8位顶尖AI科学家创立公司估值300亿专注人工智能自主进化

前Meta AI研究科学家总监田渊栋的去向，终于尘埃落定。

近日，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。公司同时宣布完成了高达6.5亿美元的A轮融资，估值达到46.5亿美元。本轮融资由GV（谷歌风投）和Greycroft领投，AMD Ventures与NVIDIA也作为重要参投方加入。

作为前Meta FAIR的研究科学家总监，田渊栋最为业界所熟知的成就是主导了ELF OpenGo项目。作为该项目的首席科学家与工程负责人，他带领团队成功开源复现了AlphaZero算法，并取得了20:0战胜职业围棋棋手的辉煌战绩，为AI社区留下了宝贵的代码、模型及自博弈数据遗产。

这段在围棋AI领域的深厚积累，显然深刻塑造了Recursive公司的核心技术路线。围棋AI的核心机制在于“自博弈”（self-play），即系统通过反复对弈试错来生成新策略；而Recursive的宏大愿景，是将这种“通过反馈实现自我改进”的机制，从棋盘博弈扩展到人工智能研发本身。简而言之，过去的AI学会了玩游戏，现在的目标是让它学会自主提出研究问题、设计实验方案、编写代码并进行自我评估与优化。

从“下棋”到“科研”：递归自我改进的现实化路径

在最新的公开阐述中，Recursive的定位非常清晰：致力于构建一种能够以安全、可控方式进行自我实验并持续改进的AI系统。公司的终极目标，是通过自动化科学发现的核心流程，来推动“自我改进型人工智能”（self-improving AI）的实质性发展。

这一愿景的理论基石，是一个名为“递归自我改进”（Recursive Self-Improvement, RSI）的核心概念。在计算机科学中，“递归”指的是一个过程将其自身的结果作为输入，不断迭代推进。在AI的语境下，RSI意味着系统不仅能输出解决方案，还能持续优化产生这些解决方案的方法论，甚至自主提出科学假设、执行验证实验并修改自身架构，从而形成一个强大的自我进化闭环。最激进的设想，是构建一个几乎无需人类频繁介入的自主智能进化系统。

此前在与DeepTech的交流中，田渊栋已经探讨过这种研究范式的根本性转变。他认为，当前的AI更像一位“博闻强记的博士生”，能够提供海量的候选想法并执行代码编写、实验运行等基础性工作，但最终的價值判断与方向抉择仍需人类导师完成；而人类的角色，也将逐渐从亲自编写每一行代码，转向更高层次的提出问题、筛选关键路径与把控整体研究进程。

（来源：田渊栋主页）

当然，我们必须清醒认识到，目前严格意义上的RSI仍处于相当早期的探索阶段。理想的RSI要求系统在无明确人类指令下实现自我改进，而当前大多数系统仍严重依赖人类研究者来设定核心目标、定义成功标准，并决定哪些改进值得保留与整合。这也是理解Recursive这类公司价值的关键：它们并非已经创造了“超级智能”，而是正致力于将AI研发流程中越来越多、越来越复杂的环节实现自动化。

这一研究方向在当下变得更具可行性，主要得益于AI代码生成与理解能力的革命性跃迁。随着OpenAI、Anthropic等公司的先进模型在编程、调试及软件工程自动化方面取得重大突破，“AI编写代码”已成为可规模化的现实能力。Recursive的CEO Richard Socher也明确指出：“AI的本质是代码，而现在AI已经可以编写代码。”因此，实现递归自我改进的一个最关键的技术前提，正在迅速成熟。

超级实验室阵容：超越代码的自动化愿景

仔细审视Recursive的创始团队构成，你会发现它更像一个围绕“自动化AI研发”这一特定研究范式聚合的“超级实验室”，而非传统的产品驱动型公司。

CEO Richard Socher曾任Salesforce首席科学家，也是You.com的创始人；Jeff Clune长期专注于开放式算法研究，关注AI如何持续产生新能力；Tim Rocktäschel来自Google DeepMind，研究方向是智能体和世界模型；Josh Tobin、Tim Shi来自OpenAI，偏重AI系统架构和工程化落地；Caiming Xiong来自Salesforce AI，深耕自然语言处理与企业级AI应用；Alexey Dosovitskiy是Vision Transformer（ViT）的共同作者之一，在计算机视觉模型领域影响深远。

