·聚焦:人工智能、芯片等行業

歡迎各位客官關注、轉發

前言：

2026年4月，一家名叫Recursive Superintelligence的AI初創公司，完成了一輪5億美元的融資，估值達到40億美元。

一個只有20個人、成立四個月的公司，憑什么？錢不會憑空砸下來。Google和英偉達同時出手，買賬的是什么？

核心就兩個詞：[自學習]和[把人類從循環里移走]。

作者| 方文三

圖片來源 | 網絡

全明星團隊：AI界的[復仇者聯盟]

公司創始人Richard Socher，是自然語言處理領域公認的權威人物。

他在斯坦福大學師從AI先驅Andrew Ng與NLP泰斗Christopher Manning，2014年的博士論文至今仍是該領域引用量最高的論文之一。

離開學術界后，Socher加入Salesforce擔任首席科學家，一手打造了Salesforce Einstein AI平臺。

他在Salesforce的8年時間里，將AI技術成功融入了企業軟件的各個環節，證明了自己不僅是優秀的研究者，更是能將技術轉化為商業價值的領導者。

另一位聯合創始人Tim Rockt?schel同樣來頭不小，他是倫敦大學學院的AI教授，同時也是前Google DeepMind的首席科學家和開放性團隊負責人。

在DeepMind期間，Rockt?schel領導了Genie交互式世界模型等多個前沿項目，在強化學習和世界模型領域有著深厚的積累。

除了這兩位核心創始人，團隊還包括前OpenAI研究員Josh Tobin、Jeff Clune和Tim Shi，以及來自谷歌和Meta的其他頂尖AI專家。

這20個人，幾乎每一個都能在任何一家科技巨頭拿到百萬美元以上的年薪。豪華的團隊陣容，讓投資者愿意為一個還沒有產品的想法支付40億美元的估值。

巨頭同投：同一故事，不同棋局

GV領投、英偉達跟投Recursive的5億美元融資，表面是兩家巨頭共同看好一家初創，實則是它們在同一個AI科學革命的故事里，買下了截然不同的注腳。

谷歌的邏輯藏著戰略的深謀遠慮，DeepMind憑借AlphaFold破解蛋白質折疊、AlphaGeometry 攻克奧數幾何題，早已是[AI for Science]的領軍者。

但它始終走在[人類提問，AI解題]的路徑上，而Recursive想要顛覆這一切，讓AI自主發現科學問題并自行解決。這對谷歌而言既是潛在競爭，更是完美的對沖。

加上谷歌剛與英特爾達成多代AI基礎設施合作，投資Recursive不過是其AI大棋盤上的關鍵一子，確保無論誰先突破科學AI的臨界點，谷歌都能占據一席之地。

英偉達的算盤則簡單而精準，自主科學AI是名副其實的[算力黑洞]，每一次實驗迭代都意味著指數級增長的GPU需求。

投資Recursive本質是提前鎖定一個未來對算力有無限渴求的超級客戶。結合英偉達200億美元授權Groq技術的動作，這步棋正是其新一代AI芯片架構布局的重要一環。

2026年4月全球AI融資達370億美元，占風投總額的66%。在OpenAI、Anthropic 等巨頭動輒數百億美元的融資狂潮中，Recursive以極小團隊和極短成立時間拿下5億美元，更凸顯了其顛覆性的潛力。

自學習AI：從理論幻想到工程現實

[自學習AI]絕非空泛的營銷噱頭，而是一條有著半個世紀學術積淀、正在從實驗室走向產業的革命性技術路線。

自學習AI的種子早在1965年就已埋下，數學家I.J.Good提出了[智能爆炸]的設想：一旦機器能夠設計出比自己更聰明的機器，智能就會以指數級速度增長。

2007年，LSTM之父Jürgen Schmidhuber進一步構建了[哥德爾機]的理論框架，一個能在數學證明策略更優后遞歸改寫自身代碼的系統，然而這個優雅的理論在現實世界的復雜性面前停滯了數十年。

轉機出現在大語言模型成熟之后，2025年成為自學習AI的[理論爆發年]。

5月，《Noise-to-Meaning Recursive Self-Improvement》論文首次從數學上證明了遞歸自學習可以實現無界增長。

9月，[憲法神經元]研究為遞歸系統設置了安全錨點，解決了失控風險的核心擔憂。

到2026年初，Meta FAIR的Hyperagents論文被ICLR接收，首次將哥德爾機原理與開放式算法搜索結合，在編程任務上實現了持續自我改進，且算力投入與改進效果呈正相關。

