Full text · 原文
2,592 字
梦晨 发自 凹非寺量子位 | 公众号 QbitAI<br>
离职Meta后的田渊栋，现身独角兽联创名单，成了AI创业合伙人。<br>
Recursive Superintelligence（RSI），不到30人，刚从隐身状态走出来，就拿到6.5亿美元融资（约44亿元人民币），估值46.5亿美元（约316亿元人民币）。<br>
谷歌GV、Greycroft联合领投这轮早期融资，英伟达、AMD等也参与其中。<br>
8位联创亮相，阵容豪华。<br>
这些8人里随便挑一个出来，都足以单独撑起一家AI独角兽。<br>
那么，他们聚在一起要做什么？<br>
公司名字就点明了：Recursive Superintelligence，AI自我改进的闭环，直到超级智能。<br>
他们给出的路线图中的第一步，是先训练一个具备“50000名博士”能力的系统，自动化AI科学研究本身。<br>
再把这台”尤里卡机器”指向药物研发、电池材料和核聚变物理。<br>
300亿砸向下一条Scaling Law<br>
RSI的成立基于一条核心判断：<br>
预训练Scaling Law仍然重要，但如果只靠更多数据、更多算力、更多参数，边际收益已经没有过去那么陡。<br>
AI行业正在找新的增长曲线。<br>
RSI押的就是其中最激进的一条，recursive self-improvement，递归式自我改进。<br>
这刚好打中了AI行业现在最焦虑的问题，也就是大模型之后，下一次能力跃迁从哪里来？<br>
CEO Richard Socher在访谈中给出解释：<br>
“AI是代码，而现在AI可以写代码。”<br>
过去，AI研发的循环大体还是人类主导。研究员提出想法，工程师写实验，团队跑训练，评估模型，再根据结果调下一轮方向。<br>
RSI把这个循环的一部分交给AI。<br>
它们设想中的系统，不只是回答问题，也不只是帮人写代码。它要能发现自己的能力短板，设计新的实验，写新的benchmark，然后主动重写自己的代码库，让下一版系统更强。<br>
传统AI优化像是在固定考卷上刷分，考到100分就算到头。RSI要的是另一条路：像生物进化一样，永远不停下来，永远有新发明。<br>
一个AI改进另一个AI；改进后的AI继续改进后面的AI。<br>
Socher自己很清楚这个赌注的分量。<br>
如果你是学术研究者且超前于时代，你最终会被称作远见者。但如果你是创业者且超前于时代，你的公司就死了。<br>
他是NLP领域早期神经网络派代表人物之一。2010年，他试图把一篇神经网络论文投给NLP顶会，结果被拒。审稿人的理由是神经网络没用，你为什么要把这玩意投给NLP会议？<br>
15年后，神经网络不仅主导了NLP，而且Socher就是奠定这一基础的人之一。<br>
那么创办RSI，为什么是现在？<br>
Socher判断，AI领域正在触及对数级收益递减。你需要增加一两个数量级的数据，却只得到微小的改进。<br>
RSI不是这条道路上的唯一个。<br>
David Silver的Ineffable Intelligence种子轮拿了11亿美元，估值51亿美元。Ilya Sutskever的SSI，估值未披露。Yann LeCun的AMI Labs，募资10亿美元。<br>
顶级科学家集体出走、资本集体押注，已经成为2025年以来AI领域最明确的结构性浪潮。<br>
8位联创干出顶级独角兽<br>
Recursive能在早期拿到这个估值，一个直接原因就是创始团队人才密度高。<br>
独角兽门槛是10亿美元估值，RSI首轮估值46.5亿美元，相当于8位联创平均每人值0.58个独角兽。<br>
Richard Socher，吴恩达在斯坦福的博士生，ImageNet和Glove作者，谷歌学术引用量超过24万次。在创立Recursive之前，他创办了MetaMind并被Salesforce收购，后来还做出了估值15亿美元的AI搜索引擎You.com。<br>
田渊栋，Meta FAIR前研究科学家总监，长期做强化学习、基础模型效率和神经网络理解。更早之前，他还做过ELF OpenGo，把AlphaZero式训练重新开源实现到围棋场景里；最近几年，他的研究线又转向Llama推理、长序列加速、低成本训练等更贴近大模型系统瓶颈的问题。<br>
施天麟是清华姚班校友，Cresta联合创始人之一，Cresta从斯坦福AI实验室起步，2019年就把Transformer模型用到实时客服Agent Assist里。<br>
Tim Rocktäschel的是开放式智能和安全循环专家。他是UCL人工智能教授，也曾在Google DeepMind担任开放式研究方向负责人，研究重点就是AGI、open-endedness和self-improvement。他和合作者把安全红队问题改写成开放式搜索Rainbow Teaming：不靠人手列完攻击方式，而是让系统持续生成更多样、更有效的对抗提示。现在几乎所有的AI安全团队都在用<br>
Alexey Dosovitskiy是Vision Transformer作者之一，在2020年率先把Transformer直接用到图像patch序列上，证明视觉任务不一定非要卷积网络做底座。<br>
Josh Tobin是OpenAI早期成员，OpenAI Agents Research Team负责人之一；<br>
Caiming Xiong曾在Salesforce负责AI Research和Applied AI，和Socher长期共事，也共同署名过CTRL等可控文本生成工作。<br>
Jeff Clune的研究和RSI路线高度重合，他长期研究开放式进化、AI-generating algorithms和AI安全，也是Darwin Gödel Machine论文作者之一。那篇论文讨论的正是让AI系统修改自身代码、再用benchmark验证改进是否有效。<br>
8个人分别对应强化学习和大模型效率、开放式算法、安全红队、视觉Transformer、智能体产品化、企业AI落地、创业组织和自我改进研究。<br>
8位联创，再加少量创始团队，RSI总人数不超过30人，Socher在采访中还特别强调：<br>
我们将尽可能保持团队小而精，最终把很多事情委托给我们的Agent。<br>
参考链接：[1]https://www.recursive.com<br>
[2] https://www.gv.com/news/recursive-superintelligence-self-improving-ai