种子轮融资做到2亿美元，本身就已经不太符合传统节奏了，更不用说这还是一个成立时间不长、团队规模只有20人的AI公司。
Mirendil最新一轮融资由Andreessen Horowitz与Kleiner Perkins联合领投，英伟达等机构参与跟投。资金规模和参与方结构，基本已经把它放进了“基础研究级AI项目”的融资档位里，而不是应用层创业公司。
但更引人注意的不是钱本身，而是它在做什么。
根据a16z的描述，Mirendil正在构建一个“能够帮助任何人进行AI研发的系统”，核心目标不是单一模型能力，而是训练具备前沿AI研发能力的模型，并围绕其构建一个可持续运转的研发闭环——能够自主循环研究工程问题，减少甚至消除人工干预。
如果把这个概念拆开，其实是在试图做一件更接近“AI研究自动化”的事情。
行业里通常把AI能力分为三层：推理能力、生成能力，以及研究与迭代能力。前两者已经相对成熟，第三层仍然高度依赖人类研究者。Mirendil的设想，是让模型进入第三层——不仅生成结果，还能决定研究方向，并持续优化路径。
这个方向并不新，但实现难度一直很高。
原因很简单：AI在“生成答案”方面已经足够强，但在“提出问题”这一步仍然依赖人类设定目标。所谓自循环系统，本质上是在尝试让模型具备任务分解、假设生成、实验设计、结果评估的完整闭环能力。
换句话说，不只是做工具，而是做“研究员的替代层”。
团队结构也在一定程度上支撑这种定位。20人的核心团队来自Anthropic、xAI、Google DeepMind以及OpenAI，基本覆盖当前最活跃的前沿模型机构。这种人员构成通常意味着两个特点：一是偏基础研究，二是对训练范式本身有较强依赖。
资本之所以愿意在种子轮投入如此规模，很大程度上也是在押注“研发范式变化”，而不是单一产品形态。
过去几年AI创业融资逻辑其实发生了微妙变化。早期阶段更看重应用落地速度，比如聊天助手、内容生成工具。现在则开始向更底层的问题倾斜：模型如何迭代、研究如何自动化、训练流程能否被压缩。
Mirendil的设想，恰好卡在这个转折点上。
但这类系统的现实难点也非常清晰。研究自动化意味着高不确定性输出，而资本市场更习惯可验证路径；模型如果真正进入“自主研究”阶段，数据闭环、评估体系和安全约束都会变得复杂很多。尤其是在涉及前沿模型训练时，计算资源与试错成本都会急剧放大。
NVIDIA参与本轮投资，从侧面也反映出一个趋势：AI基础设施公司正在向上游研究体系渗透。算力不再只是支持训练，而开始参与定义训练方式。
从行业演进角度看，这类项目更像是一次对AI研发流程本身的再设计尝试。如果它成立，影响的不只是单一产品，而是整个“模型如何被创造出来”的链条。
但这类变化不会立刻体现在产品层面。更现实的阶段，是先在小范围研究任务中验证闭环能力，再逐步扩展到复杂工程问题。真正的分界点，不在于模型能不能做研究，而在于它能不能稳定地“持续做正确的研究”。