田渊栋团队获44亿投资布局递归进化AI新赛道

没有产品，只有25个人。成立不到半年，估值却冲到了46.5亿美元。更令人侧目的是，这家公司的八位联合创始人，清一色是AI领域最顶尖的研究员。他们手握6.5亿美元，赌的竟是自己这个职业的消亡。

看看这份名单：NLP词向量奠基人、Salesforce前首席科学家Richard Socher；Salesforce AI Research前高级副总裁Caiming Xiong；Meta FAIR前研究总监田渊栋；Vision Transformer（ViT）第一作者Alexey Dosovitskiy；达尔文·哥德尔机作者、进化算法先驱Jeff Clune；DeepMind Genie世界模型核心研究员Tim Rocktäschel；OpenAI机器人团队搭建者Josh Tobin；以及OpenAI早期成员、AI客服独角兽联创Tim Shi。

这几乎就是过去十年AI关键突破的作者名录。他们的公司名叫“递归超级智能”（Recursive Superintelligence），昨天正式从“隐身模式”中走了出来。背后的投资阵容堪称豪华——GV（谷歌风投）和Greycroft领投，AMD Ventures和英伟达跟投。

八个顶级AI研究员，烧6.5亿美元赌自己失业

Socher几周前的一句话，现在看来更像是一份战书。他提出了神经网络的“第三阶段”，并暗示这或许是最后一个阶段。

第一阶段，神经网络学会了自动提取特征，特征工程师这个岗位随之消失。第二阶段，统一大模型干掉了任务专用的架构设计，一批细分赛道的公司不见了踪影。那么第三阶段呢？答案是：AI学会训练自己。

如今打造一个前沿模型，OpenAI、Anthropic、DeepMind这些头部实验室需要动用数百人忙活好几个月。从数据筛选、训练设计，到后训练对齐、研究方向选择，每一步都高度依赖人类专家。

但问题在于，全世界真正能胜任这项工作的人，恐怕不超过几千个。而且，模型越复杂，人类理解和优化它的能力就越接近天花板。

Recursive要做的，就是把上面这条完整的研发管线自动化。评估、数据筛选、训练、后训练、研究方向选择，全部交给AI自己来完成。整条链路形成闭环，从头到尾无需人类插手。

如果这件事做成了，它将开启一个自我强化的反馈循环：AI改进自己 → 改进后的AI更擅长改进自己 → 循环不断加速。这就是所谓的“递归自我进化”（Recursive Self-Improvement, RSI），也正是这家公司名字的由来。

全明星首发阵容

田渊栋

上海交通大学本硕，卡内基梅隆大学机器人研究所博士。在Meta FAIR工作近十年，离职前担任研究总监，领导大语言模型的推理、规划与决策方向。他主导的ELF OpenGo项目曾用单块GPU击败围棋职业选手，还孵化了StreamingLLM和GaLore等知名项目。他也是ICLR 2026递归自我进化研讨会的联合组织者。

Tim Shi

清华大学计算机科学学士（期间在MIT交换），斯坦福大学AI实验室博士，研究方向为自然语言处理与强化学习。2016年作为早期成员加入OpenAI，参与核心模型开发。后来联合创办了AI客服公司Cresta并担任首席技术官。

Caiming Xiong

纽约州立大学布法罗分校计算机科学博士，加州大学洛杉矶分校统计学博士后。他与Socher是MetaMind时期的老搭档，公司被Salesforce收购后，共同搭建了其AI研究体系，并担任AI研究高级副总裁，管理过NLP、计算机视觉、对话AI等多个团队。发表论文超百篇，曾获ACL 2019杰出论文奖。

Richard Socher

斯坦福大学计算机科学博士，NLP领域被引用最多的研究者之一，发明了最早一批被广泛使用的词向量和上下文向量技术。2014年创办MetaMind，2016年被Salesforce收购后出任首席科学家和执行副总裁。离开后创办了AI搜索引擎You.com，估值一度达15亿美元。如今，他放下了这一切，投身于这家尚无产品的公司。他近期解释过自己的动机：在一次招聘中，候选人拒绝了offer，理由是“AI研究员这个岗位几年内就会被自动化”。Socher听完，决定亲自去验证这个判断。

Jeff Clune

密歇根大学哲学学士，密歇根州立大学计算机科学博士，现任不列颠哥伦比亚大学计算机科学教授。他是进化算法和开放式AI系统领域的先驱，曾在Uber AI Labs担任创始成员，后于OpenAI担任研究管理职务。他在Sakana AI主导的达尔文·哥德尔机研究，首次证明了AI智能体可以自主重写自身代码以提升基准测试性能。

