摘要： Bloomberg 在 2026 年 4 月 27 日報導，David Silver 成立的英國實驗室 Ineffable Intelligence 完成 11 億美元募資，估值 51 億美元。Sequoia 與 Lightspeed 領投，資金押注其「超級學習者」路線，要完全透過強化學習試錯取得知識與技能，而不使用人類訓練資料。Google、Nvidia、英國商業銀行與英國主權 AI 創投基金也在投資人名單。
2026 年 4 月 27 日,這則消息最先由 Bloomberg 披露、TechCrunch 接著證實:前 DeepMind 強化學習負責人、UCL(倫敦大學學院)教授 David Silver 幾個月前成立的英國 AI 實驗室 Ineffable Intelligence,剛完成 11 億美元的一輪募資,估值達 51 億美元,公司成立未久就越過了 50 億美元的「pentacorn」門檻。領投的是 Sequoia 與 Lightspeed,投資人名單裡還找得到 Index Ventures、Google、Nvidia、英國商業銀行(British Business Bank),以及英國新設的主權 AI 創投基金。
這筆資金買到的既非產品,也無營收可佐證,投資人真正的標的是一條研究路線:Ineffable 要造出「超級學習者(superlearner)」——過程完全不碰人類產生的訓練資料,知識與技能一律透過強化學習的試錯習得。當高品質人類資料日漸枯竭、前沿模型的發展因此受限,這是到目前為止對「後人類資料時代」最旗幟鮮明的一記押注。
技術血統:從 AlphaZero 到超級學習者
要論這條路線的說服力,沒有誰的紀錄比 Silver 自己的更有分量。他執掌 DeepMind 強化學習團隊十餘年,手上最響亮的成果是 AlphaZero:這個系統連一盤人類棋譜都不讀,起點只有自己對自己下,先後攻克西洋棋與圍棋,並贏過當時最強的專用引擎。
Ineffable 的野心,是把這套自我學習的原理帶出規則封閉的棋盤、放進開放的真實世界。公司官網以達爾文自況:「他的定律解釋了所有生命;我們的定律將解釋並建造所有智慧。」Silver 接受 Wired 訪問時,將這項事業描述為畢生工作的延伸,並承諾日後從 Ineffable 賺得的每一分錢,都會流向「能拯救盡可能多生命」的高影響力慈善機構。
這輪 11 億美元的條款拆解
- 本輪募得 11 億美元,投後估值 51 億美元;成立不過數月,就直接擠進 50 億美元以上的「pentacorn」俱樂部
- 兩家共同領投:Sequoia Capital 與 Lightspeed Venture Partners
- 在場跟投的還有 Index Ventures、Google、Nvidia;帶官方背景的 British Business Bank 與英國主權 AI 創投基金同樣在列
- Ineffable 的主管團隊裡,已有數名 DeepMind 舊部到任
官方資金的身影值得多看一眼:英國主權 AI 基金是直接下場參與,這樁交易因此不只是創投生意,更代表英國把國家層級的賭注,放在了自家明星研究員身上。
明星研究員的種子輪行情:「椰子輪」時代來臨
Ineffable 並非唯一。Bloomberg 把 2026 年的這股現象稱作「coconut round(椰子輪)」——頂尖研究員自立門戶時,第一輪拿到的金額就已是昔日 C 輪的量級。例如:
- AMI Labs 由圖靈獎得主暨前 Meta 首席 AI 科學家 Yann LeCun 共同創辦,2026 年 3 月募得 10.3 億美元,投前估值為 35 億美元
- Recursive Superintelligence 由前 DeepMind 首席科學家 Tim Rocktäschel 共同創辦,據報導已敲定 5 億美元,且市場需求一度強到足以把金額抬向 10 億美元
把 Ineffable 的 11 億美元放進這份對照裡,又是另一樁新高。資金持續湧向極少數「名字本身就等於一條技術路線」的人,透露的訊息很清楚:投資人掏錢買下的,是提前卡位典範轉移的一張選擇權。
第三座 AI 樞紐,為什麼落在倫敦
這筆錢再度替倫敦的分量背書。2014 年 Google 收購 DeepMind 之後,始終把這座城市當成核心 AI 基地深耕;據報導,Jeff Bezos 的 Project Prometheus 正在 Google 倫敦 AI 園區一帶物色辦公室;如今 Ineffable 又把一群 DeepMind 前主管聚在同一個屋簷下。人才、民間資本與國家支持同時疊加在單一城市,這種陣容出了舊金山灣區與北京,幾乎找不到第二例。
開發者與研究者該注意的三件事
三個值得緊盯的動向。其一,人類資料獨佔護城河的日子可能結束:超級學習者路線一旦走通,資料授權與網路爬取的分量會下滑,自行生成經驗的能力則會水漲船高。其二,評測方式必須重來——面對一個不以人類資料訓練出來的模型,該拿哪套基準來衡量?現行的 benchmark 多半把人類知識的邊界內建在裡面。其三,把視角拉高,「明星研究員綁巨額種子輪」的這波資金遷徙,與我們年初寫下的 2026 年 AI 開年展望互相呼應:今年真正的主軸,不再是把既有典範再規模化,而是找出下一個典範。