8个AI顶流科学家，300亿估值：他们要让AI自我进化

田渊栋离开Meta后的去向，终于有了答案。

今天，AI初创公司Recursive Superintelligence（简称Recursive）正式结束隐身模式，对外公布了包括田渊栋在内的八位联合创始人名单。与此同时，公司宣布完成了高达6.5亿美元的A轮融资，估值达到46.5亿美元。领投方是GV（谷歌风投）和Greycroft，而AMD Ventures与NVIDIA也作为参投方加入。

作为前Meta FAIR的研究科学家总监，田渊栋最为人熟知的是主导了ELF OpenGo项目。作为该项目的首席科学家与工程负责人，他带领团队开源复现了AlphaZero算法，并取得了20:0战胜职业棋手的战绩，为社区留下了宝贵的代码、模型及自博弈数据。

这段经历，显然深刻影响了Recursive的技术路线选择。围棋AI的核心在于通过“自博弈”（self-play），让系统在反复试错中生成新策略；而Recursive的野心，是将这种“通过反馈改进自身”的机制，从棋盘扩展到AI研发本身。简单来说，过去的AI学会了玩游戏，现在的目标，是让它学会提出研究问题、设计实验、编写代码并进行自我评估。

从“下棋”到“科研”：递归自我改进的现实化

在最新的公开阐述中，Recursive的定位非常明确：构建一种能够以安全方式进行实验并改进自身的AI。公司的目标，是通过自动化科学发现过程，推动“自我改进型人工智能”（self-improving AI）的发展。

这一愿景的核心，是一个名为“递归自我改进”（Recursive Self-Improvement, RSI）的概念。在计算机科学中，“递归”指的是一个过程将其自身结果作为输入不断推进。在AI语境下，RSI意味着系统不仅能输出答案，还能优化产生答案的方法，甚至自主提出假设、执行实验并修改自身架构，形成一个闭环。最激进的设想，是一个几乎不需要人类介入的自主进化系统。

此前在与DeepTech的交流中，田渊栋已经谈到过这种研究范式的变化。他认为，当前的AI更像一个“博闻强记的博士生”，能够提供大量候选想法和执行代码、实验等“脏活累活”，但真正的价值判断仍需要人来完成；而人的角色，也会从亲自写代码，逐渐转向提出问题、筛选方向和把控研究路径。

（来源：田渊栋主页）

当然，必须清醒认识到，目前的RSI仍处于相当初级的阶段。严格意义上的RSI要求系统在无人类指令下改进自身，而当前大多数系统仍严重依赖人类来设定目标和定义成功标准，决定哪些改变值得保留。这也是理解Recursive这类公司的关键：它们并非已经造出了“超级智能”，而是试图将AI研发流程中越来越多的环节自动化。

这一方向之所以在当下变得更具可行性，主要得益于AI代码能力的跃迁。随着OpenAI、Anthropic等公司的模型在编程、调试及软件工程自动化方面取得突破，“AI写代码”已成为现实。Recursive的CEO Richard Socher也直言：“AI本质是代码，而现在AI可以编写代码。”因此，实现递归自我改进的一个关键条件，正在成熟。

超级实验室阵容：不只是写代码

仔细审视Recursive的团队构成，你会发现它更像一个围绕特定研究范式聚合的“超级实验室”，而非传统的产品型公司。

CEO Richard Socher曾任Salesforce首席科学家，也是You.com创始人；Jeff Clune长期研究开放式算法，关注AI如何持续产生新能力；Tim Rocktäschel来自Google DeepMind，方向是智能体和世界模型；Josh Tobin、Tim Shi来自OpenAI，偏重AI系统和工程落地；Caiming Xiong来自Salesforce AI，熟悉自然语言处理与企业级AI；Alexey Dosovitskiy是Vision Transformer的共同作者之一，在视觉模型领域影响深远。

换句话说，这支豪华团队不是围绕某个单点产品组建的，而是冲着“自动化AI研发”这条技术路线来的。

此外，Recursive还聘请了前Google研究总监、经典教材《人工智能：一种现代方法》合著者Peter Norvig担任顾问。目前，团队成员已超过25人，并仍在持续招募，已经吸引了诸葛鸣晨等一批优秀年轻研究者。他关注代码智能体与递归自我改进，近期提出的“神经计算机”设想认为，AI的下一步不只是调用软件，而可能是把部分软件能力内化进模型自身。

（来源：论文）

与主流大模型公司普遍关注scaling law（缩放定律）和产品化不同，Recursive聚焦于更上游的“开放式算法”（open-ended algorithms）。这类系统不以单一固定目标为终点，而是持续探索、生成多样化解法并积累发现档案。公司的理念是，人类智能源于达尔文演化和文化演化等开放式过程，AI研发也应遵循类似逻辑，让后来的创新建立在前序创新之上。

这构成了Recursive与一些主流大模型公司的细微差别。过去几年，行业主线很大程度上围绕算力、数据和产品化展开，核心是训练更大的模型并部署到搜索、办公等场景。而RSI关注的问题更靠近上游：能否让AI帮助产生新的模型结构、新的训练方法、新的评测方式，甚至新的研究问题。它试图自动化的，不只是软件工程，更是科学研究中那些较难被标准化的创造性部分。

产业信号：研发自动化的下一步

Recursive的出现，还标志着一个清晰的产业信号：AI投资正从应用层、模型层，向更基础的“研发自动化层”延伸。

事实上，产业界已有一些先行尝试。例如，Google DeepMind去年发布的AlphaEvolve，就被描述为一种用于科学与算法发现的“编程智能体”（coding agent），可以借助大语言模型引导解法演化，用于优化神经网络架构、数据中心调度和芯片设计等问题。尽管人类仍需决定问题和评估标准，但它已经显示出AI能在算法发现中提供非同寻常的贡献。

（来源：Google Cloud）

另一类尝试是“AI Scientist”系统，旨在自动生成研究想法、运行实验、撰写论文并进行评审，例如日本AI独角兽Sakana AI的相关工作。虽然距离真正的人类科学家仍有巨大差距，但这类系统已经把“研究循环”中若干原本由人完成的步骤连接了起来。Recursive的联合创始人Jeff Clune曾参与相关工作，并长期主张开放式探索和演化算法将成为RSI的关键组件。

当然，这条道路面临的挑战不容小觑。CEO Socher承认，实现构想需要数年时间。Clune也曾指出，当前AI在提出真正有价值的创新想法、处理复杂工程依赖方面仍不稳定。

更重要的是，AI研发并非一个纯粹的软件循环。前沿模型训练牵涉算力采购、芯片供应、数据中心建设、电力、数据治理、安全评估和组织决策，许多环节无法简单地交给一个模型自动完成。前景究竟如何，还需持续观望。

本轮融资中，NVIDIA和AMD的参投也值得玩味。这说明Recursive所押注的方向，已经不只是研究圈内部的兴趣，也开始进入算力产业链核心玩家的视野。不过，从已公开信息看，这两家的投资更多体现为对前沿AI研发方向的财务与战略关注。至于是否会在芯片、系统软件或模型训练层面展开更深度的合作，目前仍是未知数。