硅谷新物种：深入解析“AI Neolab”现象

2026年，AI领域出现了一个令人瞩目的新物种——AI Neolab（AI新实验室）。它们没有产品，甚至没有收入，却在种子轮就获得数十亿美元的估值。这并非泡沫，而是一场关于AI未来的基础研究豪赌。本文将深入剖析这一现象，带你看懂Neolab是什么、在做什么，以及为什么值得关注。

1 什么是AI Neolab：一场资本与顶尖大脑的“反叛”

简单来说，AI Neolab可以理解为一批从OpenAI、Google DeepMind等AI巨头出走的最顶尖科学家，获得巨额资本支持后成立的独立研究机构。

“Neolab”这个名字本身就包含了它的核心特质：

• “Neo”（新）：它们代表了一种全新的组织模式和研究路径。不同于追求产品迭代和市场份额的科技巨头，Neolab押注的是3到5年后可能重塑整个行业底层逻辑的范式突破。
• “Lab”（实验室）：它们更接近纯粹的“研究实验室”，而非“公司”。其首要目标不是开发商业产品，而是探索那些高风险、长周期、但可能具有颠覆性的AI前沿方向。

这个模式的核心机制是：资本充当了一个巨大的缓冲器，让这些由顶尖天才组成的团队无需为短期营收和产品压力所困，从而可以心无旁骛地专注于最具挑战性的基础研究。因此，许多Neolab在成立早期阶段几乎没有收入，团队规模小而精，其估值建立在创始团队的履历和颠覆性愿景之上。

Neolab的兴起也标志着AI行业正在分化：一边是追求短期商业化的“应用层”，另一边则是豪赌未来的“基础研究层”。应用层的今天再成功，跑的也是现有技术范式的红利；而Neolab层一旦有哪家公司在通用人工智能、具身智能或世界模型上取得突破，整个应用层的游戏规则都将被改写。

2 逐鹿六大前沿：Neolab的研究版图

Neolab的探索方向五花八门，几乎覆盖了AI的各个前沿。根据目前的研究布局，可以归纳为六大主线：

① 机器人（具身智能） 这是目前最“重”也最受资本追捧的赛道之一。多家头部Neolab正从不同路径攻占这一领域：

• Roze：由孙正义主导，目标是整合软银收购的芯片、机器人资产，用机器人来建造AI数据中心。
• Project Prometheus：由贝佐斯亲自下场，方向是让机器人在制造、物流等“物理经济”中规模化部署。
• Skild AI：由CMU教授创立，思路是做“通用机器人基础模型”，让机器人像大语言模型一样，具备跨任务迁移的学习能力。
• Physical Intelligence：由斯坦福和Google的研究员团队创立，核心是结合“具身智能”与强化学习，让AI真正理解并操控物理世界。

② 前沿通用智能架构 这条线汇聚了最多“明星”，创始团队大多来自OpenAI的核心层。

• Thinking Machines Lab：由前OpenAI CTO Mira Murati创立，估值高达500亿美元。他们的目标是探索“可解释的群体智能”与“符号-概率混合架构”，即让大量轻量级模型像工作流一样协同，实现可审计、可验证的多智能体合作。
• Safe Superintelligence (SSI)：由前OpenAI首席科学家Ilya Sutskever创立。其使命极其纯粹——“开发安全可控的超级智能”，只做对齐研究，不做任何商业化产品。
• Reflection AI：由前DeepMind核心成员创立，走的是开源路线，目标是打造自主编码智能体，并最终扩展到通用推理。

③ AI for Science（科学发现） 利用AI来加速基础科学发现，是Neolab另一个雄心勃勃的方向。

• Periodic Labs：由OpenAI和DeepMind的前高管联手创立，目标是打造“AI科学家”，实现从模拟、设计到实验验证的全自动化科研闭环，其首要任务是寻找低能耗超导材料。
• 一个典型的成功案例是多伦多大学的LUMI-lab（虽非商业Neolab，但模式极具代表性）。该实验室利用AI驱动的全自动实验平台，在仅进行了十轮实验后，就自主发现了一种能显著提升mRNA肺部递送效率的新型脂质分子，甚至找到了人类专家从未想过的“溴化修饰”设计秘诀。这展示了“AI+机器人”在数据稀疏领域进行科学发现的巨大潜力。

