中国NeoLab时刻：EverMind用3篇论文，交出全栈自进化首份答卷

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 中国NeoLab时刻：EverMind用3篇论文，交出全栈自进化首份答卷 Jay 2026-08-08 15:56:09 来源： 量子位 允中 发自 凹非寺 量子位 | 公众号 QbitAI 2026年夏天，注定是 自进化AI 的历史一刻。 当海外NeoLab还忙于靠叙事拿下数亿美元融资时，一家中国团队用连续三篇论文，交出了自进化AI领域 第一份 全栈答案。 它就是 EverMind ，由盛大集团孵化，延袭当年创新院研究基因。 其实回顾中国互联网史，盛大创新院的存在几乎算得上 「异类」 。 2008年，陈天桥在盛大集团内部创立该机构，其定位不是做产品、也不追KPI，就是纯粹地探索技术前沿。 这在那个流量为王、变现至上的互联网时代，其实是一种极为罕见的企业内研究文化。 彼时，这种模式在中国企业界几乎是开创性的。 十余年后，时代的底色已经从互联网切换到了AI。 而盛大集团的战略布局，也已经集中到更为前沿的脑科学和人工智能方向—— 近三年来， 盛大All in AI ，在原有风险投资体系基础上，通过内部孵化机制在全球范围内广泛吸引顶尖AI人才，陆续孵化出多支专注于不同AI方向的研究型团队。 EverMind，正是其中一支。 如果说盛大创新院开创了中国企业内研究型组织的先河，那么EverMind的出现，则是这一基因在AI时代的延续与升华。 也正因如此，这支团队从一开始便选择了一条在商业上看似“最难”、在技术上却“最根本”的路： 解决AI的长期记忆问题，并在此基础上，探索AI的自进化之路。 放至2026年的AI版图上，这个模式有了一个更为响亮的名字—— NeoLab （新一代AI实验室）。 海外团队纷纷下注，NeoLab浪潮狂飙 NeoLab 这个词，最早是被用来描述那批从OpenAI、Google DeepMind、Meta等顶级AI机构出走、押注前沿技术方向独立创业的研究型团队。 他们的共同特征是： 面向下一代AI技术、研究驱动和长期主义。 2026年，这股浪潮已经汹涌到了无法忽视的程度： 比如，前Salesforce首席科学家Richard Socher与前Meta FAIR科学家总监田渊栋联合创立的 Recursive Superintelligence （RSI）。 其在团队不足30人、尚无任何产品的情况下，拿到了6.5亿美元融资，估值高达46.5亿美元，并随即与AWS签署了4.1亿美元的多年算力合作协议。 DeepMind的AlphaGo之父David Silver带着 Ineffable Intelligence 以51亿美元估值杀入战局。 Engram 以6亿美元估值完成了9800万美元A轮融资， Adaption Labs 以10亿美元估值拿到了5000万美元种子轮， Core Automation 的估值目标直指40亿美元…… 这些团队押注的核心命题，都指向同一个方向： 如何让AI在部署后不再是一成不变的静物，而是能够通过自我迭代实现持续进化 。 这个方向，在学术上被称为 递归自我改进 （Recursive Self-Improvement），在产业上被称为 自进化AI （Self-Evolving AI）。 然而，当我们仔细审视这些估值惊人的NeoLab时，会发现他们大多仍停留在单点突破的理论探索阶段： RSI：初步分享了先进的理念和路线设计，但尚未公布具体方案或成果； Engram：专注于参数化权重记忆，但缺乏脚手架层的灵活进化机制； Adaption Labs：主攻推理时适应，但没有长期技能沉淀体系； Core Automation：方向最为接近，但也还没有公开的论文和开源生态。 就在海外团队还在各自的细分领域摸索时，EverMind悄然完成了一件令人瞩目的事： 连续发布三篇重量级论文，从 技能层 、 脚手架层 到 模型权重层 ，系统性地给出了一套完整的自进化AI技术答案。 一次对话，两个入口：当RSI遇上EverMind 在深入这三篇论文之前，有一个细节值得单独记录。 今年四月，EverMind主办了一场名为 “记忆起源” （Memory Origins）的Hackathon活动。 在这场活动上，出现了一位特别的嘉宾——Recursive Superintelligence（RSI）的联合创始人之一， 田渊栋 。 田渊栋在活动上分享了他对AI记忆工作的深度理解，而彼时RSI融资的相关进展尚未披露。 在活动结束后，田渊栋与EverMind负责人 邓亚峰 共同接受了「硅谷创见汇」播客的采访，两人就AI行业的发展走向和记忆相关技术的前景进行了深入对谈。 在这次对话中，邓亚峰提出了一个核心判断，也透露了EverMind技术战略的脉络： 从长期记忆，结合持续学习，走向自我进化是下一代AI的核心技术路线。 这句话值得细细品味。 记忆，是Agent积累经验的 载体 ；自进化，是把经验转化为能力跃升的 路径 。 没有高质量的记忆，自进化就是无源之水；没有自进化作为目标，记忆就只是一个越来越大的档案馆。 EverMind从EverOS（记忆操作系统）到Raven（自进化Agent框架），再到三篇自进化论文所构建的完整技术栈，正是这一判断的系统性实践。 田渊栋与邓亚峰在同一个舞台上的相遇，某种程度上也是一个隐喻： 当海外最顶尖的自进化研究者，与中国最具研究深度的记忆AI团队相遇，他们发现彼此正在从不同的入口，攀登同一座山峰。 为什么「自进化」重要且难？ 在深入EverMind的技术细节之前，还需想清楚一件事： 为什么“让AI自我进化”既是必答题，又是一道难题。 传统大语言模型一旦完成训练并部署，能力就被冻结了，不再随使用而增长。可人类智能最迷人的地方恰恰相反——每一次交流、每一次思考，我们都在悄然进化。 下一代AI 也理应如此：能够通过持续学习不断变得更聪明，而不是停在出厂那一刻。 而且这条路正在变得现实。 随着大模型能力的跃升，越来越多的案例表明， “AI自主改进AI” 已经从设想走向可行，在某些环节甚至开始超越人类专家。 一旦AI能够稳定地自我改进，随之而来的很可能是一场生产力的跃迁。 但要真正做到这一点并不容易。业界通常有三条路径，每一条都横着一道难关。 脚手架 （Harness） 的自我改进 ，是第一道关卡。 一个Agent的实际表现，不仅取决于模型本身，更取决于包裹在模型外围的 「脚手架」 ——提示词、注入的知识、运行时控制逻辑等。 让模型自己修改这些代码看似简单，真正的难点却在于如何避免过拟合：模型自我生成的反馈往往充满噪声，一个看似有效的修改，可能只是针对特定测试集的过拟合，换个场景就会导致 灾难性崩溃 。 技能 （Skills） 的规模化管理 ，是第二道关卡。 当Agent把成功经验固化为可复用的技能文件，技能数量会爆炸式增长，那么如何管理这些碎片化、冗余、质量参差不齐的技能？又如何在一个数十万量级的技能库中，精准检索出当前任务真正需要的那几个？