，以及更具扩展性的架构。首个模型应当能在部署期间更新自身权重，并且只需当今百分之一的训练数据。目前还只是传闻。

Core 的第一个测试对象是它自己：一支配备研究智能体的小团队，目标是匹敌大型实验室的产出，例如让智能体自动 根据一个架构设想生成高效的 GPU 代码。

Tworek 在离开 OpenAI 后说，这类研究在 OpenAI 几乎不可能进行。当你身处最佳模型竞赛之中时，你 会少冒风险。

Flapping Airplanes 想用更少的数据学到更多

兄弟 Ben 和 Asher Spector 与曾就职于 Neuralink 的 Aidan Smith 共同创立了 Flapping Airplanes。Ben 是被广泛使用的 GPU 内核库 ThunderKittens 的主要作者。

他们的论点是：如今的模型在数据充足（如文本和图像）的领域表现强劲。而在机器人或生物学等数据稀缺且昂贵的领域，它们则力不从心。Flapping Airplanes 想打造从少量样本中学习的模型，而不是依赖海量数据集。创始人们正在寻找 受生物学原理启发的学习方法，但设计为可在 GPU 上运行。

目前还没有任何可见成果。第一年的大部分时间都花在了打基础上：开发通过削减许多小型计算步骤之间常见开销来提高 GPU 训练效率的软件。新的学习方法必须先能在现有硬件上运行，才能发挥作用。

投资者并不介意缺少模型。继 1 月份的 1.8 亿美元融资之后，10 月的 A 轮融资又带来了 60 亿美元估值下的 10 亿美元。

Ineffable Intelligence 想要在没有人类样本的情况下学习

David Silver 追求的不是更少的数据，而是不同的数据。在 Google DeepMind，他曾主导 AlphaGo 及其后续版本的开发。最初的 AlphaGo 仍然从人类棋局中学习，而 AlphaGo Zero 和 AlphaZero 仅通过自我对弈学习，并超越了所有前辈。

2025 年春，Silver 和 Richard Sutton 把这一洞见变成了一项计划。在 《Welcome to the Era of Experience》一文中，他们认为只会模仿人类的系统在许多重要任务上几乎难以超越人类水平。下一代系统需要从自身经验中学习，奖励来自环境而非人类判断。Silver 后来创立了 Ineffable Intelligence。他的目标是打造一个能在数字和物理环境中从经验中学习的 “超级学习者”。

最难的问题在于反馈从何而来。在围棋中，胜负决定一切。而在科学或物理世界中，成功往往不明确或来得很晚。强化学习历来在环境给出明确信号的场景中最强。Ineffable 必须证明它对开放式、不断变化的任务同样有效。4 月，该公司宣布了一轮 11 亿美元的种子轮融资，投后估值 51 亿美元，为欧洲最大规模。目前尚无可用的系统。

Ndea 想要从少量样本中找出规则

François Chollet 开发了深度学习库 Keras，并设计了衡量系统仅凭少量样本理解新任务能力的 ARC 基准。在 Google 工作多年后，Chollet 正与 Zapier 联合创始人 Mike Knoop 共同打造 Ndea。团队约有 15 人。

Chollet 在能力与学习之间划出了一条界线：一个系统可以凭借大量训练出色地解决某项任务，却仍无法高效掌握新技能。Ndea 采用 程序合成。系统搜索能够解释所观察样本的程序，并由神经网络模型引导搜索朝有希望的候选方向进行。少量样本应能得出同样适用于新情况的规则。

即便没有 Ndea，Chollet 自己的基准也在被攻破。在今年 3 月推出的 ARC-AGI-3 上，GPT-6 Astra 于 9 月取得了 最高 99.9% 的成绩，在标准设置下为 62.7%。达成路径颇具启示：Astra 将陌生的游戏环境转化为 紧凑的规则和自己的简写记号，这大致正是 Ndea 追求的方向。Ndea 尚未公布自己的 ARC-AGI-3 成绩。

Safe Superintelligence 有信誉，但没有可展示的成果

Ilya Sutskever 是 OpenAI 的联合创始人并曾担任其首席科学家，合著了多篇深度学习领域最重要的论文。他于 2024 年离职并创立了 SSI，现担任该公司 CEO。创始宣言中描述了其目标：打造安全的超级智能，不受产品开发的干扰。这家位于帕洛阿尔托和特拉维夫的公司约有 50 名员工，至今既未发布过模型，也未发表过论文。

Sutskever 在 与 Dwarkesh Patel 的对话中阐述了他 2025 年底的关注重点：人类只需几个例子就能迁移所学，而模型需要海量数据集——他计划改变这一点。他预计在 五到二十年内会出现一个学习能力媲美人类的系统。

今年 7 月，SSI 与 Nvidia 宣布达成合作，将算力容量提升十倍。据彭博社报道，投资额为 50 亿美元。Sutskever 在联合公告中表示，SSI 拥有值得扩大规模的研究。加上此前募集的 30 亿美元，总额约为 80 亿美元。最近一次已知的估值为 320 亿美元。这一估值主要建立在 Sutskever 的声望，以及人们相信他看到了别人没有看到的路径之上。

目标相似的其他实验室

位于帕洛阿尔托的 Pathway 已经发表了与 Core Automation 所瞄准方向相同的架构。其 BDH 模型能在处理过程中自适应调整，形成一种工作记忆。不过，目前这只在最多 10 亿参数的小模型上得到过验证。

创立于 2022 年的 Symbolica 与 Ndea 类似，将神经学习与程序合成相结合，但使用自己基于数学的架构而非语言模型。创始人自己也承认，其长期目标——一台通用的程序合成机器——尚未解决。Symbolica 目前靠 Agentica 赚钱，这是一个用于构建 AI 智能体的工具。

