10 月 17 日，《科创板日报》报道了一家成立刚满五个月的上海公司：元环智能（MetaCircle）宣布完成种子轮与种子加轮累计数亿元的融资，种子轮由顺为资本领投，上海未来产业基金、星连资本跟投；种子加轮又有上海半导体产投、360 战投、百度风投、山行资本等进入。公司创始人刘子鸣 1998 年生，本科毕业于北京大学物理系，博士毕业于麻省理工学院，现任清华大学人工智能学院助理教授。它做的事有个直白的名字：AI4AI——用 AI 来设计 AI 模型。巧的是，两天前 arXiv 刚挂出一篇 35B 参数的 MLExpert 论文，做的正是同一件事的搜索式路线。论文与资本，这一周在同一条路上会师了。
元模型：把「无效试错」变成「提前预测」
元环的产品叫「元模型」，思路是从模型研发里昂贵的无效试错切入。开发者面对具体任务，要选模型结构、训练配置和数据方案，再用实验检验效果；元模型要学习的是模型结构、训练配置、数据特征与真实训练曲线之间的关系，从而在实验之前预测不同方案的表现。刘子鸣对《科创板日报》的判断很清醒：语言模型之外，科学发现、物理世界建模以及 AI 模型自身的设计，还需要不同形式的建模与推理能力，元环希望从模型训练和运行的规律入手，给开发者提供设计模型的辅助能力。商业路径上，公司先从时间序列等边界明确的任务切入，为工业检测、气象、电力、金融量化等场景设计专用预测模型，先在具体任务里验证可行性与实际价值，再逐步拓宽——通用元模型 1.0 的计划时间是 2027 年。
论文侧的同周会师：MLExpert
arXiv 2610.22344（10 月 15 日提交，十位作者，InternScience 团队，代码与模型权重已开源）给出了 AI4AI 的另一条路线：不预测，直接跑。MLExpert 是一个 35B 的 MoE agentic 模型，配两套基础设施——Kaggle-MLE Factory 把历史 Kaggle 竞赛标准化成可执行任务（多智能体管道负责筛赛事、抽数据结构、切分与校验），交互 harness 让模型以 ReAct 模式自导实验，实验状态存进解法节点树，可以回溯、对比、换向。训练分两段：层级 agentic SFT 先迁移通用工具与代码能力，再用 Windowed Interaction RL 把两次实验结果之间的多轮决策当成一个执行窗口、共享一份结果奖励，异步采集加策略纠正确保轨迹没跑完就能更新。成绩：MLE-Bench Lite 上平均奖牌率从基座的 37.9% 提到 72.7%，与 Kimi-K3、GLM-5.3 等更大的前沿模型可比，且能力外溢到 NatureBench Lite、智能体脚手架优化与算法优化任务。
三条路线，一张账单
把这一周的素材和站点旧账摆在一起，AI4AI 的路线图就清楚了。预测式是元环的赌注：先把「什么方案能成」算出来，少花试错的钱。搜索式是 MLExpert 和 Athanor（本站 2005）的路线：智能体自己连轴跑实验，用算力换时间——Athanor 那张 1.18 万美元的账单说明，搜索式的单次成本已经压到一辆二手车的价钱。数据侧则是 AutoSFT（本站 1993）的角色：多智能体分工做 SFT 数据研究，每个组件的贡献可以单独结账。三条路线切的位置不同，共同指向都是让 AI 更多参与模型设计、实验与优化。资本在给不止一条下注：海外 Recursive Superintelligence 据报道融资 6.5 亿美元，国内超衍智能成立数月完成近 4 亿元融资，元环是这条线上的新案例。
资本在问什么，论文还没答什么
《科创板日报》的行业观察点得很准：这些公司切入方式并不完全相同，如何把研究能力转化为可复用的工具和可交付的产品，是这个方向要回答的问题。落到元环身上，几处风险摆在明面：其一，「累计数亿元」是两家轮次加总的口径，具体金额、估值与投资条款均未披露；其二，预测式与搜索式哪条路线更优，目前没有公平对战的证据，元模型押注的「提前预测」在快速变化的模型家族上未必稳定；其三，时间序列专用模型是窄场景，工业检测、气象、电力、金融量化各自的验收标准差异很大，「边界明确」不等于「容易交付」；其四，通用元模型 1.0 的计划在 2027——中间隔着两年的执行风险，中间产品怎么养活团队，是比融资数字更硬的题目。
站点这条线的旧账可以一并翻：2011 量过智能体进实验室的三层体温（执行层过关、判断层未过线），2005 记过 Athanor 的 104 小时自主后训练，1993 拆过 AutoSFT 的数据研究，1980 是科研流水线开源。元环这一课的位置很清楚：它赌的是执行层之上再加一层——如果元模型的预测真的准，智能体做研究的账单还能再薄一圈。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。