三个月估值五倍跳：前Anthropic研究员的递归自改进AI公司Mirendil谈判50亿美元融资

据彭博社2026年9月23日报道，AI初创公司Mirendil正在谈判以50亿美元估值完成最高10亿美元新一轮融资，Kleiner Perkins有望领投，Andreessen Horowitz同步参与讨论。这距该公司三个月前以10亿美元估值完成2亿美元种子轮，估值在一个季度内飙升五倍。

Mirendil由前Anthropic研究员Behnam Neyshabur（CEO）和Harsh Mehta（CTO）于2025年12月离开Anthropic后联合创立。两人最初在2019年相识于Google，后于2024年底共同加入Anthropic。Neyshabur在Anthropic担任AI推理团队联席主任，此前在Google DeepMind有超过五年经验；Mehta在Anthropic担任高级研究科学家。创始团队还包括来自Elon Musk旗下xAI的早期成员Shayan Salehian，以及MIT毕业生、OpenAI前实习生Tara Rezaei。目前公司员工逾20人，两家机构——Kleiner Perkins与a16z——同时参与了种子轮与本轮谈判。

递归自改进：一个需要拆解的技术命题

Mirendil的核心技术路径，公司自称为“递归自改进”（recursive self-improvement）。传统AI研发流程中，模型的每一次迭代都依赖大量人工——人类研究员设计架构、标注数据、调整目标函数、评估效果，再决定下一步方向。这个闭环的每一个环节都有人在场。

递归自改进的设想是让AI系统介入这个闭环本身：AI不仅被用于处理下游任务，更被用于帮助研究人员设计和训练下一代模型。如果这个路径成立，每一轮迭代所需的人力投入将递减，而每一轮的产出可以再次反哺下一轮训练，形成正反馈。Neyshabur在接受媒体采访时的描述更具体：“我们做的是让科学家借助AI的帮助来构建自己的AI，而不仅仅是用AI来辅助科学。”

Mirendil官网的表述提供了更清晰的商业语境：“今天，任何试图将AI用于药物发现、化学、生物学或机器人技术的实验室，都必须同时成为一个前沿AI实验室——这个过程代价高昂，且所需专业知识集中在少数几个实验室手中。我们的目标是让前沿AI研发民主化，使其得到广泛普及。”换言之，公司的商业逻辑并非替代OpenAI或Anthropic，而是把原本只有顶级AI实验室才能做的事情，变成一个可以被制药公司、大学、工业实验室使用的工具平台。

50亿美元押注的真正含义

单看数字，50亿美元对一家成立不足一年、尚无公开模型的公司来说是个惊人数字。但这笔估值更值得分析的是它所代表的投资逻辑转变。

种子轮的2亿美元，在彭博社原报道中被称为“AI初创公司有史以来宣布的最大种子融资之一”，这本身就说明投资者一开始押注的就不是近期收益，而是技术方向的长期胜算。三个月后再以五倍估值谈新一轮，意味着Kleiner Perkins和a16z在这段时间内对技术路径的判断没有发生根本性动摇——两家机构均在两轮中持续参与，并非仅仅是“新进入者拉高估值”的逻辑。

彭博社的报道将Mirendil与另一批“新生代实验室”（neo-labs）并列：这类公司的共同特征是优先进行高风险研究而非短期商业化，包括OpenAI前首席技术官创立的Thinking Machines Lab、专注科学发现的Periodic Labs。这一标签本身揭示了当前融资市场的一个结构性特征：在大型AI公司（Anthropic、OpenAI、Google DeepMind）之外，一批顶级研究人员正在以建立实验室而非加入企业的方式，寻求对研究方向的更大控制权。投资者愿意用高估值为这种控制权溢价买单。

谁会被这件事直接影响

对Anthropic、Google DeepMind这样的原雇主而言，Mirendil的崛起首先是人才流失问题的具象化。Neyshabur和Mehta不是在跳槽去竞争对手，他们是在创造新的竞争格局。更微妙的是，两人的离职时间点——2025年12月，紧随Claude Opus 4.5发布之后——意味着他们在大公司完成了阶段性技术积累后选择出走，这对于任何依赖内部人才护城河的AI实验室都构成结构性压力。

对制药公司、材料科学实验室、工业研发机构而言，如果Mirendil的商业承诺成立，这意味着一件此前做不到的事情变得可行：以合理成本训练和迭代一个针对自身领域深度优化的专有模型，而不必在基础模型研究上与顶级AI实验室竞争。这是Mirendil最有差异化价值的叙事，也是它与OpenAI、Anthropic竞争避开正面冲突的策略所在。

对AI安全研究界而言，递归自改进方向引发的担忧则是另一个维度的问题。让AI系统参与自身的改进闭环，意味着需要回答一个更难的问题：当模型在每次迭代中都可能调整自身的目标表达方式时，原始的对齐约束能否在这个过程中保持稳定？这不是一个可以通过单次评测验证的问题，而是需要在动态迭代的系统中持续追踪行为一致性。这正是当前AI安全研究的核心技术挑战之一，也是资本与安全界对Mirendil路径反应两极分化的根本原因。

对照与先例

递归自改进并非Mirendil的发明。OpenAI的AlphaCode等代码生成系统已经在特定任务上展示过AI辅助AI研发的局部形态；更早的理论讨论（如I.J. Good在1965年提出的“智能爆炸”概念）也预见过这一路径的潜力与风险。但从研究概念到资本大规模押注的实验室，Mirendil代表的是一个量级跳跃：两亿美元种子轮，据报道是AI初创公司史上最大种子融资之一，这意味着这个方向的资本密度已经从理论讨论阶段进入工程化落地阶段。

在同类neo-labs中，Thinking Machines Lab凭借OpenAI前CTO的背景获得了市场关注，但其公开信息尚不足以与Mirendil做横向技术对比。当前可以确认的分野在于，Mirendil明确将科学研究加速（药物发现、材料科学、生物学）作为应用场景，这与大多数通用助手方向的neo-labs形成了明显的定位差异。

接下来最关键的信号

Mirendil计划于2027年初推出首款面向工程与研究的前沿模型，这是验证其技术路径最直接的节点。届时需要关注的核心问题并非模型的绝对性能排名，而是：这款模型是否真的能被没有大规模AI团队的机构（如一所大学或一家中型制药公司）部署并在其领域内持续迭代？如果可以，递归自改进的商业承诺才算第一次得到可验证的支撑。

另一个需要追踪的信号是AI安全社区的技术回应。自改进系统的对齐稳定性目前没有公认的评测标准，Mirendil如何在公开层面处理这个问题——是主动发布对齐评估方法，还是将其视为内部研究不对外披露——将直接影响监管机构和主流企业客户的采纳意愿。

本轮融资若顺利完成，Mirendil将在成立不足一年内累计融资逾12亿美元，估值超越绝大多数传统软件公司。但在它还没有发布任何公开模型的阶段，这笔钱买到的是一个技术假设，而非一个已验证的产品。这两者之间的距离，将在2027年初的首模发布时首次缩短。