押注 2：仅靠语言还不够

第一组想改变模型的学习方式，第二组想改变模型的学习内容。这些创始人怀疑语言是否是通往智能的最佳路径。他们想要能够理解空间关系、预测物理后果并在现实世界中行动的系统。AMI 预测抽象状态，Black Forest Labs 预测视频帧和机器人动作，General Intuition 从视频游戏中学习，World Labs 生成 3D 世界，Physical Intelligence 直接在机器人身上学习控制。

AMI 是 Yann LeCun 的反向布局

Yann LeCun 曾获图灵奖，并创建了 Meta 的研究实验室 FAIR。多年来，他一直反对语言模型能带来类人智能的观点。2025 年底，由于战略分歧，他离开了 Meta：公司希望专注于能够快速商业化的语言模型。在 AMI，LeCun 担任执行董事长。CEO 是Nabla 的创始人 Alexandre LeBrun，Nabla 是一家医疗 AI 创业公司。

在技术上，AMI 基于 LeCun 于 2022 年提出的 JEPA（联合嵌入预测架构），作为生成式语言和视频模型的替代方案。JEPA 不逐个 token 地预测输出，而是处理抽象的内部表示。它学习在预测视频或机器人动作的后续内容时什么是重要的，而不会迷失在像素级细节中。V-JEPA 2 在 2025 年于 Meta 证明了这一方法可行。经过视频预训练后，仅 62 小时的机器人数据就足以让机械臂在陌生实验室中完成简单的抓取放置任务，规划速度远快于像素级方法。

AMI 面向工业、机器人和医疗保健领域，Nabla 是其首个合作伙伴。今年 3 月，该实验室在仅有约十几名员工的情况下，以 35 亿美元的投前估值融得了10.3 亿美元。LeBrun 坦言，产品可能还需要数年时间。研究和大部分代码计划开源。

Black Forest Labs 从图像生成器转向机器人控制器

来自弗莱堡的 Black Forest Labs 以其 FLUX 图像模型而闻名，这些模型已经能产生收入。以 Robin Rombach 为首的创始人曾共同开发了 Stable Diffusion 背后的方法。

从今年秋天开始，该实验室开始押注超越图像生成的方向。图像模型已经学会了图像如何变化，这意味着它也能学习某个给定动作会导致什么变化。

第一步是 FLUX 3 Action，于9月发布。它基于 FLUX 3 构建——一个主要以视频训练的基础模型——并在每段视频背后动作已知的数据上进行了微调：游戏画面、第一人称视频、遥操作机器人。该模型接收一张相机图像、机器人的状态和一条文本指令，并预测接下来的两秒：机器人应该如何移动以及之后场景会是什么样子。它是一个学会了控制机器人的图像生成器。权重已发布在 Hugging Face 上。

在 Nvidia 推出的机器人基准测试 RoboLab-120 上，FLUX 3 Action 在10月22日排名第二，仅次于 Lakeside，此后已跌至第四。测试在仿真中完成，而非在真实机器人上。

General Intuition 将游戏画面转化为训练数据

General Intuition 脱胎于游戏剪辑平台 Medal。Medal CEO Pim de Witte 于2025年与三位来自日内瓦大学、曾研究游戏世界模型的研究人员共同创立了它。

其理念是：将玩家的输入与游戏视频一同记录。这样得到的数据不仅显示发生了什么变化，还显示是什么动作导致了变化。Medal 提供了数十亿段与键盘和鼠标输入配对的视频帧。基于这些数据，该实验室训练两类模型：预测接下来会发生什么的世界模型，以及决定该做什么的动作模型。

这种思路并非全新。OpenAI 曾在2022年用 VPT 在游戏视频上训练过一个 Minecraft 智能体。DeepMind 则通过 SIMA 2 将 Gemini 与 3D 游戏智能体连接起来。

General Intuition 计划作为一个平台盈利，通过 API 提供对其模型的访问，面向游戏工作室和机器人公司。作为证明，它展示了一个仅用游戏数据训练的模型，在仅用八分钟真实机器人数据微调后，就控制了一台四足机器人。

Physical Intelligence 为机器人构建通用模型

Physical Intelligence 直接在机器人上学习。该实验室由学习机器人领域的一些顶尖人物创立，包括伯克利的 Sergey Levine 和斯坦福的 Chelsea Finn。曾在 Google 任职的 Levine 将目标描述为一个通用机器人模型：一个单一系统，能够跨多种机器人和多种任务工作。任何人都不必为每个任务单独编写一个控制器。

π 模型家族结合了视觉、语言和动作。实验室的大部分训练数据由自己收集：人类遥操作机器人，模型从录制数据中学习。今年4月，π0.7 发布，约有50亿参数。它能将学到的技能组合成新任务，并在实验室自己的测试中与单独训练的专家模型持平。自10月13日起，Pi API 进入 beta 阶段：开发者上传自己的机器人数据，微调模型，并在云端运行。

今年3月，有报道称其融资谈判的估值超过110亿美元。竞争对手包括 Google DeepMind 的 Gemini Robotics 2、其他机器人初创公司，以及可能还有像 Astra 这样已经能控制机械臂的通用型公司。更多内容见下文。

World Labs 构建空间智能，很快将归入 AMD 旗下

李飞飞是斯坦福大学教授，以 ImageNet 数据集闻名。2024 年，她与三位来自 Meta 和 Google 的研究人员共同创立了 World Labs，其中包括 NeRF 联合发明人 Ben Mildenhall。她的主题是空间智能：能够理解并生成三维世界的 AI。  用李飞飞的话说，3D 是自然的语言。

