Ndea：François Chollet 的程序合成路线与 AGI 追求

> 深度研究报告 | 2026年4月

一、背景：谁在打造 Ndea

2025年1月，Google AI 研究员、Keras 框架创建者 François Chollet 与 Zapier 联合创始人 Mike Knoop 共同宣布创办 Ndea（发音 "Endia"），一家专注于通过程序合成（Program Synthesis）实现 AGI 的前沿 AI 实验室。

Ndea 的名字源自希腊语 ennoia（直觉理解）和 dianoia（逻辑推理），反映其核心理念：将深度学习的模式识别能力与程序合成的形式推理能力融合为统一架构。

融资情况：Ndea 已筹集 4350万美元，投资方包括 Y Combinator、Coatue Management、Factorial Capital 和 Quiet Capital。作为对比，Ilya Sutskever 的 Safe Superintelligence（SSI）融资超10亿美元，Anthropic 融资超100亿美元。Ndea 的融资规模相对克制，体现了其对"小而精"团队路线的信心。

来源：

二、François Chollet 的 AI 思想演变

2.1 Keras 时代：降低深度学习的门槛

Chollet 最初因创建 Keras 而闻名。Keras 是一个高层次的深度学习 API，极大降低了构建神经网络的门槛，后来被整合为 TensorFlow 的高级接口。在 Google 的近十年间，Chollet 既是深度学习的践行者，也是其局限性的深刻反思者。

2.2 ARC-AGI：重新定义智能的度量

2019年，Chollet 发表了具有深远影响的论文 "On the Measure of Intelligence"，提出了一个核心论点：智能不是技能的积累，而是从少量信息中高效产生新技能的能力。基于这一理论，他设计了 ARC-AGI（Abstraction and Reasoning Corpus） 基准测试。

ARC-AGI 的核心设计理念：

2.3 从批评者到建设者

Chollet 长期以来是"暴力缩放"路线的批评者。他认为，仅靠增加参数和数据量无法达到 AGI，因为这种方法本质上是"记忆"而非"推理"。2024年底离开 Google 后，他选择了用创业来验证自己的理论——Ndea 就是他思想的实践延伸。

来源：

三、技术路线深度分析：深度学习引导的程序合成

3.1 程序合成的原理

程序合成（Program Synthesis）是计算机科学中的一个经典问题：给定一个高层次的规范（specification），自动构造一个满足该规范的程序。

在传统意义上，程序合成是形式化方法的一个分支，通常需要：

1. 输入规范：形式化的问题描述（如前置条件、后置条件）

2. 搜索空间：可能的程序空间

3. 验证机制：证明生成的程序满足规范

其核心挑战在于搜索空间爆炸——即使是简单的函数，可能的程序组合数量也是天文数字。

3.2 深度学习与程序合成的融合

Ndea 的核心创新方向是 "深度学习引导的程序合成"（Deep Learning-Guided Program Synthesis）。这是一种混合架构：

深度学习的角色——直觉（ennoia）：

程序合成的角色——推理（dianoia）：

3.3 与纯深度学习路线的关键差异

维度传统 LLM 路线Ndea 程序合成路线
**泛化机制**插值（在已知数据点间插值）搜索（在程序空间中搜索新解）
**数据需求**海量训练数据少量示例即可
**输出形式**概率分布（token序列）确定性程序（可验证）
**推理能力**链式思维（CoT）近似推理形式化推理（程序即证明）
**可解释性**黑箱生成的程序可直接审查
**自我改进**依赖 RLHF/外部反馈程序可自验证、自改进

3.4 技术挑战

Chollet 自己承认程序合成面临重大挑战：

1. 计算复杂度：程序搜索空间呈指数增长，传统方法无法扩展。Chollet 将程序合成的现状类比为2012年的深度学习——潜力巨大但基础设施不成熟。

2. 规范获取：如何从模糊的人类需求中提取形式化规范

3. 评估函数设计：如何高效判断一个中间程序是否"在正确方向上"