④ 世界模型 由“AI教母”李飞飞创立的World Labs是目前这条赛道的旗帜，旨在构建能够理解、模拟和交互物理世界的大规模世界模型。

⑤ Agent、数学、视频、语音、算力等细分方向

• Humans&：由前xAI研究员创立，致力于打造具有“情感智能”的AI，让AI能理解情绪、进行长期价值权衡。
• Isara：由OpenAI前安全研究员创立，目标是构建一个由上千个AI智能体组成的“多智能体数字社会”，模拟公司间的分工与协作。
• Inception Labs：由斯坦福学者创立，聚焦“具身智能”与“长期学习系统”，已推出高效的Mercury系列扩散语言模型。
• Core Automation：由前OpenAI强化学习负责人Jerry Tworek创办，试图用极少的训练数据实现AI的“持续学习”，即模型能在部署后不断从现实经验中自我改进。

⑥ AI for Science的产业化（中国力量） 作为中国AI4S（AI for Science）产业化的代表，字节跳动的AI制药业务线已拆分并独立融资，成立了Anew Labs。

• 技术栈：Anew Labs已构建了完整的AI制药技术栈，包括分子结构预测模型Protenix、蛋白设计工具PXDesign等。
• 关键突破：其研发平台已进入管线验证阶段。2026年4月，Anew Labs首次披露了其IL-17小分子项目，该分子能同时阻断与银屑病、强直性脊柱炎相关的三个关键二聚体，这是全球首次在该靶点上实现用小分子的精准阻断，标志着其AI制药能力已接近临床应用。

3 从“模型”到“智能体”：技术路径的分化与代码示例

在Neolab内部，也存在着不同的技术哲学与商业路径。其中最主要的两种模式是 “模型实验室” 和 “智能体实验室” 。

3.1 两种路径的核心区别

3.2 Agent Labs的实践：以Mind Lab为例

作为中国第一家Neolab，Mind Lab是Agent Labs路径的典型代表。其开源的Macaron-V1-Preview模型，专为“Agent Harness”场景进行深度后训练，其技术思路颇具启发性。

核心技术创新：基于LoRA的高效持续学习

传统大模型每次更新都需完整重训，成本极高。Mind Lab在万亿参数规模上率先实现了基于**LoRA（低秩自适应）**的强化学习，把全尺寸模型的能力更新成本降低到不足同行的1%。其架构可以理解为：

基础模型 (GLM-5.1, 749B参数)
       │
       ▼
┌──────────────────────────────────────────────────┐
│           持续学习与适配层 (Mixture-of-LoRA)       │
├──────────┬──────────┬──────────┬──────────┬───────┤
│ 生活任务  │ 工具调用  │ UI生成   │ 代码任务  │ ...  │  ← 每个领域有独立的轻量级LoRA适配器
│ LoRA模块  │ LoRA模块 │ LoRA模块 │ LoRA模块 │      │
└──────────┴──────────┴──────────┴──────────┴───────┘
       │
       ▼
┌──────────────────────────────────────────────────┐
│           Agent Harness 运行时环境                │
│  (任务规划、工具调用、记忆管理、动态UI交互)        │
└──────────────────────────────────────────────────┘

代码层面的启示：后训练与强化学习

Macaron模型的后训练过程直接嵌入了Agent Harness环境进行协同优化。这可以通过一个简化的伪代码来理解其思想：

# 简化的Agent后训练循环 (示意代码)
class AgentHarnessTrainer:
    def __init__(self, base_model, environment_tasks):
        self.model = base_model  # 基础模型
        self.tasks = environment_tasks  # 模拟真实世界的任务集
        self.lora_adapters = {}  # 为不同领域准备的LoRA模块
        
    def train_iteration(self):
        for task in self.tasks:
            # 1. 在模拟环境中，Agent利用当前模型和工具执行任务
            trajectory, reward = self.run_agent_in_environment(task)
            
            # 2. 根据任务执行结果（成功/失败/用户反馈）计算奖励信号
            #    这里的奖励函数设计是后训练成功的关键
            reward_signal = self.compute_reward(trajectory, reward)
            
            # 3. 利用强化学习（如PPO）更新对应领域的LoRA模块
            #    而非更新整个大模型，从而极大降低成本
            self.update_lora_adapter(task.domain, trajectory, reward_signal)
            
            # 4. 模型在下次执行类似任务时会变得更“聪明”

这个架构展示了Agent Labs的核心竞争力：将系统工程（任务环境、工具链、交互界面）与高效的模型微调技术（LoRA）深度整合，构建了一个能从真实反馈中持续进化的AI系统。而无需每次都重训整个千亿参数模型。