離開 Meta 后，田淵棟的下一站終于塵埃落定。

就在今天，AI 初創公司 Recursive Superintelligence（以下簡稱 Recursive）正式結束隱身狀態，公開了包括田淵棟在內的八位聯合創始人名單。與此同時，公司宣布完成 6.5 億美元 A 輪融資，估值達到 46.5 億美元。領投方為 GV（Google Ventures，谷歌風投）和 Greycroft，AMD Ventures 與 NVIDIA 參投。

作為前 Meta FAIR 的研究科學家總監。田淵棟因主導 ELF OpenGo 項目而廣為人知。作為該項目的首席科學家與工程負責人，他帶領團隊開源復現了 AlphaZero 算法，并取得了 20:0 戰勝職業棋手的戰績，為社區留下了寶貴的代碼、模型及自博弈數據。

這段經歷顯然影響了 Recursive 的技術路線。圍棋 AI 的核心在于通過 self-play（自博弈），讓系統在反復試錯中生成新策略；而 Recursive 試圖將這種“通過反饋改進自身”的機制，從棋盤擴展至 AI 研發本身。簡言之，過去的 AI 學會了下棋和游戲，現在的目標是讓它學會提出研究問題、設計實驗、編寫代碼并進行自我評估。

從“下棋”到“科研”：遞歸自我改進的現實化

在官方文章中，Recursive 的定位非常明確：構建一種能夠以安全方式進行實驗并改進自身的 AI。公司旨在通過開放式自動化科學發現過程，推動 self-improving AI（自我改進型人工智能）的發展。

這一愿景的核心概念是 Recursive Self-Improvement（RSI，遞歸自我改進）。在計算機科學中，“遞歸”指過程將自身結果作為輸入不斷推進。在 AI 語境下，RSI 意味著系統不僅能輸出答案，還能優化產生答案的方法，甚至自主提出假設、執行實驗并修改自身架構，形成閉環。最激進的版本是一個幾乎不需要人類介入的自主進化系統。

在此前與 DeepTech 的采訪中，田淵棟已經談到過這種研究方式的變化。他表示，AI 現在更像一個“博聞強記的博士生”，能夠提供大量候選想法和執行代碼、實驗等“臟活累活”，但真正的價值判斷仍需要人來完成；人的角色也會從親自寫代碼，逐漸轉向提出問題、篩選方向和把控研究路徑。

（來源：田淵棟主頁）

然而，目前的 RSI 仍處于初級階段。在近期報道中指出，嚴格意義上的 RSI 要求系統在無人類指令下改進自身，而當前大多數系統仍依賴人類設定目標和定義成功標準，決定哪些改變值得保留。這也是理解 Recursive 這類公司的關鍵：它們并非已經造出“超級智能”，而是試圖將 AI 研發流程中越來越多的環節自動化。

這一方向之所以在 2026 年變得更具可行性，主要得益于 AI 代碼能力的躍遷。隨著 OpenAI、Anthropic 等公司的模型在編程、調試及軟件工程自動化方面取得突破，“AI 寫代碼”已成為現實。Recursive CEO Richard Socher 也表示：“AI 本質是代碼，而現在 AI 可以編寫代碼?！币虼?，實現遞歸自我改進的關鍵條件正在成熟。

超級實驗室陣容：不只是寫代碼

Recursive 的團隊構成更像是一個圍繞研究范式聚合的“超級實驗室”，而非傳統的產品型公司。

CEO Richard Socher 曾任 Salesforce 首席科學家，也是 You.com 創始人；Jeff Clune 長期研究開放式算法，關注 AI 如何持續產生新能力；Tim Rockt?schel 來自 Google DeepMind，方向是智能體和世界模型；Josh Tobin、Tim Shi 來自 OpenAI，偏 AI 系統和工程落地；Caiming Xiong 來自 Salesforce AI，熟悉自然語言處理與企業級 AI；Alexey Dosovitskiy 是 Vision Transformer 的共同作者之一，在視覺模型領域影響很大。

換句話說，這支團隊不是圍繞某個單點產品組建的，而是沖著“自動化 AI 研發”這條路線來的。

此外，Recursive 還聘請了前 Google 研究總監、經典教材《人工智能：一種現代方法》合著者 Peter Norvig 擔任顧問。目前，團隊成員已超過 25 人，并仍在持續招募中，已經吸引了諸葛鳴晨等一眾優秀小將。他關注代碼智能體與遞歸自我改進，近期提出“神經計算機”設想，認為 AI 的下一步不只是調用軟件，而可能是把部分軟件能力內化進模型自身。

（來源：論文）

與主流大模型公司關注 scaling law 和產品化不同，Recursive 聚焦于上游的“開放式算法”（open-ended algorithms）。這類系統不以單一固定目標為終點，而是持續探索、生成多樣化解法并積累發現檔案。公司認為，人類智能源于達爾文演化和文化演化等開放式過程，AI 研發也應遵循類似邏輯，讓后來的創新建立在前序創新之上。

這也是 Recursive 與一些主流大模型公司的細微差別。過去幾年，大模型行業的主線很大程度上圍繞算力、數據和產品化展開，訓練更大的模型并部署到搜索、辦公等場景中。而 RSI 關注的問題更靠近上游：能否讓 AI 幫助產生新的模型結構、新的訓練方法、新的評測方式，甚至新的研究問題。它試圖自動化的不只是軟件工程，而是科學研究中較難被標準化的一部分。

產業信號：研發自動化的下一步

Recursive 的出現還標志著 AI 投資正從應用層、模型層向“研發自動化層”延伸。

此前，一些企業已有類似嘗試。例如 Google DeepMind 去年發布的 AlphaEvolve，被描述為一種用于科學與算法發現的 coding agent（編程智能體），可以借助大語言模型引導解法演化，用于優化神經網絡架構、數據中心調度和芯片設計等問題。盡管人類仍需決定問題和評估標準，但它顯示出 AI 能在算法發現中提供不一般的貢獻。

（來源：Google Cloud）

另一類主要是“AI Scientist”的系統，嘗試自動生成研究想法、運行實驗、撰寫論文并進行評審，例如日本 AI 獨角獸 Sakana AI。雖然離真正的人類科學家仍有距離，但已經把“研究循環”中若干原本由人完成的步驟連接起來。Jeff Clune 曾參與相關工作，并長期主張開放式探索和演化算法將成為 RSI 的關鍵組件。

當然，這條道路所面對的挑戰也不小。CEO Socher 承認，實現構想需要數年時間。此前，Clune 也曾表示當前 AI 在提出真正有價值的創新想法、處理復雜工程依賴方面仍不穩定。

更重要的是，AI 研發并不是一個純粹的軟件循環。前沿模型訓練牽涉算力采購、芯片供應、數據中心建設、電力、數據治理、安全評估和組織決策，許多環節無法簡單交給一個模型自動完成。前景如何，還需持續觀望。

本輪融資中，NVIDIA 和 AMD 的參投也值得注意。這說明 Recursive 所押注的方向已經不只是研究圈內部的興趣，也開始進入算力產業鏈的視野。不過，從已公開信息看，NVIDIA 和 AMD 的投資更多體現為對前沿 AI 研發方向的財務與戰略關注，至于雙方是否會在芯片、系統軟件或模型訓練層面展開更深合作，目前并未披露。

1.https://www.nytimes.com/2026/05/13/technology/recursive-superintelligence-funding-ai.html

2.https://spectrum.ieee.org/recursive-self-improvement

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成