AI工具精选：Recursive获6.5亿融资，构建更强AI的权威测评
一笔由GV（Alphabet旗下风投机构）与Greycroft共同领投，NVIDIA及AMD参与跟投的6.5亿美元早期融资，将一家初创公司的估值推高至46.5亿美元。这家名为Recursive的公司，其目标并非开发常规的AI应用，而是指向一个更为根本的命题：构建能够自主创造下一代更强AI的递归智能系统。
公司创始人Richard Socher，一位在AI学术界与产业界均拥有深厚积淀的研究者。在成功创立You.com并担任Salesforce首席科学家后，他此次的创业项目“Recursive”直指核心——打造能够实现规模化递归自我改进的超级智能体。
Socher阐释了其底层逻辑：AI的本质是代码，而当前的大模型已具备强大的代码生成能力。当AI能够编写并优化用于创造AI的代码时，一个自我强化的技术闭环便得以形成。这意味着未来的AI研发流程，有望从依赖人类研究员手动设计，转向由AI系统自主完成从构思、实现到验证的全链路自动化。这标志着一场关键的AI研发范式转移。
让AI去构建下一个更强大的AI系统
Richard Socher的职业生涯始于自然语言处理领域的学术深耕，他是获得ACL十年时间检验奖的经典论文《Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank》的第一作者。从斯坦福大学到创立MetaMind，再到领导You.com，其轨迹始终紧贴AI技术演进的前沿。
图片来源：GV
更令人瞩目的是其组建的联合创始人团队，堪称AI研究领域的全明星阵容。成员包括：Tim Rocktäschel（伦敦大学学院教授，前Google DeepMind首席科学家，专注开放式进化算法）、Alexey Dosovitskiy（Vision Transformer架构核心作者之一）、Caiming Xiong（前Salesforce AI Research高级研究负责人）、Jeff Clune（开放式进化与AI自我改进领域的代表性学者）、Josh Tobin、Tim Shi（OpenAI早期成员）以及知名华人AI研究员田渊栋。
田渊栋在Meta FAIR的十余年研究经历，深度触及了现代AI的核心挑战。在DeepMind的AlphaGo引发全球关注之前，他便主导开发了基于卷积神经网络的围棋AI项目DarkForest Go。此外，经典教材《人工智能：一种现代方法》的合著者Peter Norvig也出任公司顾问。
这支团队的研究专长覆盖了开放式算法、质量多样性优化、AI生成内容、自我改进智能体、自动化测试、提示工程、基础世界模型、视觉Transformer、检索增强生成乃至“AI科学家”等多个前沿方向。他们实质上汇聚了实现“AI递归进化”所需的多项关键技术模块。
递归自我改进不是简单的AI自我进化
让机器实现自我改进的构想，在计算机科学领域已存在超过半个世纪，但长期多停留于理论探讨。Recursive的核心目标，是将这一构想转化为可规模化运行的工程系统。
公司专注于构建“开放式”架构。这一概念可类比于生物进化：物种为适应环境而演化，其他物种则对此产生协同或对抗性演化，形成一个可能永不终止的动态过程。Recursive的使命，正是在此类架构上，工程化地构建能够规模化递归自我改进的超级智能。
Richard Socher指出了其方案的独特性：“许多人认为让AI执行自动化研究任务就已足够，例如优化某个机器学习模型的超参数或自动撰写邮件。但这仅属于一般性改进。我们的目标是规模化地构建具备真正递归自我改进能力的超级智能，这意味着实现从研究思路的构思、代码实现到实验验证的全流程自动化。”他进一步展望，该系统最终将能拓展至所有科学领域的研究，包括物理学等复杂学科。
当前机器学习领域呈现出一个清晰趋势：随着计算资源与数据规模的指数级增长，传统手工设计的方法正逐步被AI驱动的自动化流程所取代。Recursive试图验证一条新的“扩展定律”：投入的计算资源越多，系统自主催生的技术发明与改进也就越多。Socher确信，通往超级智能的最快路径，将由能够递归改进自身的AI系统，并通过开放式算法持续推动创新来实现。
其潜在影响是深远的。未来的AI迭代可能不再依赖于人类工程师的手动编码与调参，而是由AI系统自动化执行整个研发管线，自主生成性能更优的改进方案，而这些改进又会反过来提升其生成下一代方案的能力。率先实现这一闭环的公司，其技术迭代速度将呈现复利式增长，从而建立起指数级的竞争壁垒。
尽管公司成立仅数月，但Socher透露产品将在未来几个季度内面世。首要目标是训练出一个具备“相当于5万名博士”科研能力的AI系统，以实现AI科学研究的自动化。在此基础上，他们将启动“Level 1”自主训练系统。这台旨在“自动发明万物”的机器，最终将瞄准人类最复杂的量化前沿领域，从加速新药研发、设计下一代高性能电池材料，到攻克可控核聚变中的物理难题。
当然，安全护栏将被同步构建，以预防系统生成存在潜在风险的输出。此外，Recursive的系统不仅会优化其核心算法代码，还将改进其运行与评估框架，甚至探索如何优化自身的训练与推理基础设施，实现更深层次的系统级自我优化。
AI自我进化驱动底层范式转移
审视当前全球AI创投生态，资金正高度集中于几个核心赛道。第一类是如OpenAI、Anthropic般已在技术与商业化层面得到验证的头部实验室，其估值正向万亿量级迈进。第二类是以具身智能为代表的物理AI，旨在将AI能力从数字世界延伸至机器人、先进制造等实体场景，代表的是AI能力边界的外向扩张。
而第三类，正是以Recursive为代表的新一代AI实验室。这类“新型实验室”不再满足于单纯地堆叠模型参数或扩大数据规模，而是开始从模型架构创新、强化学习范式、世界模型构建、AI研发自动化等底层路径上，重新定义AI能力的增长曲线。它们代表了AI下一轮范式竞争的关键方向。
目前备受关注的同类机构中，AMI Labs专注于世界模型的研究，Ineffable Intelligence押注于通过试错与奖励机制训练“超级学习者”的强化学习路径，Safe Superintelligence则聚焦于“安全优先”的超级智能开发。相比之下，Recursive的路径更为直接：致力于自动化整个AI研发管线，让AI自身成为驱动其持续进化的核心引擎。
事实上，AI自我进化的理念已在产业实践中萌芽。Anthropic透露其内部大部分代码已由Claude编写；OpenAI表示GPT-5.5协助研究人员发现了将token生成速度提升20%以上的并行化方法；Google长期利用AI优化其TPU芯片设计，而相关团队成员新创立的Ricursive Intelligence，正试图将AI与芯片设计形成递归优化闭环。
视线转向国内，AI实验室同样在前沿领域展开积极探索。DeepSeek、Kimi以及字节跳动的Seed实验室等在模型结构底层优化上取得了显著进展，并通过开源策略与全球社区共享成果。同时，北京大学、阿里巴巴等机构也已开始系统性地研究大模型的自我进化与自我改进机制。
若递归自我改进的路径能够走通，其意义将远超单一模型性能指标的提升。它有望推动中国AI产业从“追赶式创新”，进一步迈向底层模型能力与自动化研发能力的深层次竞争，从而在全球AI技术范式演进中占据更主动的战略位置。