团队

既能做实验，也能训模型

科学与前沿 AI 研究出身的团队：把科学问题、数据与实验反馈，接进同一条发现链路。

01
科学定义

从真实的未知出发，把问题转化为可研究、可验证的形式。
02
模型训练

围绕 DFM 的能力定义，让模型在科学任务与真实反馈中学习。
03
真实执行

调用工具、数据与实验环境，让判断接受现实检验。
04
持续改进

把每一次结果沉淀为下一次发现的起点。

创始团队

吴英成Yingcheng Wu

联合创始人 · CEO

斯坦福大学 AI 博士后 · 复旦大学

科学背景出身，现在斯坦福从事 AI for Science 研究，方向包括生物医学世界模型与自主实验室，以共同第一作者身份在 Cell、Nature、Science 发表工作。关注如何让真实的科学问题、实验数据与验证条件进入下一代智能系统。
- AI for 生命科学与生物医学
- 科学数据与实验反馈
- 肿瘤微环境与免疫图谱
个人主页 ↗Google Scholar ↗
尹榛菲Zhenfei Yin

联合创始人 · President

牛津大学博士后 · 悉尼大学博士

牛津大学博士后研究员，博士毕业于悉尼大学；此前是上海人工智能实验室研究员，读博前在商汤科技 AGI 团队工作。研究方向是用基础模型构建能在物理世界与虚拟世界中行动的智能体，覆盖多模态推理、具身智能、多智能体系统，以及面向自动化科学发现的 AI Scientist 系统，代表工作包括开源多智能体机器人框架 MARS。
- 多模态推理
- 具身智能
- 多智能体系统
- AI Scientist 与自动化科学发现
- 开源系统与基准
个人主页 ↗Google Scholar ↗
杨灵Ling Yang

联合创始人 · CSO

普林斯顿大学博士后 · 北京大学（即将入职）

普林斯顿大学 ECE 博士后，即将加入北京大学任助理教授。研究大模型与智能体后训练、强化学习系统、递归自我改进与 Discovery Intelligence。创建开源研究社区 Gen-Verse，相关项目在 GitHub 与 Hugging Face 累计达到千万级使用量；担任 ICLR、ICML、NeurIPS 领域主席。代表工作包括 RLAnything、ReasonFlux、Buffer of Thoughts、MMaDA。
- 大模型 / 智能体后训练
- 强化学习系统与基础设施
- 递归自我改进
- Discovery Intelligence
个人主页 ↗Google Scholar ↗