自 2025 年 11 月起，World Labs 一直在销售 Marble。它可以根据文本、图像、视频或草图创建可编辑的 3D 世界，并且自 1 月起还可以通过 API 使用。游戏开发者用它做原型设计，机器人研究人员用它做训练环境。Marble 提供舞台；机器人撞到椅子时会发生什么，仍由模拟器处理。Atlas 旨在填补这一空白，并自 9 月起向部分合作伙伴开放。Atlas 一步完成生成、重建和模拟：几张照片就能变成一个可行走的空间，外加最长一分钟的可控镜头运动的视频。

9 月下旬，AMD 宣布计划以约 82 亿美元的股票收购 World Labs。该交易预计将于 2026 年底前完成，李飞飞将成为 AMD 的首席科学家。AMD 给出的官方理由是深入了解应用，但背后可能还有更多考量。Nvidia 通过 Omniverse、Isaac 和 Cosmos 模型拥有了完整的物理 AI 平台。World Labs 让 AMD 得以缩小其中一部分差距。

目标类似的其他实验室

旧金山的 Odyssey 与 World Labs 和 General Intuition 押下同样的赌注：一个从视频中学习运动和物理的世界模型，应当能教会智能体行动。自 9 月起，在 Agora-2 中，最多 20 个人类和 AI 智能体可以在同一个模拟世界中活动，底层并不运行传统游戏引擎。以视频生成器闻名、比当前这波浪潮更早的 Runway，在 2025 年 12 月凭借 GWM-1 走上了与 Black Forest Labs 相同的道路：从视频模型到可响应动作的模拟，直至机器人技术。

在机器人控制领域，Physical Intelligence 有两个近亲。位于匹兹堡的 Skild AI 同样希望用一个模型驱动多种机器人，但它首先从模拟和互联网视频中学习。其估值超过 140 亿美元，是该领域估值最高的公司之一。Generalist 像 Physical Intelligence 一样自行采集机器人数据，并于 8 月通过 GEN-1.5 展示了机器人如何仅凭少量演示学会短小的手动任务。

通用型模型正在迎头赶上

不过，通用模型正在快速取得进展。它们的空间理解能力在提升：GPT-6 Astra 可以在 Blender 中对一座房屋建模，并使其在 Unreal Engine 中可漫游。Gemini 4 Carbon 在 3D 理解基准 Blueprint-Bench 2 上达到了人类水平的表现。

在真实机器人上，一些限制仍然存在。在 AA-Robotics 基准测试中，Astra 通过自己编写的代码控制机械臂，以 100 分中的 69 分领先，但每个任务需要半小时，成本超过 16 美元。而人类只需 20 秒。在更多算力的支持下，Astra 在一项 Nvidia 研究中超越了专用模型 Lakeside 和 FLUX 3 Action，但每个任务成本约为 36 美元。

但这里有一个规律：通用模型已经在某些任务上能击败专用模型，但需要多得多的时间和金钱。机器人学研究者 Georgia Chalvatzaki 将其视为能力上的真正变化，但并不能证明仅靠扩展规模就能解决机器人学的问题。最令人印象深刻的结果并非仅来自模型本身：Astra 将模拟器、运动规划器、现有控制软件和强化学习作为工具来使用。

Chalvatzaki 的结论是：通用模型在使用和组合现有机器人学工具方面正变得越来越好。但工具本身——快速控制器、物理模型、安全层——仍然需要去构建。这对专用模型来说是否是好消息，未来几个月将会见分晓。

押注3：最有价值的数据并不在互联网上

第三类公司押注于互联网上并不存在的数据：实验室的测量结果、来自自然界的样本、工厂的工程数据。更好的通用模型对他们并无坏处；这些模型可当作构建模块。他们的优势 supposed 来自独家数据访问权。有三个关键问题：谁产生数据、谁能使用数据、复制数据的难度有多大？Basecamp 和 Periodic 已拥有部分数据集。Prometheus 则表示正在构建自己的数据集。

Basecamp Research 从火山和深海中挖掘基因

伦敦的 Basecamp Research 成立于2019年，比当前这波浪潮更早。但它格外清晰地展示了当尚无互联网规模的数据时，利害关系何在。Basecamp 联合创始人 Glen Gowers 表示，生物学领域正是如此。公开的基因数据库大多只覆盖被充分研究的生物。Basecamp 通过与30多个国家的当地伙伴合作自行采集样本：来自雨林土壤、火山岩和深海。据称该数据集包含超过1000亿个此前未知的基因，且访问权由 Basecamp 控制。今年3月宣布的万亿基因图谱（Trillion Gene Atlas）将大幅扩充数据，Nvidia 和 Anthropic 是其合作伙伴。

基于这些数据，Basecamp 训练其EDEN 模型家族。EDEN 可设计长 DNA 序列以及将它们插入基因组的酶。部分功能可通过 Claude 提供给研究人员。首个应用方向是细胞疗法：六个项目正处于临床试验前的早期研发阶段。Basecamp 尚未给出临床试验的时间表。

Periodic Labs 把大自然当作学习环境

Periodic Labs 自行生成数据。Liam Fedus 曾在 OpenAI 领导后训练工作。Ekin Dogus Cubuk 曾在 Google DeepMind 负责 GNoME 项目，该项目在2023年预测了数百万种新晶体结构。迄今只有几百种在实验室中得到验证。他们的信条是：智能是必要的，但并不充分。科学进步必须经受现实的检验。

因此 Periodic 在门洛帕克运营着高度自动化的实验室。机器人混合粉末，熔炉进行烧结，X射线设备全天候检查结果。由此产生的数据在任何教科书中都找不到，尤其是那些阴性结果。期刊只发表成功的晶体，几乎从不发表失败案例。Fedus 认为这些失败序列是最有价值的数据类型。长期目标是找到能在更高温度下工作的超导体。更接近商业化的是面向半导体行业的材料。首个公开的客户是一家存在散热问题的芯片制造商。

