离开 Meta 后，田渊栋的下一站终于尘埃落定。
就在今天，AI 初创公司 Recursive Superintelligence（以下简称 Recursive）正式结束隐身状态，公开了包括田渊栋在内的八位联合创始人名单。与此同时，公司宣布完成 6.5 亿美元 A 轮融资，估值达到 46.5 亿美元。领投方为 GV（Google Ventures，谷歌风投）和 Greycroft，AMD Ventures 与 NVIDIA 参投。
作为前 Meta FAIR 的研究科学家总监。田渊栋因主导 ELF OpenGo 项目而广为人知。作为该项目的首席科学家与工程负责人，他带领团队开源复现了 AlphaZero 算法，并取得了 20:0 战胜职业棋手的战绩，为社区留下了宝贵的代码、模型及自博弈数据。
这段经历显然影响了 Recursive 的技术路线。围棋 AI 的核心在于通过 self-play（自博弈），让系统在反复试错中生成新策略；而 Recursive 试图将这种“通过反馈改进自身”的机制，从棋盘扩展至 AI 研发本身。简言之，过去的 AI 学会了下棋和游戏，现在的目标是让它学会提出研究问题、设计实验、编写代码并进行自我评估。
从“下棋”到“科研”：递归自我改进的现实化
在官方文章中，Recursive 的定位非常明确：构建一种能够以安全方式进行实验并改进自身的 AI。公司旨在通过开放式自动化科学发现过程，推动 self-improving AI（自我改进型人工智能）的发展。
这一愿景的核心概念是 Recursive Self-Improvement（RSI，递归自我改进）。在计算机科学中，“递归”指过程将自身结果作为输入不断推进。在 AI 语境下，RSI 意味着系统不仅能输出答案，还能优化产生答案的方法，甚至自主提出假设、执行实验并修改自身架构，形成闭环。最激进的版本是一个几乎不需要人类介入的自主进化系统。
在此前与 DeepTech 的采访中，田渊栋已经谈到过这种研究方式的变化。他表示，AI 现在更像一个“博闻强记的博士生”，能够提供大量候选想法和执行代码、实验等“脏活累活”，但真正的价值判断仍需要人来完成；人的角色也会从亲自写代码，逐渐转向提出问题、筛选方向和把控研究路径。
然而，目前的 RSI 仍处于初级阶段。在近期报道中指出，严格意义上的 RSI 要求系统在无人类指令下改进自身，而当前大多数系统仍依赖人类设定目标和定义成功标准，决定哪些改变值得保留。这也是理解 Recursive 这类公司的关键：它们并非已经造出“超级智能”，而是试图将 AI 研发流程中越来越多的环节自动化。
这一方向之所以在 2026 年变得更具可行性，主要得益于 AI 代码能力的跃迁。随着 OpenAI、Anthropic 等公司的模型在编程、调试及软件工程自动化方面取得突破，“AI 写代码”已成为现实。Recursive CEO Richard Socher 也表示：“AI 本质是代码，而现在 AI 可以编写代码。”因此，实现递归自我改进的关键条件正在成熟。
超级实验室阵容：不只是写代码
Recursive 的团队构成更像是一个围绕研究范式聚合的“超级实验室”，而非传统的产品型公司。
CEO Richard Socher 曾任 Salesforce 首席科学家，也是 You.com 创始人；Jeff Clune 长期研究开放式算法，关注 AI 如何持续产生新能力；Tim Rocktäschel 来自 Google DeepMind，方向是智能体和世界模型；Josh Tobin、Tim Shi 来自 OpenAI，偏 AI 系统和工程落地；Caiming Xiong 来自 Salesforce AI，熟悉自然语言处理与企业级 AI；Alexey Dosovitskiy 是 Vision Transformer 的共同作者之一，在视觉模型领域影响很大。
换句话说，这支团队不是围绕某个单点产品组建的，而是冲着“自动化 AI 研发”这条路线来的。
此外，Recursive 还聘请了前 Google 研究总监、经典教材《人工智能：一种现代方法》合著者 Peter Norvig 担任顾问。目前，团队成员已超过 25 人，并仍在持续招募中，已经吸引了诸葛鸣晨等一众优秀小将。他关注代码智能体与递归自我改进，近期提出“神经计算机”设想，认为 AI 的下一步不只是调用软件，而可能是把部分软件能力内化进模型自身。
与主流大模型公司关注 scaling law 和产品化不同，Recursive 聚焦于上游的“开放式算法”（open-ended algorithms）。这类系统不以单一固定目标为终点，而是持续探索、生成多样化解法并积累发现档案。公司认为，人类智能源于达尔文演化和文化演化等开放式过程，AI 研发也应遵循类似逻辑，让后来的创新建立在前序创新之上。
这也是 Recursive 与一些主流大模型公司的细微差别。过去几年，大模型行业的主线很大程度上围绕算力、数据和产品化展开，训练更大的模型并部署到搜索、办公等场景中。而 RSI 关注的问题更靠近上游：能否让 AI 帮助产生新的模型结构、新的训练方法、新的评测方式，甚至新的研究问题。它试图自动化的不只是软件工程，而是科学研究中较难被标准化的一部分。
产业信号：研发自动化的下一步
Recursive 的出现还标志着 AI 投资正从应用层、模型层向“研发自动化层”延伸。
此前，一些企业已有类似尝试。例如 Google DeepMind 去年发布的 AlphaEvolve，被描述为一种用于科学与算法发现的 coding agent（编程智能体），可以借助大语言模型引导解法演化，用于优化神经网络架构、数据中心调度和芯片设计等问题。尽管人类仍需决定问题和评估标准，但它显示出 AI 能在算法发现中提供不一般的贡献。
另一类主要是“AI Scientist”的系统，尝试自动生成研究想法、运行实验、撰写论文并进行评审，例如日本 AI 独角兽 Sakana AI。虽然离真正的人类科学家仍有距离，但已经把“研究循环”中若干原本由人完成的步骤连接起来。Jeff Clune 曾参与相关工作，并长期主张开放式探索和演化算法将成为 RSI 的关键组件。
当然，这条道路所面对的挑战也不小。CEO Socher 承认，实现构想需要数年时间。此前，Clune 也曾表示当前 AI 在提出真正有价值的创新想法、处理复杂工程依赖方面仍不稳定。
更重要的是，AI 研发并不是一个纯粹的软件循环。前沿模型训练牵涉算力采购、芯片供应、数据中心建设、电力、数据治理、安全评估和组织决策，许多环节无法简单交给一个模型自动完成。前景如何，还需持续观望。
本轮融资中，NVIDIA 和 AMD 的参投也值得注意。这说明 Recursive 所押注的方向已经不只是研究圈内部的兴趣，也开始进入算力产业链的视野。不过，从已公开信息看，NVIDIA 和 AMD 的投资更多体现为对前沿 AI 研发方向的财务与战略关注，至于双方是否会在芯片、系统软件或模型训练层面展开更深合作，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
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