Mirendil 与 Google Cloud 签署超 1 亿美元多年算力协议

AI 实验室 Mirendil 与 Google Cloud 签署据报超 1 亿美元的多年算力协议，获得 TPU、NVIDIA GPU 与托管训练集群以推进其“自我改进型”AI研究。协议反映出行业对长期算力与软硬件一体化基础设施的重视，但 Mirendil 的自我改进能力尚需更多技术验证与公开成果支撑。

AI 实验室 Mirendil 据报已与 Google Cloud 签署一项多年合作协议，价值超过 1 亿美元。协议将为这家刚从隐身状态走出的初创公司提供 Google TPU、NVIDIA GPU 以及托管训练集群，用于推进其所谓“自我改进型”或“自加速型”人工智能研究。

这项交易由 Mirendil 联合创始人兼首席执行官 Behnam Neyshabur 向 TechCrunch 披露。报道指出，Google Cloud 高级副总裁兼人工智能和基础设施首席技术官 Amin Vahdat 确认了双方的合作方向，但 Google 没有公开协议金额。因此，超过 1 亿美元这一数字目前主要来自公司管理层的媒体披露，并非双方公布的完整合同条款。

协议把算力保障放在研究计划之前

根据 TechCrunch，Mirendil将同时使用 Google 的 TPU 和 NVIDIA GPU，并通过托管训练集群开展工作。公司联合创始人 Harsh Mehta 表示，不同模型和任务适合不同类型的芯片，能够在多种加速器之间分配工作，有助于降低自身以及客户的成本。

这说明协议的重点并不只是购买某一批芯片，而是获得持续、可调度的训练基础设施。对于需要反复训练、评估和调整模型的研究路线来说，稳定的计算资源可能与模型架构本身同样重要。Mirendil希望通过软件和系统层，把不同硬件组合成一个更适合 AI 研究的运行环境。

Google Cloud也在扩大这种“软硬件一体化”的基础设施叙事。Google Cloud在AI Hypercomputer基础设施介绍中称，其面向新一代 AI 工作负载提供 TPU、NVIDIA GPU、网络、存储和训练编排能力。该公司把重点从单个芯片的性能，转向整套系统如何协调计算、存储和模型训练。

Mirendil 想做的不是更大的聊天机器人

Mirendil的公开表述显示，它试图建立一种围绕 AI 研发重新设计的实验室。公司官网称，团队训练擅长 AI 研究的前沿模型，再围绕这些模型重新设计研究流程，使其更快、更有能力，也更自主。其长期目标是让 AI 能持续积累知识、改进表现，并将这种能力用于药物发现、化学、生物学和机器人等领域。

投资方 Kleiner Perkins 在介绍 Mirendil 的文章中把这一模式概括为“构建能够构建系统的系统”。文章称，Neyshabur和Mehta此前曾在 Google、Google DeepMind 和 Anthropic 从事模型训练、推理和 AI 科学家相关工作。Mirendil的核心设想是形成一个循环：更好的模型推动更好的研究，而更好的研究又反过来产生更好的模型。

不过，公开资料目前只能证明这是公司的研究目标和产品方向，不能证明 Mirendil 已经实现了能够自主改进的 AI 系统。所谓“自我改进”涉及模型能否可靠地提出实验、执行训练、评估结果并据此调整下一轮工作，实际能力仍需要更多技术报告、基准测试或可重复的案例来验证。

这笔算力协议与公司的融资几乎相当

TechCrunch报道，Mirendil在2026年6月以约10亿美元估值完成2亿美元种子轮融资，协议金额约相当于融资额的一半。多家报道提到，Andreessen Horowitz、Kleiner Perkins和NVIDIA参与了这轮融资，但相关金额、投资结构和估值信息主要来自媒体报道及投资方材料，尚未见到一份由公司完整公开的融资文件。

对于一家成立时间不长、尚未公布成熟商业产品的 AI 实验室来说，这种规模的资金和算力承诺反映出投资者与云厂商对“AI 加速 AI 研发”这一方向的高度期待。它也意味着 Mirendil必须在未来证明，昂贵的训练基础设施能够转化为可衡量的研究效率、模型能力或商业价值。

类似的基础设施竞争正在整个行业扩散。AIFlux此前报道，围绕 AI 数据中心芯片的融资需求可能推动未来几年新增大规模债务，市场关注点也从建设机房转向购买和更新加速器——详见AI芯片债务融资可能成为新的基础设施约束。对 Mirendil 而言，直接签署多年算力协议可以减少短期资源不确定性，但也可能把相当高的固定成本提前锁定。

云厂商为何愿意支持这类实验室

对 Google Cloud 来说，Mirendil不仅是一个计算资源客户，也可能是一个展示其多芯片基础设施价值的合作伙伴。如果 Mirendil能够证明同一套研究流程可以根据任务在 TPU 和 NVIDIA GPU 之间灵活调度，Google就能借此说明，云服务的竞争已经不只是单个加速器的性能比较，而是整套基础设施、软件工具和服务能力的竞争。

这类合作也具有战略意味。Google既需要向 AI 初创公司出售越来越多的计算资源，也希望吸引能够在其基础设施上构建前沿能力的研究团队。对于 Mirendil，这种合作则提供了接近大型实验室的计算条件；对于 Google Cloud，它可能带来一个面向未来企业客户的研究案例。

真正的考验在验证环节

自我改进型 AI 的难点不只是扩大训练规模，还包括如何确认每一轮改动确实带来了进步。研究系统需要判断实验结果是否可靠、生成的代码是否正确、优化是否能够迁移到新任务，以及模型是否会在追求局部指标时偏离原定目标。

这也是为什么 AI 研发自动化最终可能受制于验证，而不是代码或算力本身。OpenAI近期在一份关于科学计算的研究报告中指出，当代理能够更快完成迁移、维护和优化任务后，研究人员的工作重点会转向测试、判断、责任归属和长期维护。Mirendil若要把“持续改进”变成可信的研究能力，同样需要回答这些问题。

目前可以确认的是，Mirendil已经获得了一项据报超过 1 亿美元的 Google Cloud 多年算力协议，并将使用 TPU、GPU 与托管训练集群推进研究。尚不清楚协议的具体期限、实际可用算力、付款结构，以及 Google是否拥有相关技术或商业化方面的优先权。更重要的是，Mirendil所描述的自我改进型 AI 仍属于正在研发的目标，而不是已经被公开验证的成果。

未来几个月，公司的技术发布、研究案例和客户信息，将比融资规模更能说明这项合作是否正在产生实际结果。对整个行业而言，这笔交易则再次表明，前沿 AI 的竞争已经从模型和人才延伸到长期算力、芯片组合与训练基础设施的锁定。