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。这份多年协议的金额超过种子轮融资额的一半，显示出公司的算力需求。但协议承诺不等于当期现金支出，也不能据此倒推出非算力运营预算。
Mirendil 想把实验室内部的 AI 研究工具提供给外部用户
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。公司正在开发一个面向 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。"
大型实验室的内部进展，说明了这类工具的潜在用途。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，这类限制为 Mirendil 提供了独立开发研究平台的商业理由。
三家自改进 AI 公司分别押注科研自动化、芯片设计和研究平台
Mirendil 不是孤例。2025 年末以来，至少三家以递归自改进为主要方向的 AI 公司获得了大额融资：
Recursive Superintelligence（2026 年 5 月公开亮相，$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）：计划提供研究自动化平台，希望服务需要开展 AI 研发的外部团队。团队仅约 20 人，来自 Anthropic、xAI、Google DeepMind 和 OpenAI。据 a16z 介绍，CTO Harsh Mehta 在 Anthropic 时期独自启动了内部 AI 研究平台的首个版本，随后参与公司内的推广。现在，他希望把类似能力提供给外部用户。
三家公司都依靠研究团队履历获得了高估值，但公开成果与可用商业产品之间仍有距离。
Google Cloud 同时提供 TPU 和 GPU，匹配不同训练与推理任务
Mirendil 选择 Google Cloud 而非 AWS 或 Azure，一个主要考量是能够同时使用 TPU 和 GPU。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 基础设施高级副总裁 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"。在 AWS 拥有 Trainium、Azure 与 OpenAI 深度合作的格局下，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。
相关报道给出的训练成本比较是，Google Cloud TPU 比 AWS 和 Azure 同类 GPU 实例低 5-10%；具体差异仍取决于任务和配置。但对 Mirendil 这类客户来说，纯价格可能不是首要考量——这项合作可以帮助 Google Cloud 验证 TPU 对自改进 AI 任务的适用性，也为 Mirendil 预留未来扩展所需的算力。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"。
超过 5 亿美元的算力承诺，需要产品和研究进展支撑
这些公司在产品交付前就作出大额算力承诺，未来的研究进度和融资能力因此更为重要。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 的种子投资方看好这类研究在较短时间内取得进展。但三家公司目前公开的技术证据并不相同：Recursive 已经展示了公开基准测试结果，并预计 10 月交付产品；Ricursive 的创始人在 AlphaChip 项目中已有相关研究积累；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 在 Anthropic 构建首版内部平台的经历，提供了相关技术经验。但内部平台能够使用实验室已有的前沿模型、数据处理流程、评估体系和算力设施。独立公司需要重新组织这些资源，还要适应外部客户的不同环境，不能直接照搬内部成果。
云厂商获得长期客户，初创公司承担技术进展不及预期的风险
Mirendil 这笔交易也说明，云厂商可以通过多年算力协议建立与新实验室的长期商业联系。如果 Mirendil 的产品取得进展，Google 既能获得算力收入，也能展示 TPU 对这类任务的支持能力。这是合作的潜在回报，仍取决于实际用量和技术结果。
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——那么这些大额多年承诺就可能给尚未形成产品收入的公司带来持续资金压力。
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，外界就能在已有基准结果之外检验产品的实际用途。如果延期，投资者和云合作方则需要重新评估交付进度与算力投入是否匹配。
