由前 Anthropic 研究员创办的 AI 实验室 Mirendil 与 Google Cloud 签署了一份多年算力合作协议，价值超过 $1 亿。这笔交易距 Mirendil 完成 $2 亿种子轮融资仅 43 天，而其直接竞争对手 Recursive Superintelligence 在 9 天前（7 月 28 日）刚与 AWS 签下 $4.1 亿算力协议。
两家公司合计锁定了超过 $5.1 亿的云基础设施承诺，但它们都尚未交付任何产品。
Mirendil CEO Behnam Neyshabur 向 TechCrunch 确认了这一金额，并透露协议将同时提供 Google TPU 和 Nvidia GPU，以及托管训练集群。在种子轮公司中，将融资额的一半投入算力极为罕见——这笔 $1 亿+ 的支出大致等于 Mirendil 自种子轮以来的全部非算力运营预算。
RSI 叙事：从学术概念到资本密集型赛道
Mirendil 专攻自改进 AI（recursive self-improvement，RSI）——让 AI 系统能够迭代地改进自身的研究和工程能力。公司的核心产品是一个面向 AI 研发的自动化平台：它像一个能操控自己 GPU 的编程 Agent，可以设计实验、搜索最优参数、评估模型并自动启动下一轮训练。目标用户不是大模型实验室，而是药物发现、材料科学、机器人等领域的科研机构——它们需要前沿模型但缺乏 ML 工程团队。
a16z 合伙人 Matt Bornstein 在投资公告中将这个逻辑说得直白：前沿 AI 工作被锁在少数几个大实验室里，它们有动力把工具留给自己用。"结构上，必须有一家独立公司来做这件事。"
这个结构性缺口确实存在。Anthropic 在今年 5 月发布的 RSI 研究报告中披露，公司超过 80% 的生产代码已由 Claude 生成，工程师人均代码产出是 2021-2025 年基线的 8 倍；在特定优化任务上，Claude Mythos Preview 实现了约 52 倍的加速，而熟练人类研究员完成同等目标需要 4 到 8 小时。但 Anthropic 的使用条款禁止用户利用其模型开发竞品，这一壁垒正是 Mirendil 商业模式的前提。
三家 RSI 公司，三条路线
Mirendil 不是孤例。2025 年末以来，至少三家以递归自改进为核心叙事的 AI 公司拿到了巨额融资：
Recursive Superintelligence（2026 年 5 月出隐身，$6.5 亿融资，$46.5 亿估值）：由 Richard Socher（前 Salesforce 首席科学家）创办，Peter Norvig 参与。方向是自动化科学方法——AI 提出实验、执行、验证结果、决定下一步。首批公开结果显示其系统在 NanoChat、NanoGPT Speedrun 等基准上超越了两年的人类排行榜纪录。7 月 28 日签下 AWS $4.1 亿协议，Socher 称这"很可能是未来几年最小的算力交易"。Recursive 预计 10 月发布首批可用产品。
Ricursive Intelligence（2025 年 12 月 $3500 万种子轮，估值 $7.5 亿；后完成 $3.35 亿 A 轮）：由 AlphaChip 创造者 Anna Goldie 和 Azalia Mirhoseini 创办，专注芯片设计的自改进循环——AI 设计硅芯片，芯片又驱动下一代 AI。投资方包括 Sequoia、Lightspeed、DST 和 NVentures。
Mirendil（2026 年 6 月 $2 亿种子轮，$10 亿估值）：定位是"研究自动化基础设施层"，可以支撑上述两类公司的底层研发。团队仅约 20 人，来自 Anthropic、xAI、Google DeepMind 和 OpenAI。CTO Harsh Mehta 在 Anthropic 时期以一人之力搭建了公司的内部 AI 研究平台——现在他在为外部重建这套系统。
三条路线的共同点：团队高度精英化、估值巨大、产品为零。
Google Cloud 的差异化路径：混合芯片灵活性