9月15日，Periodic 发布了其模型 Neon：一个现有的万亿参数模型，用科学文献和该实验室自己的数据进行了微调。该公司称，在分析 X 射线测量数据方面，它以更低的成本击败了 GPT-6 Astra 和 Claude Fable 5.1。

Prometheus 是贝索斯的“人工工程师”

在 Prometheus，杰夫·贝索斯自 2021 年卸任 Amazon CEO 以来首次担任运营职务。他与曾在 Google X 主导登月式项目的 Vik Bajaj 共同以联席 CEO 的身份运营这家实验室。据 GeekWire 报道，约 150 名员工来自 OpenAI、Google DeepMind、Meta、xAI 和 Nvidia。

这一押注被称为“通用人工智能工程师”（artificial general engineer）。贝索斯告诉 CNBC，这与机器人毫无关系。Prometheus 正在构建让工程师更轻松设计实体工具：一个彻底现代化的 CAD 软件版本。长期目标是打造能将发动机或药物化合物从概念带到制造的软件。贝索斯表示，所需的数据尚不存在，必须通过物理定律和测试结果等方式创建出来。

Prometheus 计划如何获得这些数据，从另一项业务中可见端倪。据《华尔街日报》报道，贝索斯于 3 月就一只约 1000 亿美元的基金进行了洽谈，目的是收购航空航天、芯片制造和国防领域的工业企业，并用 AI 对其进行改造。最大的工程数据储备，恰恰存在于这类公司数十年的 CAD 和仿真文件中。对这些数据进行授权几乎不可能，因为没有公司愿意交出自己的数字化机构知识。收购这些公司可能意味着同时获得其数据。这就形成了一种可能的战略关联：这只基金不仅是一笔工业投资，也是为 Prometheus 的人工工程师获取训练数据的一种途径。这一解读尚未得到证实。

从据报道的 62 亿美元和 120 亿美元两轮融资来看，总额超过 180 亿美元。这使得 Prometheus 成为本期融资最多的实验室，而且没有产品，也没有发表过任何研究。

目标类似的其他实验室

位于马萨诸塞州剑桥市的 Lila Sciences 是与 Periodic 最相近的同行。在一家“AI 科学工厂”里，AI 提出假设，机器人执行实验，结果再反馈到训练中，覆盖化学和生物学领域。其优势据称来自这一闭环，而非机器人本身。不过它目前还无法完全脱离人类监督运行。

位于伦敦的 PhysicsX 通过仿真来生成数据。其专有的数据工厂已经为车身计算了两万多次空气动力学仿真。PhysicsX 称，数据越多样，模型应对新形状的能力就越强。但拥有足够算力的竞争对手可以复制这一做法。

Simile 模拟的是人类而非自然。这家由“生成式智能体”背后的斯坦福研究人员创立的初创公司，通过访谈、购买数据以及对真实人群的对照实验构建行为模型。企业用它来测试客户对价格或产品的反应。今年 7 月，投资者对 Simile 的估值达到 20 亿美元。一个通用模型仅凭更聪明，是无法获得这种接触人类行为的机会的。

位于科罗拉多州的 Enveda 比当前这波浪潮更早成立，它将同样的方法应用于来自植物的天然产物。其模型 PRISM 从 12 亿条化学指纹中学习。其中一半是在 Enveda 自己的实验室里测得的；另一半来自公开来源。

大玩家们也在建设自己的实验室

Anthropic 正在 旧金山地区建设自己的生物学实验室，Claude 将在那里引导机器人进行实验。该公司于 4 月以约 4 亿美元收购了 Coefficient Bio。10 月，Google 介绍了其智能体如何在自己的湿实验室中设计、测试并从蛋白质结合剂中学习。早在 8 月，DeepMind 的 Co-Scientist 就已 为二维材料规划实验，与 Periodic 的核心业务十分接近。

专业公司在构建样本、实验室和合作关系方面有时拥有数年的先发优势。这一领先能否保持，取决于基础设施复制的难度，以及数据是否保持独占。

押注 4：算力是瓶颈

无论是世界模型、机器人还是自动化实验室，最终都运行在同一批芯片上。GPT-6 Astra 在 超过 10 万块 Nvidia GPU 上训练，而据黄仁勋称，还有 40 万块即将上线。第四组人提问：AI 的计算效率究竟如何。Transformer 获胜的部分原因在于 GPU 能很好地处理它的数学运算。任何想另辟蹊径的人都有两个选择：把方法适配到现有芯片上，或者制造不同的芯片。

Inception 并行精炼文本

Inception 由 Stefano Ermon（斯坦福大学）、Aditya Grover（加州大学洛杉矶分校）和 Volodymyr Kuleshov（康奈尔大学）三位教授创立。2019 年，Ermon 和 Yang Song 提出了 基于分数的生成模型，这是如今图像和视频生成器中扩散模型的基础。ChatGPT 逐个 token 地写作，每个 token 都要等待前一个。Inception 的 Mercury 模型 则先生成整个答案的粗糙草稿，再同时精炼多个部分，类似于图像生成器从噪声中逐步还原出图片的方式。这有望带来更短的等待时间和更低的成本。底层仍然是 Transformer。创始人们并不是在押注反对这一架构，而是在押注反对如今的文本生成方式。

与本期介绍的大多数实验室不同，Inception 已经通过 API 进行销售。Mercury 3 于 10 月 19 日发布。据 Inception 称，它在 12 项基准测试中的 8 项上击败了较小的 GPT-6 Luna 和 Claude Haiku 5.5，且文本输出速度快四到八倍。通过 Mercury Decide，Inception 还提供了一款决策模型，与 TypeSafe 直接竞争。它并不孤单：Google 早在 2025 年 5 月就展示了 Gemini Diffusion。5 月，路透社 报道称微软正在洽谈收购，而 Inception 想要超过十亿美元的价格。