短短一年間，自學習AI完成了從純理論建模到初步實證的關鍵跨越，為產業界的爆發鋪平了道路。

就在學術界接連突破的幾個月后，Recursive公司獲得5億美元融資，成為自學習AI領域最受矚目的創業公司。

它的名字本身就揭示了野心，[遞歸]在計算機科學中意味著函數調用自身形成循環，在AI語境下則指向系統不斷優化自身、螺旋上升的過程。

Recursive的目標遠比[智能爆炸]更具體、更現實：自動化整個前沿AI開發流程。從評估、數據選擇、訓練到后訓練、研究方向，全部由AI自主完成，無需人類干預。

這一愿景背后有著極其殘酷的商業邏輯，頂級AI研究員已經貴到難以承受。OpenAI頂級研究員年薪超千萬美元，Meta為組建[超級智能]團隊開出200萬美元底薪，行業內數百萬美元的薪酬包已成常態。

Recursive的本質是用一次性資本投入替代持續的人力成本，5億美元買下一個可能替代數百名頂級研究員的系統。

要理解Recursive的價值，必須先明白遞歸自學習與現有AI的根本區別。

過去十年，AI發展遵循著"人類設計-人類訓練-人類評估"的固定模式，就像一個極度依賴家教的學霸。

當AI水平超過人類時，人類再也無法有效指導它；同時數千名研究員花費數年訓練一個模型的效率，已經跟不上算力增長的速度。

遞歸自學習就是要打破這兩個天花板，讓AI自己扮演老師的角色。

一個完整的遞歸自學習系統能夠自己生成訓練數據、評估輸出、分析錯誤、修改代碼和架構，生成更強大的新版本。這個過程一旦形成閉環，就會帶來指數級的智能增長。

外界常將自學習AI誤解為系統獲得了神秘意識，但實際技術路徑非常樸素和工程化。

它可以拆解為四個環環相扣的環節：AI自主提出可測試的問題；生成多個候選方案和實驗參數；用明確指標自動評估結果；保留優勝者并進入下一輪迭代。

Recursive的野心，正是將這些零散的自動化能力整合成一個持續改進的完整系統，讓AI圍繞[如何讓AI變得更強]這件事形成閉環。系統的輸出，反過來成為系統下一輪升級的輸入。

當前主流的AI訓練模式本質上還是[以人為核心]的閉環，依賴大量人工標注和專家評審。

Recursive想要打破這個閉環，讓AI從被動接受訓練的工具，變成能夠識別自身瓶頸、主動提出改進方案的研發主體。

遞歸超級智能：性感概念與冰冷現實

遞歸超級智能的故事充滿科幻魅力，但[自學習]從理論走向現實，仍橫亙著難以逾越的鴻溝。

這條道路上首先矗立著四道硬門檻：反饋的模糊性、驗證的必要性、開放世界的復雜性與安全的根本性。

圍棋有明確勝負，而科研與工程沒有標準答案。沒有嚴格的可重復、可解釋、可檢驗機制，自學習極易淪為[自我強化的幻覺機器]。

更不用說真實世界規則不完整、目標會變化，AI不僅要會探索，更要懂得什么值得探索。

而遞歸式自我改進本身就意味著，人類將從設計者轉變為監管者，監管能力能否跟上系統迭代速度，是所有人都無法回避的終極拷問。

即便跨越了這些門檻，兩個最棘手的工程難題依然如影隨形。

①穩定性：遞歸系統中，微小誤差會在循環中被指數級放大，可能導致模型不可逆地[漂移]到未知方向。學術界雖提出了錨點方案，卻尚未經過任何實機驗證。

②成本：每一輪迭代都是真金白銀的算力消耗，而你永遠無法提前知道哪一輪會帶來突破，哪一輪會陷入死循環。

理論的光芒照亮了遠方，但工程的泥濘才剛剛開始。遞歸超級智能代表了AI研發自動化的一次豪賭，它的估值里既有無限可能，也有巨大的不確定性。

結尾：

40億美元買的是一個問題的答案權，頂級資本開始押注一個更底層的問題：AI能不能參與創造下一代AI？

這個問題一旦有階段性答案，AI產業會進入新的加速層。

Recursive可能是下一個OpenAI，也可能是下一個[先烈]。

部分資料參考：《金融時報》：《Months-old start-up Recursive Superintelligence raises $500mn for self-teaching AI》，極客公園：《谷歌、英偉達押注，這家估值40億美元的 AI公司，想把科學家直接干掉》

本公眾號所刊發稿件及圖片來源于網絡，僅用于交流使用，如有侵權請聯系回復，我們收到信息后會在24小時內處理。

請務必注明：

「姓名 + 公司 + 合作需求」