用AI构建更强的AI，Recursive获得6.5亿美元融资

一家创业公司获得了GV（Alphabet旗下VC）和Greycroft共同领投的6.5亿美元早期融资，NVIDIA和AMD也参与本轮融资，它的估值达到了46.5亿美元。

这家公司的创始人是Richard Socher，他是AI领域的顶尖研究者，也是连续创业者。在这一次创业前，他是You.com的创始人，也曾担任Salesforce的首席科学家。

除了他本人外，他还有一个七人联合创始人团队，每一位团队成员，都可以说是当代AI研究的开拓者。

他创立的公司，只有一个核心目标：打造能够将知识发现过程自动化的递归自我改进超级智能。递归自我进化，是他们的核心思想，也是他们的公司名：Recursive。

Richard Socher在接受参访时介绍了这背后的核心逻辑：AI本质是代码，而现在的AI已经能够编写代码。当这两种现实交汇，自我改进的循环便能实现闭环。因此，可以构建一个闭环系统，在这个系统里，AI无需再依赖人类的聪明才智去构思、落地并验证想法，人类完全可以让AI自主完成整个流程。

这代表了AI发展方式的关键转变。

让AI去构建下一个更强大的AI系统

Richard Socher的职业生涯最初在学术界，他是NLP领域经典论文《Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank》的第一作者，这篇论文后来获得ACL 10-Year Test-of-Time Paper Award，他也曾担任斯坦福大学计算机系兼职教授。

之后，他创立了MetaMind，在MetaMind被Salesforce收购后，担任Salesforce首席科学家；再之后创立了估值十亿美元以上的AI搜索公司You.com。

图片来源：GV

除了Richard Socher自己，他还“集齐”了AI研究领域的“七龙珠”，其联合创始人包括：Tim Rocktäschel、Alexey Dosovitskiy、Caiming Xiong、Jeff Clune、Josh Tobin、Tim Shi、田渊栋。

他们曾推动并引领了多项重大技术进步，涵盖开放式算法、质量多样性算法、AI生成算法、自我改进的编程智能体、自动化红队测试与能力发现、提示词工程及其自动化、生成式学习挑战与环境、基础世界模型、自然语言处理领域的深度学习、Vision Transformer、检索增强生成以及AI科学家等前沿方向。

Tim Rocktäschel是UCL的人工智能教授，曾任Google DeepMind Principal Scientist，长期研究开放式进化与自我改进系统；Alexey Dosovitskiy是Vision Transformer（ViT）论文作者之一，该研究于2020年推动Transformer成为计算机视觉的重要基础架构；Caiming Xiong曾任Salesforce AI Research高级研究负责人，长期从事多模态AI研究；Tim Shi是OpenAI早期成员、Cresta联合创始人；Jeff Clune则是开放式进化和AI自我改进领域的代表性学者。

田渊栋是著名华人AI学者，他在Meta FAIR任职十余年，研究触及了现代 AI 领域最核心的一系列命题。在DeepMind的AlphaGo轰动全球之前，他就曾主导开发基于卷积神经网络（CNN）的围棋AI项目DarkForest Go，后来又担任ELF OpenGo项目的首席科学家。

AI领域经典教材《人工智能：一种现代方法》的合著者Peter Norvig担任公司顾问。

递归自我改进不是简单的AI自我进化

至少从20世纪60年代起，计算机科学界就流传着这样一个设想：AI系统能够实现自我改进，并利用这些改进成果加速下一轮迭代；在这个不断加速的循环中，AI的研发能力最终将超越人类研究员。

不过长期以来，这仅仅停留在理论层面。看起来，Recursive想要把它变成现实。

所谓递归自我改进，指的是能够自我优化、在运行过程中自我学习的算法。而Recursive聚焦的是“开放式”（open-endedness）架构，整个公司的核心使命就是让AI去构建下一个更强大的AI系统。

所谓“开放式”架构，可以用生物进化比喻：动物会去适应环境，随后其他物种又会针对这些适应性特征产生反向适应。这是一个可以演化数十亿年的过程，几乎永远不会结束。

Richard Socher解释了他们这种利用“开放式”特性来实现递归自我改进方法的独特之处：“很多人认为只要让AI做自动化研究，就很好。比如，可以让AI去优化某个东西，可能是一个机器学习系统，也可能只是一封你写的信，但这只是一般化的改进。

Recursive则是要规模化地构建真正具备递归与自我改进能力的超级智能。这意味着研究思路从构思、实现到验证的完整全流程，都将是自动化的。

它将首先实现AI研究思路的自动化，并最终扩展到所有类型的研究思路，甚至延伸至物理领域。”