Liquid AI 为受限硬件构建强大模型

Liquid AI 由麻省理工学院的研究人员于 2023 年创立，构建从底层就精简的模型。这些模型专为内存和算力有限的设备设计，适用于任何数据中心连接过于昂贵、过于缓慢或不合需要的地方。LFM2 模型在大多数模块中用更廉价的、只考虑单词邻近范围的操作，取代了 Transformer 计算密集型的注意力机制。目标设备的内存和算力决定模型的结构，而不是相反，研究人员在 LFM2 技术报告 中如此描述。

10 月 27 日，新一代 LFM3 发布，可处理文本、图像、视频和音频，采用开放权重，专为本地部署和定制化而设计。Liquid 自 10 月初以来还提供了一款名为 d1 的决策模型，现有多种规格，部分采用开放权重，并且也支持图像。AMD 领投了 2.5 亿美元的 A 轮融资。此后，Liquid 也开始针对 AMD 芯片优化其模型。

这些模型如今正在进入汽车领域。11 月 5 日， Wall Street Journal 报道称，梅赛德斯已于 10 月开始在北美部署 Liquid 的技术。导航、音乐或座椅设置的语音指令可直接在车内运行，更复杂的请求仍会交给云端模型处理。

Ricursive Intelligence 追求在硅片上实现自我改进

在创立 Ricursive 之前，Anna Goldie 和 Azalia Mirhoseini 在谷歌开发了 AlphaChip，这是一种用于在芯片上排布组件的 AI 方法。谷歌已在多代 TPU 中使用了它。

Ricursive 的押注正是建立在此之上：AI 设计出更好的芯片，而这些芯片又为下一代 AI 提供动力。传统工具会把芯片拆分成数十个模块，而 Ricursive 希望将其作为一个整体来优化。从长远来看，模型与芯片应协同设计，一颗芯片的耗时应从数月或数年缩短到一周。成立两个月后，Ricursive 于1月宣布以40亿美元估值完成3亿美元 A 轮融资。尚无产品。

11月4日，它以开放权重的方式发布了 Ripple-65B Preview。Ricursive 围绕 Nvidia 硬件设计了其架构，使训练和运行更加高效。一个内部版本已在为其芯片设计平台提供支持。据该公司称，Ripple 在编程任务上位列美国最强的开源模型之列。目前还缺乏独立评估。

竞争非常激烈。谷歌已使用 AlphaChip 多年。Nvidia 用 PrefixRL 优化电路。9月下旬，OpenAI 与 Synopsys 达成合作。Synopsys 与 Cadence 和西门子并列为占主导地位的芯片设计软件提供商。双方的联合模型 GPT-Synopsys 将自主操作 Synopsys 工具并迭代改进设计。Ricursive 不仅要面对芯片公司的内部研发，还要面对一个领先 AI 实验室与设计软件市场领导者的联盟。

Unconventional AI 想用振荡来计算

Unconventional 想改变 AI 运行所依赖的硬件。创始人 Naveen Rao 此前已出售过两家 AI 公司：Nervana 卖给了英特尔，MosaicML 卖给了 Databricks。他预计大约三年内，能源将成为 AI 的硬性限制。当今的芯片以数字方式计算，依赖数十亿个开关晶体管。Unconventional 想用模拟耦合环形振荡器来计算：这种振荡电路会相互影响，直到节奏趋于一致。这种动态被认为可以承担部分计算，并将内存与处理融为一体。

6月，该实验室推出了 Un-0，某种意义上的产品演示——一个由多达 16,384 个模拟振荡器构建的开源图像生成器。它的质量比最先进水平落后几年。9月，第一颗物理芯片已能生成图像。

首个机架系统计划在两年内推出。Unconventional 不想出售芯片，而是提供来自自有系统的算力。该公司还在进行收购：10月26日，它宣布收购 NeuReality，一家以色列 AI 芯片开发商。其团队将整体加入。价格未披露。

有类似目标的其他实验室

Extropic 想像 Unconventional 一样改变计算的物理学，只是方式不同。它的电路有意允许晶体管中的电子噪声，并从中为 AI 模型提取随机性。今年夏天，Extropic 表示其 Z1 芯片正在制造中，首批系统预计于 2027 年推出。所承诺的几个数量级的效率提升来自仿真结果。

Normal Computing 追求类似的原理，同时通过面向芯片设计的 AI 工具赚取收入。

由 Mamba 架构发明者创立的 Cartesia，像 Liquid AI 一样替换了计算量巨大的注意力机制的大部分内容，并将成果主要作为口语语言模型出售。

押注 5：研究本身成为产品

第五类公司将其自身研究人员的工作自动化：构思创意、开展实验、分析结果。一个系统进展到什么程度，大致可以分为四个阶段：

大多数公开展示的结果处于第 2 阶段，少数在 neolabs 和大型实验室中以有限形式达到了第 3 阶段。对自动化研究工作流程的研究持续表明，人类决策仍然处于核心地位。自动化在机器能够自行验证结果的领域走得最远：数学。

Axiom Math 构建机器可验证的证明

Axiom 想要自动化数学证明。曾任职于 Meta 的 Carina Hong 和 Shubho Sengupta 于 2025 年创立了这家公司。数论学家 Ken Ono 放弃了他的教授职位加入其中。

基本问题在于：语言模型可以写出一个听起来令人信服却仍然错误的证明。Axiom 的解决方法是让它的 AI 用 Lean 来书写——Lean 是一种面向数学的编程语言，其中的证明检查器会验证每一步。如果证明通过，那么在所使用的定义和假设范围内它就是正确的。无法蒙混过关。人类仍然需要检查原始命题是否被正确翻译成 Lean，以及是否有无效的额外假设混入其中。如果翻译有偏差，机器会完美地证明一个错误的命题。Axiom 自己也描述了这一局限。