换言之，这支堪称豪华的团队并非围绕某个单一应用产品组建，而是精准地冲着“实现AI研发自动化”这条极具前瞻性的技术路线而来。

此外，Recursive还聘请了前Google研究总监、经典人工智能教材《人工智能：一种现代方法》合著者Peter Norvig担任公司顾问。目前，公司团队成员已超过25人，并仍在持续招募顶尖人才，已经吸引了包括诸葛鸣晨在内的一批优秀年轻研究者加入。诸葛鸣晨关注代码智能体与递归自我改进，其近期提出的“神经计算机”设想认为，AI的下一步进化方向不只是调用外部软件工具，而可能是将部分关键的软件能力直接内化进模型自身。

（来源：论文）

与主流大模型公司普遍关注scaling law（缩放定律）和快速产品化不同，Recursive将目光聚焦于更上游、更基础的“开放式算法”（open-ended algorithms）。这类系统不以达成某个单一、固定的目标为终点，而是致力于持续探索、生成多样化的解决方案，并不断积累知识发现档案。公司的核心理念认为，人类智能的涌现源于达尔文生物演化和文化演化等开放式过程，因此AI的研发也应遵循类似的逻辑，让后续的创新能够稳固地建立在前序创新的基础之上。

这构成了Recursive与一些主流大模型公司在战略定位上的微妙差异。过去几年，行业的主线很大程度上围绕算力规模、数据质量和产品商业化展开，核心是训练参数量更大的模型并部署到搜索、办公等具体场景。而RSI所关注的问题更靠近研发链的上游：能否让AI帮助人类产生新的模型架构、新的训练方法、新的评测基准，甚至提出全新的研究问题。它试图自动化的，不仅仅是软件工程任务，更是科学研究中那些难以被标准化、最具创造性的核心部分。

产业信号：AI研发自动化的未来趋势

Recursive的横空出世及其获得的巨额融资，标志着一个清晰的产业信号：AI领域的投资焦点，正从应用层、模型层，逐步向更基础的“研发自动化层”延伸。

事实上，产业界在此方向上已有一些先行尝试。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），它可以借助大语言模型的引导来驱动解决方案的演化，已应用于优化神经网络架构、数据中心任务调度和芯片设计等复杂问题。尽管人类研究者仍需定义核心问题和评估标准，但它已经显示出AI能在算法发现过程中提供非同寻常的贡献。

（来源：Google Cloud）

另一类代表性的尝试是“AI Scientist”系统，旨在自动生成研究想法、运行模拟实验、撰写学术论文并进行初步评审，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，但这类系统已经成功地将“研究循环”中若干个原本必须由人完成的步骤连接了起来，实现了初步的自动化。Recursive的联合创始人Jeff Clune曾深度参与相关工作，并长期主张开放式探索和演化算法将成为实现RSI的关键技术组件。

当然，这条道路面临的挑战不容小觑。CEO Socher坦承，实现公司的宏伟构想可能需要数年时间。Clune也曾指出，当前AI在提出真正具有突破性价值的创新想法、以及处理复杂工程依赖关系方面，表现仍不稳定。

更重要的是，前沿AI研发并非一个纯粹的软件循环。它深度牵涉到大规模的算力采购、尖端芯片供应、数据中心建设、能源电力保障、数据治理、安全评估以及复杂的组织决策，许多环节无法简单地交给一个AI模型自动完成。其前景究竟如何，仍需业界持续观望与验证。

在本轮融资中，NVIDIA和AMD这两大算力巨头的参投尤为值得玩味。这说明Recursive所押注的“AI研发自动化”方向，已经不仅仅是研究圈内部的学术兴趣，也开始进入算力产业链核心玩家的战略视野。不过，从已公开的信息来看，这两家的投资目前更多体现为对前沿AI研发方向的财务支持与战略关注。至于未来是否会在定制芯片、系统软件优化或大规模模型训练层面展开更深度的合作，目前仍是未知数。