4. 与深度学习的深度集成：两种范式如何真正协同，而非简单串联

3.5 前沿实验室的认可

值得注意的是，程序合成已不再是 Ndea 的独门路线。Chollet 指出"每个前沿 AI 实验室都开始探索程序合成"，包括 OpenAI（o3/o4 系列中融入的程序搜索）、Google DeepMind（AlphaCode 系列的代码生成）。但 Ndea 的独特之处在于将程序合成置于与深度学习同等重要的核心地位，而非作为辅助组件。

来源：

四、ARC-AGI 基准测试：进展与成绩

4.1 版本演进

4.2 各团队成绩对比（截至2025年底）

ARC-AGI-2 私有评估集成绩：

系统/团队准确率成本/任务备注
Claude Opus 4.5 (Thinking)37.6%$2.20商业模型最高分
Gemini 3 Pro + Poetiq 优化54%$30模型优化方案最高分
OpenAI o3 (ARC-AGI-1)75.7%~$10kARC-AGI-1 历史突破
NVARC (Kaggle 2025冠军)24.0%$0.20Kaggle竞赛最高分
人类基线~85%—参考值

关键观察：

4.3 学术论文趋势

2025年 ARC Prize 收到90篇论文（2024年为47篇），获奖论文的技术方向几乎全部指向"深度学习引导的程序合成"，印证了 Chollet 的路线判断：

来源：

五、竞品对比与行业格局

5.1 与主流 LLM 路线的对比

主流路线（OpenAI、Anthropic、Google）：

Ndea 路线：

5.2 与其他 AGI 实验室的对比

实验室创始人融资技术路线阶段
NdeaChollet & Knoop$43.5M程序合成早期研发
SSIIlya Sutskever$1B+未公开（推测纯Scaling）早期研发
AnthropicDario Amodei$10B+RLHF + Constitutional AI产品化阶段
OpenAISam Altman$13B+Scaling + RL产品化阶段

5.3 竞品：其他程序合成探索者

虽然 Ndea 是唯一一家以程序合成为核心的独立实验室，但多家公司已开始布局：

来源：

六、投资分析

6.1 融资规模与估值合理性

Ndea 的4350万美元融资，投资方阵容包括 Y Combinator（早期孵化之王）、Coatue（对冲基金巨头）、Factorial Capital 和 Quiet Capital。这一融资规模在 AI 实验室中属于"中等偏低"，但考虑到团队只有两位核心创始人且为全远程组织，资金效率可能较高。

6.2 风险因素

高风险：

1. 技术风险（最大）：程序合成作为 AGI 核心路径尚未被验证。Chollet 自己也说"我们相信有小但真实的突破机会"——"小但真实"本身就意味着大概率失败

2. 竞争风险：大型实验室（OpenAI、Google）如果将程序合成作为辅助组件融入现有系统，可能在不改变核心路线的情况下获得类似效果

3. 人才风险：程序合成是高度专业化的领域，人才池很小

潜在回报：

1. 如果程序合成路线成功，Ndea 将拥有先发优势——这是与 Scaling Law 完全不同的技术路径

2. Chollet 的个人影响力和 ARC Prize 的学术影响力为公司带来了品牌和人才获取优势

3. 即使 AGI 目标未达成，程序合成技术本身在代码生成、自动化等领域有明确的商业应用

6.3 关键判断

Ndea 是一笔典型的 "高杠杆、低概率" 投资：

投资者（尤其是 Y Combinator）的逻辑可能是：在"Scaling Law 终结论"的风险对冲下，投一家完全不同路线的团队是合理的组合策略。

来源：

七、总结与展望

Ndea 代表了 AI 研究中一条罕见的"非主流但严肃"的路线。Chollet 不是空想家——他创建过被数百万人使用的框架，设计了被全行业认可的基准测试，他的每一步都有扎实的学术和工程基础。

然而，从"理论正确"到"工程可行"之间有巨大鸿沟。程序合成面临的核心挑战（搜索空间爆炸、计算复杂度）可能需要根本性的算法突破才能解决，而这正是 Ndea 需要证明的。

值得关注的里程碑：

Ndea 的成败，将在很大程度上决定"程序合成是否是通往 AGI 的可行路径"这一根本性问题。无论结果如何，这条路线的探索本身就在推动 AI 研究走向更本质的方向。

报告生成日期：2026年4月17日

所有链接均经验证有效