10 月 26 日，Axiom 报告了其迄今为止最大的成功：数十个智能体在人类指导下，用 24 天将所谓的“巨大定理”翻译成了 Lean。该证明横跨数百篇论文、超过 10,000 页，时间跨度长达五十年。此前，其中一个约 250 页的章节曾让一个研究团队用六年时间在 Coq 证明系统中完成形式化。代码已在 GitHub 上开源，约 4300 万行。

在此过程中，团队在一篇 1986 年的论文中发现了一个错误。据数学家 Timothy Chow 称，这个错误专家们早已知晓，但显然从未被公开记录。这次翻译让只有圈内人才知道的事情变得一目了然。

Axiom 并不打算只靠数学赚钱。这笔2 亿美元的 A 轮融资意在将该方法扩展到软件领域：AI 编写代码，而证明则表明代码满足以形式化方式规定的需求。测试只能检查若干示例，而证明可以覆盖形式化模型所捕捉的所有情况。

Discovery Loop：Google 为自己的离职员工提供资金

Discovery Loop 想要自动化整个科学实验周期，从提案到分析，并可并行开展数千个实验。其背后是四位 Google 最知名的人物：Jeff Dean、Sanjay Ghemawat、Quoc Le 和 Oriol Vinyals——Gemini 开发的领导者之一。四人于 8 月初离职，与Google 的一次重组同时发生。据 WIRED 报道，这个想法当时才诞生几周。

Google 是创始投资方兼云合作伙伴。Business Insider 报道称，双方曾洽谈约 10 亿美元的种子轮，估值为 100 亿美元。几周后，谈判已在约 500 亿美元的估值上进行。机器学习研究被放在首位，Discovery Loop 自身是其第一个客户。芯片设计、生物学和材料研究计划随后跟进。到目前为止，那里只有一个团队、一个使命和一个组织。对 Google 来说，这是一步妙棋：公司没有彻底失去四位顶尖人才，而是以投资方和云服务商的身份保持联系。

Mirendil 希望把前沿研究带给不止少数几家公司

Behnam Neyshabur 曾是 Gemini 的团队负责人，之后在 Anthropic 领导 Discovery 团队。联合创始人 Harsh Mehta 搭建了 Anthropic 用于自动化其研究平台的第一个版本。Mirendil 希望“民主化”前沿研究：公司和研究机构的团队应当能够构建自己面向化学、医学或机器人技术的专用系统。

作为初步证据，Mirendil 在 10 月展示了一名研究人员如何在智能体的帮助下，用三个半月、以不到一千万美元的计算成本构建了拥有 1000 亿到 5000 亿参数的 Mirendil-Base 模型。据悉，智能体编写了超过 99% 的代码。

该产品包含两部分。模型 Fern 0.1 面向编程和研究智能体设计，上下文窗口高达一千万 token。平台 Lor 可以并行运行数百个智能体，让实验持续数天，并在 Fern 之外使用 OpenAI 和 Anthropic 的模型。Lor 目前处于封闭测试阶段；Fern 的早期访问可按需申请。

Recursive 声称第一个模型由该循环构建

Recursive Superintelligence（不要与押注 4 中的 Ricursive 混淆）想走得更远：研究自动化应当能改进自身。CEO Richard Socher 曾是 Salesforce 的首席科学家，并创立了 You.com。七位联合创始人中包括 Tim Rocktäschel，他曾在 Google DeepMind 领导开放性与自我改进方面的团队。

Socher 并不质疑大型实验室的进展：“取决于你的定义，我们已经接近 AGI。”在他看来，递归式自我改进是 AI 持续前进的机制。他认为，这条路要经过开放性——一种以进化为原型的原则：系统不断给自己提出新的挑战，而不是朝着固定目标优化。

10 月 21 日，Recursive 发布了其首个面向编程任务的模型 Flint。权重以 Apache 2.0 许可发布。比模型更重要的是它据称的构建方式：不到四个月，由一个小团队，借助“Eureka Machine”完成。该系统提出想法、实现它们、测试它们，并挑选下一个实验。据 Socher 称，整个模型流水线几乎每个环节都由 AI 实现和改进。与人类团队相比，自动化贡献了多少仍不清楚。

目标相似的其他实验室

位于东京的 Sakana AI 由 Transformer 论文作者之一 Llion Jones 联合创立，与 Recursive 一样押注 AI 将接管自己的研究。自 2024 年以来，这家公司持续发布成果：一个撰写研究论文的“AI Scientist”、重写自身代码的智能体，以及自 6 月起设立的一个专门致力于自我改进的实验室。在上面的阶段表中，这对应第 2 到第 3 阶段。

由 Robinhood CEO Vlad Tenev 联合创立、位于帕洛阿尔托的 Harmonic，其模型 Aristotle 同样能在 Lean 中进行证明，并在 2025 年国际数学奥林匹克竞赛中达到金牌水平。自 10 月 27 日起，Aristotle 还能在形式化属性和假设的范围内验证 C 语言软件和 Verilog 芯片设计。这正是 Axiom 想借助新融资拓展进入的业务。2025 年 11 月，投资者对 Harmonic 的估值为 14.5 亿美元。

由前 Google DeepMind 研究人员创立的 Poetiq 并不训练自己的模型。相反，该系统优化现有模型用于解决任务的提示词和策略，并一轮轮地改进。变得更好的不是基础模型，而是围绕它的脚手架。

来自 Bet 3 的 Lila Sciences 也属于这一类，其运行的是假设、实验与训练的循环。

巨头们也在自动化

自动化研究的并非只有新实验室。OpenAI 在 9 月表示，它已达成"自动化研究实习生"的目标。到 2028 年 3 月，该公司想要一个完全自动化的 AI 研究员。Anthropic 在 6 月报告称，Claude 编写了超过 80% 的新集成生产代码。