机器学习领域正在显现出清晰的趋势：随着算力与数据的不断增长，手工设计的方法正逐渐被AI驱动的流程所取代。

Recursive试图验证一个新的Scaling Law：投入的算力越多，催生的发明和改进也就越多。

Richard Socher认为，通往超级智能的最快路径，将由能够递归改进自身的AI来实现，并依靠推动不停创新的开放式算法来达成这一目标。

这能够带来什么？可以想象一下：未来的AI迭代不再依赖人类研究员的手动设计，而是由AI系统自动化执行部分研发流程。它能自主生成改进方案，而这些改进又会反过来提升其生成更优方案的能力。

率先实现这一目标的公司，理论上能以指数级扩大对竞争对手的领先优势，因为其技术迭代速度将呈现复利式增长，而非线性发展。

尽管公司创立才几个月，但Richard Socher表示，他们的产品不会几年后才推出，而是会在几个季度内面世。他们的首要目标是训练出一个具备“5万名博士”能力的系统，进而将AI科学研究本身自动化。

在此基础上，该公司计划启动其所谓的“Level 1”自主训练系统，一旦这台引擎开始运转，团队计划将这台“Eureka 机器（一台能够自动发明万物的机器）”瞄准人类最复杂的量化前沿领域。

将科学方法自动化的意义极其深远，涵盖从加速疗法发现、治愈疾病，到设计下一代电池化学材料，乃至破解前沿核聚变物理学难题等广泛领域。

同时，公司将设置安全护栏，以防止软件生成具有风险的输出。

Recursive还透露，其AI系统开展的实验不仅聚焦于优化底层代码，还会改进其harness（智能体运行框架）。这指的是AI开发商用来优化算法输出效果的一系列配套程序。此外，Recursive的系统还将探索如何优化自身的训练与推理基础设施。

AI自我进化驱动底层范式转移

目前在海外的创投市场，有三个领域资金最集中。

第一类是 OpenAI、Anthropic等已经验证技术和商业化能力的头部AI实验室。它们的估值向数千亿美元甚至万亿美元级别逼近，单轮融资规模也不断刷新科技创业公司的融资上限。

第二类是以具身智能为代表的物理AI。头部具身智能公司的估值已进入百亿美元级别，单轮融资也开始突破十亿美元。它们试图把AI从屏幕和文本推向机器人、制造、物流和真实世界，代表的是AI能力边界的外延扩张。

第三类，则是以Recursive为代表的新一代AI实验室。这类neo lab已经不再满足于继续堆大模型参数，而是开始从模型架构、强化学习、世界模型、AI研发自动化等底层路径上，重新打开AI的增长空间。它们代表着AI下一轮范式竞争的可能方向。

目前风头正劲的neo lab中，AMI Labs关注世界模型，Ineffable Intelligence押注强化学习，希望通过试错、奖励和环境反馈训练出超越人类能力的“superlearners”；Safe Superintelligence则聚焦“安全优先”的超级智能研究。

相比之下，Recursive的“野心”很直接：它试图自动化整个AI研发管线，让AI参与研究、改进模型、优化算法，成为推动AI系统持续进化的工具。

AI自我进化思想，其实已经被不少公司实践，Anthropic曾表示，其内部大部分代码现已由Claude编写完成。OpenAI也曾透露，GPT-5.5帮助其研究人员发现了一种并行化方法，将token生成速度提升了20%以上。

Google也长期用AI优化芯片设计，而其相关团队成员近期创办的Ricursive Intelligence，则进一步试图把AI与芯片设计形成递归式闭环。

国内的AI实验室，也在大胆探索AI模型的前沿领域，包括一些模型结构的底层优化，DeepSeek，Kimi以及字节跳动的Seed实验室，都取得了不错的成果，而且开源到社区，让全球的研究者们能够共享这些技术。

与此同时，北大、阿里等高校和企业也已开始系统研究大模型自我进化和自我改进方向。如果这条路径能够走通，它对中国AI市场的意义将超出单一模型的性能提升，有可能推动中国AI一定程度上从“追赶式创新”，进一步走向底层模型能力和自动化研发能力的竞争。

本文来自微信公众号“阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，36氪经授权发布。

发布时间：2026-05-21 23:03

• 上一篇:

  华尔街警惕源自日本的债券下跌多米诺

• 下一篇:

  “车位泡沫”彻底破了，越来越多的地下停车位卖不动了