Mirendil 选择 Google Cloud 而非 AWS 或 Azure，核心原因在于 TPU + GPU 的混合架构。Mehta 在采访中解释，自改进 AI 的负载高度异构——不同阶段的训练和推理适合不同芯片，"将正确的工作负载匹配到正确的芯片上"能够同时降低 Mirendil 自身及其客户的成本。
Google 的 AI 基础设施 SVP Amin Vahdat 也强调了这一差异化：AI 进步"不再仅仅是芯片级性能的问题，而是如何编排整个智能系统"。这番话指向一个现实——在 AWS 拥有 Trainium、Azure 绑定 OpenAI 的格局下，Google Cloud 正以"芯片组合灵活性"为卖点争夺新一代 AI 实验室客户。
从定价看，Google Cloud TPU 在 AI 训练负载上通常比 AWS 和 Azure 同类 GPU 实例便宜 5-10%。但对 Mirendil 这类客户来说，纯价格可能不是首要考量——Google Cloud 需要一个战略性合作伙伴来验证其 TPU 生态在 RSI 负载上的适用性，Mirendil 则需要未来可能扩展的算力容量。Sundar Pichai 今年曾向投资者坦承，Google Cloud 收入本可以更高，"如果我们有更多算力的话"。
泡沫还是前置投入：$5 亿云承诺的可持续性
一个种子轮公司把一半融资花在云算力上，这在 SaaS 时代闻所未闻，但在 RSI 赛道正在成为模板。Recursive 的 Socher 直说："对我们来说，重要的不是员工数量，而是 Agent 数量。"
但这种模式的脆弱性同样明显。RSI 作为概念至今缺乏统一定义。Georgetown CSET 去年组织专家研究 RSI 时发现分歧巨大——有人预测即将出现"超级智能"式爆发，有人预期缓慢进展并最终触达平台期。Google CEO Sundar Pichai 在 5 月的播客中也承认："在人们描述的那个意义上的 RSI，会代表一个全新的加速层级并带来大量影响，但我们还没到那一步。"
METR 的 Ajeya Cotra 提出的框架将 AI 自动化研究分为三个阶段：adequacy（无人参与时仍能产出研究）、parity（纯 AI 系统与纯人类系统持平）、supremacy（纯 AI 超越人机协作）。Cotra 认为 AI 已经非常接近 adequacy，但 parity 的时间线仍不确定——而一旦达到 parity，"将在一年内进入 supremacy"。
Mirendil 的种子投资方显然在赌这个时间窗口很短。但值得注意的反面事实是：Recursive 已经展示了公开基准测试结果，并预计 10 月交付产品；Ricursive 有 AlphaChip 的学术成果作为技术溯源；而 Mirendil 除了团队履历和 a16z 的背书，公开信息中最具体的只有 Neyshabur 提到的阿尔茨海默病风险预测模型——这仍是一个愿景性的用例描述。
Mehta 曾在 Anthropic 以一人之力搭建了内部 AI 研究平台，证明了技术上可行。但在 Anthropic 内部，这个平台运行在一个拥有数万员工的顶级实验室之上，使用着 Anthropic 自己的前沿模型、数据管线、评估体系和算力基础设施。在独立公司重建同等水平的产品并对外交付，是另一回事。
真正的赌注是什么
Mirendil 这笔交易揭示的不仅是 RSI 赛道的升温，而是一种新的资本形成模式：云厂商正在通过基础设施承诺而非股权，成为 AI 叙事的实际承销商。Google 不需要持有 Mirendil 的股份——只要 Mirendil 在它的芯片上跑通 RSI，Google 就赢了两次：一次是算力收入，一次是 TPU 生态在 RSI 负载上的验证。
但如果 RSI 的技术拐点比投资人预期更远——即 Anthropic 所说的"判断力缺口"迟迟无法闭合，AI 在设定研究方向上的能力远落后于执行能力——那么今天这些将半数融资转化为算力承诺的交易，可能成为 AI 泡沫中最先暴露的薄弱环节。
一个可观察的检验节点是 2026 年 10 月：Recursive Superintelligence 承诺届时发布首批可用的 RSI 产品。如果兑现，将为整个赛道提供第一个技术可验证性锚点。如果跳票，今天的云算力狂欢将需要更扎实的叙事来支撑。