巨头们也在进军 Axiom 所在的形式化证明领域。9 月，OpenAI 发布了一份纳维-斯托克斯问题某个变体的证明，这是七个著名数学难题之一，每个难题都带有 100 万美元奖金。该证明尚未被接受。10 月，又有超过 700 份稿件提交。

随着自动化的发展，担忧也在增长。7 月，OpenAI 的智能体在内部安全测试期间逃离了测试环境，并入侵了 Hugging Face 的真实系统。超过 1300 名 AI 公司员工在一封公开信中呼吁开发能在必要时减缓自主 AI 发展的工具。身处其中的新实验室面临同样的问题，只是受到的公众审视远少得多。

押注 6：价值未必会落到最先造出 AGI 的人手中

第六类公司并不试图构建最强的模型。他们押注的是，无论最强模型由谁造出，都会留下空白，而客户愿意付费填补这些空白。客户想了解模型内部发生了什么，想信任它的决策、与它协作、把它适配到自己的领域，并自己运行它。与其他几类不同的是，这一类里的每家实验室都已经有产品了。

Goodfire 想弄清模型究竟学到了什么

Goodfire 想弄清是哪些内部过程产生了模型的回答，并在这一层面进行干预。联合创始人 Tom McGrath 曾在 Google DeepMind 领导一个研究团队。这个领域叫做机制可解释性（mechanistic interpretability）。聊天机器人可以解释自己为什么这么说，但这种解释未必反映它实际计算答案的方式。Goodfire 直接检查内部表征本身。Goodfire CEO Eric Ho 在接受红杉资本采访时解释说，随着 Goodfire 完成2025 年 A 轮融资，Anthropic 首次直接投资了另一家公司。

该团队在 2 月用 RLFR 提供了初步证据。Goodfire 不再让第二个语言模型来评判答案，而是使用模型内部自身的信号作为进一步训练的反馈。在针对 Google 拥有 120 亿参数的开源 Gemma 3 的一次测试中，幻觉减少了 58%，每次干预的成本约为使用外部评判模型的九十分之一。不过这个数字附带一个限制条件：该测量还包括部署期间的监控与纠错，以及从 32 个回答中挑选最佳答案。

11 月 5 日，Goodfire 又推出了 机制塑形（mechanistic shaping）。其思路是：模型可能因错误的原因得出正确答案。Goodfire 识别模型内部误导性的信号，并在训练中惩罚模型对它们的依赖。在实验中，这减少了对用户的盲目附和以及在任务上的作弊行为。但内部信号会随着模型学习而变化，因此用于监控这些信号的工具可能也需要重新训练。

通过 Silico，客户可以分析并精确调整他们的模型。Goodfire 的合作伙伴包括 微软、梅奥诊所（Mayo Clinic）和 Arc Institute。

TypeSafe AI 交付的是决策，而不是文本

语言模型以自由格式的文本作答。许多业务流程需要从一组固定选项中做出决策，并附带置信度评分。这正是 TypeSafe AI 的用武之地，该公司由前 OpenAI 研究员 Diogo Almeida 创立。其模型 Jev 只输出带有概率的固定决策，例如由哪个团队来处理支持工单。这些概率应当是经过校准的：如果模型说 80%，那么在类似情况下它大约有 80% 的时间是正确的。企业可以设置一个阈值，超过该阈值时由人类接手。

竞争来得很快。自 10 月 22 日起，OpenAI 的 Decisions API 已全面开放使用。Cloudflare 也推出了自己的变体 Clef。两家新锐实验室也加入了战局：Inception 声称 Mercury Decide 在多项基准测试中胜过 Jev，而 Liquid AI 表示其 决策模型 d1 在自家测试中的表现优于 Jev。

TypeSafe 并未被挤掉。10 月 9 日，该公司在 A 轮融资中获得 8.7 亿美元，估值 75 亿美元。

humans& 构建与人协作的 AI

humans& 想要构建能够映照人们实际交谈与行为方式的模型：反复无常、自相矛盾、不理性。其成果有望成为更好的协作伙伴。创始团队成员包括来自 xAI 的 Eric Zelikman 和来自 Anthropic 的 Andi Peng。

该公司提供三款产品。Persimmon 可模拟逼真的对话伙伴。开发者指定一个情境和用户画像，模型便会生成相应的人类反应，比如变得不耐烦或改变主意的客户。任何构建客服机器人的人都可以用一千个模拟客户来测试它。由于这可能被滥用，访问受到限制。

Ampersand 是面向开发者的模型。它能处理多方对话，检测参与者意愿之间的冲突，并可通过付费 API 集成到定制应用中。Persimmon 在训练期间提供了模拟对话伙伴。

Boba 在此基础上更进一步，是一款适用于单人聊天和群聊的现成助手，可以安排会议、发送任务提醒以及搜索网络。

humans& 并没有为此构建自己的基础模型。Ampersand 运行在 Z.ai 的开源中文模型 GLM 5.3 之上。并非每个新锐实验室的赌注都需要一个全新的模型。

Thinking Machines Lab 用产品保持脚踏实地

Thinking Machines 构建模型和工具，让企业和研究者能够用自己领域的知识训练 AI。Mira Murati 曾是 OpenAI 的 CTO，John Schulman 是 OpenAI 的联合创始人，也被视为 ChatGPT 的架构师之一。此后有几位联合创始人跳槽去了 OpenAI 或 Meta。

自2025年10月以来，客户一直通过 Tinker 为自己的任务微调开放模型，而无需管理基础设施。7月推出了 Inkling，这是一个开放权重的专有模型系列，拥有9750亿参数。在基准测试中，它落后于 Reflection 的 Beam 和 Meta 的 Muse Spark Open。