Alexey Dosovitskiy

莫斯科国立大学数学博士。他最广为人知的成就是提出了Vision Transformer（ViT），那篇题为《一张图像值16x16个词》的论文是过去五年计算机视觉领域被引用最多的研究之一，直接将Transformer架构从NLP引入视觉领域，重塑了整个技术路线。

Tim Rocktäschel

柏林洪堡大学计算机科学硕士，伦敦大学学院博士。现任伦敦大学学院人工智能教授，曾在Meta FAIR担任研究经理，后加入Google DeepMind担任高级研究科学家，参与了Genie世界模型项目。

Josh Tobin

哥伦比亚大学数学学士，加州大学伯克利分校计算机科学博士。读博期间即在OpenAI担任研究员三年，一手搭建了OpenAI的机器人能力，参与了著名的AI解魔方机械手项目。离开后联合创办了机器学习监控公司Gantry。他的专长在于将研究成果转化为可用的工程系统。

这八个人，背景横跨Meta FAIR、Google DeepMind、OpenAI、Salesforce AI、Uber AI等顶尖机构，研究方向覆盖进化算法、世界模型、视觉Transformer、强化学习、机器人、自然语言处理等核心领域。他们从不同的路径出发，却独立得出了同一个结论：AI的下一步，是让AI自己创造模型。目标不是更大，而是更自主。

这种“殊途同归”的故事，向来是投资人最爱听的剧本。显然，GV和英伟达也听进去了。

不是科幻：有人已经跑通了一半

Recursive的野心并非凭空而来。过去一年，“AI自我进化”正从学术设想一步步走向可操作的工程方向。

2025年5月，Google DeepMind发布了AlphaEvolve。这个系统以大语言模型为核心引擎，通过进化搜索来设计和优化算法。它证明了一件事：AI在算法设计领域，已经能做出人类研究员级别的工作。

几乎在同一时间，Jeff Clune在Sakana AI发布了达尔文·哥德尔机。这个项目更为激进，它让AI智能体自主重写自己的优化函数和代码，然后在基准测试上验证改进效果。有效则保留，无效则回滚，这个循环可以无限进行下去。

再看近处，2026年5月，国际学习表征大会在里约热内卢举办了首个专门研究“AI递归自我进化”的学术研讨会。一个领域从“有人在做”发展到“拥有顶会专属研讨会”，通常意味着它已越过概念验证，进入了工程化竞赛的新阶段。

用Jeff Clune的话说：“我们正处在递归自我进化系统的拐角处。”

当然，也有不同的声音。AI2的知名研究员Nathan Lambert在今年3月提出了一个对立概念——“有损自我进化”。他的观点是，模型越复杂，优化就越困难，投入再多的算力和智能体也会产生巨大的冗余损耗。顶级模型的训练成本已是数十亿美元量级，不会有人放任AI在无人监督的情况下烧掉这么多钱。进步会有，但更可能是线性的，而非指数级的。

这个判断是否正确？Recursive用6.5亿美元和八个顶级大脑，押上了另一边的赌注。

Anthropic已经在赚这笔钱了

如果你觉得“AI训练AI”还只是实验室里的遥远构想，不妨看看产品端正在发生什么。

最近，Claude Code的产品负责人Cat Wu也描述了一个三阶段演进图景：第一阶段是“同步开发”，即人类写代码，AI实时辅助，这是去年的常态。第二阶段是“自动化常规任务”，现在正在发生，用户将重复性工作交给Claude自动处理。而第三阶段，她称之为“主动预判”。

在她看来，下一个突破口就是“主动性”。AI将能理解你正在进行的工作，然后主动帮你把相应的自动化流程搭建好。你甚至还没开口，它就已经动手了。

Cat Wu说这番话时，Anthropic的年化收入刚刚突破300亿美元，实现了80倍的增长。Claude Code的年化收入超过25亿美元，企业订阅数量从年初至今翻了四倍。

这些数字和这种产品态度说明了一件事：“AI从被动走向主动”已经不再是概念，而是在产生真金白银的收入。

于是，局面变得清晰起来：在实验室一端，Recursive在构建让AI自己做研究的系统；在产品一端，Anthropic在打造让AI主动替人类干活的工具。两条战线看似相隔甚远，但终点指向同一个未来：AI不再等待人类按下按钮。

这一场，赌的是整条赛道

从AGI（通用人工智能）终极竞赛的视角来看，这件事的味道就完全不同了。

当前Claude与GPT的双强对决，比拼的是研究团队、算力储备和企业客户。每一个百分点的性能提升，背后都是数千人苦干数月的成果。

而Recursive想要做的事，如果成功了，无异于将这场游戏的规则彻底掀翻重写。它赌的不是某个模型的胜利，而是整个AI研发范式的碘伏。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：田渊栋团队获44亿投资布局递归进化AI新赛道要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题