田渊栋新公司迈出第一步，回应Anthropic递归AI警告|anthropic|recursive|田渊栋|编程|自动化

Anthropic把这种趋势叫做“递归自我改进”——就是AI系统自己设计、构建、训练下一个版本，人类不再每一步都插手。更值得注意的是，他们还呼吁全行业协调：等递归自我改进真的到来时，要有办法暂缓甚至临时叫停前沿AI开发。而且他们已经开始行动了，限制最新的Claude Fable 5被用来研发前沿AI。

就在Anthropic发出警示的同时，田渊栋联合创立的Recursive Superintelligence，宣布向自动化AI研究迈出了第一步。这家公司刚结束隐身状态一个月，就拿出了第一项公开成果：一个开放式的自动化知识发现系统，在三个基准测试上都拿到了SOTA（最好成绩）。简单说，就是他们让AI替你跑实验，从提想法到写代码、验证结果，全流程自动化。

第二个场景更难，是NanoGPT Speedrun基准：用8块H100 GPU，把GPT模型训到验证损失3.28的最短时间。社区已经优化了两年多，从45分钟压缩到79.7秒。Recursive的系统从最优解出发，又把时间缩到77.5秒，省了2.2秒，和最近人类贡献的改进幅度相当甚至更好。核心技巧有三个：一是把FP8精度用到注意力计算，前向用FP8提升吞吐量，反向用BF16保持稳定；二是给优化器加了退火噪声，先大胆探索再稳健收敛；三是重写了MLP内核，省去一次显存读写，直接提速。这三个改进涉及精度策略、优化器设计、GPU内核编程三个不同领域，可见系统的通用性。

第三个场景深入到底层GPU内核优化，用的是英伟达的SOL-ExecBench基准，包含235个内核任务，评分0.5是PyTorch基准，1.0是硬件极限。之前最佳是0.699，Recursive的系统拿到了0.754，把距离硬件极限的差距缩小了18%。更牛的是，Recursive团队自己都承认不是内核专家，这些优化想法都是系统自己找出来的！

其实Recursive不是唯一的玩家，Yann LeCun的AMI Labs今年3月融了10亿，David Silver的Ineffable Intelligence4月拿了11亿种子轮，都在做让AI自主生成知识的事。但Recursive的成果是目前同类公司里最具体、可复现的。这种递归AI的逻辑很简单：AI提升AI研究能力，改进后的AI再进一步提升自己，周而复始。这能解决人类研究员稀缺的问题——全球能做前沿AI训练的研究员不超过几千个，如果AI能接管部分工作，AI进步的速度和成本都会变。

但Anthropic的警示也不能忽视：他们呼吁行业在递归自我改进到来时，要有暂停的选项，让社会和对齐研究跟上。一边是Recursive推进，一边是Anthropic警示，这两件事同时发生，耐人寻味。当然，Recursive也承认这只是第一步，目前系统在指标明确、反馈快、作弊易检测的场景效果好，离自主解决开放性科学问题还有距离，奖励作弊防控也是大挑战。但不管怎样，这个闭环已经开始转了，接下来就看它转得多快。