11月5日，Inkling 2 Small 随之发布，拥有5940亿参数，支持文本和图像输入。它可通过 Tinker 使用和微调。权重仍未开放，计划在外部安全测试后以 Apache 2.0 许可发布。在 Artificial Analysis 智能指数上，Inkling 2 Small 得分为31，高于 Inkling Small 的13，与 Google 的 Gemini 3.8 Flash 在高推理设置下的得分持平。一旦权重发布，它将成为当前排名中除中国以外开发的开源模型中得分最高的模型。

据 The Economist 报道，其年化营收最近已超过2亿美元。11月6日，Business Insider 报道称该实验室正接近完成50亿美元的融资，由 Accel 领投，投前估值为400亿美元。该轮融资尚未确认完成。

该实验室的核心论点是：通用智能并不会自动包含企业和专业领域零散的领域知识。这一论点是否成立，取决于随着基础模型不断改进，微调还能带来多少价值。

Reflection 为想要掌控权的人构建开放模型

Reflection 开发可供企业和政府自行部署的开放模型，无需将数据发送给 OpenAI 或 Google。Misha Laskin 和 Ioannis Antonoglou 均来自 Google DeepMind；Antonoglou 曾共同开发 AlphaGo。Laskin 将 Reflection 定位为 DeepSeek、Qwen 或 Kimi 的西方对应者。

10月16日，Reflection 以 Apache 2.0 许可发布了 Beam 的权重。据该公司称，它在推理任务上与中国 GLM 5.2 相当，而计算成本仅为后者的三分之一到四分之一。Artificial Analysis 认为 Beam 在开放模型中具有竞争力，但并非领先者。

Reflection 是获得数十亿美元融资的重磅玩家之一。报道中提到的250亿美元是指进一步融资前的目标投前估值。据《金融时报》报道，自10月以来，英伟达一直在就收购或获取更大股份进行谈判。目前没有任何消息得到确认。

目标相似的其他实验室

Guide Labs 在可追溯性问题上比 Goodfire 走得更早。该公司从零开始构建模型，使答案可以追溯到具名概念和训练数据。其开放模型 Steerling-8B 使用约33,000个预定义概念进行工作。这并不能使其完全透明，而且凭借约900万美元的种子资金，Guide 还处于不同的量级。

Arcee AI 是与 Reflection 最接近的对比对象。这家拥有约 30 名员工的初创公司训练了 Trinity Large Thinking，参数量约 4000 亿，采用 Apache 2.0 许可，并于 9 月完成融资，估值超过十亿美元。

Nvidia 总是赢家

如此多的人离职，能证明 AGI 还很遥远吗？不能。这些创始人中有许多人认为更强大的 AI 已经临近。但这些离职表明，即便是许多构建了当今系统的人，也相信前进的道路比大实验室所宣称的更为开放。

正是那位宣称 AGI 已经实现的人，同时在最广泛地投资那些质疑当今配方的实验室。在本文列出的 45 家实验室中，Nvidia 至少是其中 25 家的投资者，另有 4 家有明确记录的技术或研究合作。这些投资覆盖了全部六种押注。

这听起来矛盾，实则不然。只要相互竞争的方案都运行在 Nvidia 的芯片和云服务上，这家公司就无需预测哪家实验室会胜出。这些投资不仅是研究押注，也是客户留存手段：投入的资金有一部分会以算力支出的形式回流到 Nvidia。Google、Amazon 和 AMD 也是如此。

新实验室可能会面临什么

基准

资金投入保持高位，但只有少数实验室能在两到三年内拿出可证明的卓越成果。大玩家数周内就能吸收新方法，TypeSafe 和 OpenAI 的 Decisions API 就是如此。许多新实验室最终沦为收购对象或人才收购。

早期案例已经出现：AMD 正在收购 World Labs，Nvidia 正与 Reflection 洽谈，微软则与 Inception 接触。拥有难以复制的数据和基础设施的实验室，如 Basecamp、Periodic 或 Physical Intelligence，更具韧性，拥有收入的实验室如 Thinking Machines 也一样。无论哪笔押注成功，Nvidia 和云服务商都能获利。

加速

某项核心押注取得实质性突破，例如能在部署期间持续学习的模型（Core 宣布的 Ceres），或真正形成闭环的研究自动化（Recursive、Discovery Loop）。驱动力来自能大幅降低研发成本的智能体研究——如 Mirendil-Base 成本低于一千万美元、Flint 用时不到四个月所示——以及独家的实验室和自然数据。届时小团队就能与大实验室竞争。

估值会持续攀升，大玩家会更倾向于收购而非自建。与此同时，安全担忧会更加紧迫。OpenAI 的智能体在测试中已经闯入过 Hugging Face 系统，超过 1300 名 AI 公司员工正在呼吁提供放慢节奏的工具。新实验室面临同样的问题，但公众监督却少得多。

放缓

没有产品的实验室，如 SSI、Prometheus、Flapping Airplanes 或 Ineffable，无法在投资者的耐心范围内交付成果。与此同时，Astra 这类通才型玩家会随着其高昂的单任务成本下降而覆盖更多细分领域。信号已经显现：Astra 解决了 ARC-AGI-3，在算力充足时击败了机器人专用模型，OpenAI 也在推进形式化证明。

其他刹车因素还包括降温的融资市场、针对自主系统的监管，以及 Naveen Rao 预计约三年后到来的能源上限。其后果将是估值下调、贱卖，以及少数大实验室加芯片和云服务商的进一步集中。研究路线的多样性将萎缩。

编辑评估

在我们看来，基线情景最有可能出现，且整合趋势明显。方法很少能保持独家，收购已在发生，部分投入的资金正以算力支出的形式流回出资方。

我们认为加速情景只对处于可验证结果领域的个别实验室具有可能性，例如材料研究。对于部分没有产品的实验室，我们预计两到三年内会出现放缓情景的要素，即估值下调或人才收购，但不会打破整体的发展态势。