内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

AI导读

"当AI行业沉迷于万亿参数的烧钱游戏时，MiroMind用300亿模型实现成本骤降90%，三位顶尖科学家正重构AI的思考方式——不是生成漂亮废话，而是打造数学可验证的产业级求解器。"

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

AI导读

"当AI行业沉迷于万亿参数的烧钱游戏时，MiroMind用300亿模型实现成本骤降90%，三位顶尖科学家正重构AI的思考方式——不是生成漂亮废话，而是打造数学可验证的产业级求解器。"

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

AI导读

"当AI行业沉迷于万亿参数的烧钱游戏时，MiroMind用300亿模型实现成本骤降90%，三位顶尖科学家正重构AI的思考方式——不是生成漂亮废话，而是打造数学可验证的产业级求解器。"

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

AI导读

"当AI行业沉迷于万亿参数的烧钱游戏时，MiroMind用300亿模型实现成本骤降90%，三位顶尖科学家正重构AI的思考方式——不是生成漂亮废话，而是打造数学可验证的产业级求解器。"

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。

AI导读

"当AI行业沉迷于万亿参数的烧钱游戏时，MiroMind用300亿模型实现成本骤降90%，三位顶尖科学家正重构AI的思考方式——不是生成漂亮废话，而是打造数学可验证的产业级求解器。"

内容由AI智能生成

硅谷的创投圈现在最不缺的就是阵容豪华的 AI 初创公司，但 MiroMind 今日公布的这三项核心人事任命，却透着一股明显的产业逆行者意味。

前 xAI 技术骨干杜少雷（Simon Shaolei Du）、南洋理工大学终身教授安波（Bo An），以及前 Meta FAIR 研究员杨凯峪（Kaiyu Yang），正式加盟这家由陈天桥创立、在加州和新加坡双线布局的 AI 新星。

他们没有去负责“通用大语言模型（LLM）”开发，而是分别挂帅了“推理模型”、“智能体运行时系统”和“可验证AI”。这三份扎实的学术履历，构筑了 MiroMind 内部被称为“重型求解器（Heavy Duty Solver）”的技术底座。

这套技术班底，直指当前大模型赛道最致命的商业软肋。

过去两年，整个行业被带入了一场高昂的“参数游戏”：拼命增加算力，训练出能说会道、规模越来越庞大的聊天机器人。但这种依赖概率预测的“系统1”直觉式生成，在撞上金融风控、医疗制药、复杂代码生成等容错率极低的真实商业场景时，高频的幻觉让企业客户根本不敢将其接入核心业务流水线。

MiroMind 算的是另一笔账。他们从一开始就不打算去做一个“更聪明的聊天软件”，而是盯上了被业界称为“系统2”的深度推理。

这三位新晋科学家的履历，就是这套商业逻辑最清晰的执行手册。

杜少雷在 xAI 和 Meta 参与过前沿大模型的研发，非常清楚现有架构的极限。他的任务是重构底层的模型架构和训练策略，让 AI 学会像研究员一样进行长链条思考；

安波作为强化学习和博弈论领域的学者，要解决的是大模型在复杂现实环境中执行偏差的问题，为智能体搭建一个稳定的操作系统；

而杨凯峪领衔的“可验证AI实验室”，则是这套逻辑的最后一道保险——它要求 AI 给出的每一个结论，不仅看起来像对的，而且在数学和逻辑上必须是 100% 能够被自证和交叉验证的（Provably right）。

这是一条被巨头战略性忽视、但产业刚需极强的赛道。

当同行还在为了突破万亿参数的指标而烧钱时，MiroMind 刚刚推出的 MiroThinker 1.5 搜索智能体，用 300 亿（30B）的参数量，就把单次调用成本打到了竞品的二十分之一，同时在复杂研究的基准测试上反超了千亿规模的模型。

单纯堆砌算力的打法正在遭遇商业落地的现实高墙。企业客户不会为了几句文采飞扬的废话掏钱，他们愿意买单的，只有能切实替代人力、推进复杂工作流的“确定性”。