6.5亿美元押注“AI研究AI”：一群顶级研究员想造出“自我进化”的超级智能

如果让 AI 接管 AI 研究本身，会发生什么？Richard Socher 正在用一家新公司押注这个问题。 今年 5 月，这位曾任 Salesforce 首席科学家、先后创办 MetaMind 和 You.com " 的 AI 研究者，带着新公司 Recursive Superintelligence（下文简称 Recursive） "正式走进公众视野。公司一亮相就拿到了 6.5 亿美元融资，GV 和 Greycroft 领投，英伟达、AMD Ventures 等参与投资。两个月后，Recursive 又与亚马逊云科技签下一份价值 4.1 亿美元的多年算力协议。Socher 当时甚至称，这“很可能是未来几年我们签下的最小算力协议之一”。 钱之外，更值得注意的是聚集在这家公司里的人。 Recursive 一共有八位联合创始人。除 Socher 外，还包括前 Google DeepMind 开放式研究负责人 Tim Rocktäschel、长期研究进化算法和开放式学习的 Jeff Clune、Vision Transformer 共同作者 Alexey Dosovitskiy、前 Meta FAIR 研究负责人田渊栋（Yuandong Tian），以及 Josh Tobin、Tim Shi、Caiming Xiong。团队里还有 Peter Norvig、Chris Cummins、Jeffrey Pennington 等研究人员。Socher 在公司成立时 公布 "了完整的创始团队名单，投资方 GV 也把这群人的研究背景视为 Recursive 最重要的资产之一。 这群人聚到一起，不是为了再训练一个聊天机器人。Recursive 给自己的目标是：构建能够实现RSI（递归自我改进）的超级智能，让知识发现自动化。Socher 给最终想象中的系统取了一个名字：Eureka Machine，“尤里卡机器”。 在他最近接受 Latent Space 的长访谈 "中，这台机器被描述成一种终极的“发明机器”：给它一个目标、环境和奖励，它能够自己寻找实现目标的方法，并最终用来解决科学和技术问题。这个愿景听起来很遥远，但 Recursive 真正值得关注的地方，是它已经把问题往前推进了一步：AI 的下一个自动化对象，可能就是造 AI 的人。 AI 的下一个自动化对象，是 AI 研究本身 Socher 对这件事的理解来自他自己二十多年的 AI 研究经历。 早期机器学习高度依赖“特征工程”。研究人员需要人工决定，面对一段文本、一张图片或者一个分类任务，究竟应该提取哪些特征，再把这些人工设计好的特征交给模型。后来，表征学习和神经网络逐渐替代了这套流程，越来越多特征不再由人类手工定义，而是由模型从数据中自己学习。 类似的变化随后又发生在模型架构上。Socher 回忆，早期自然语言处理研究普遍是“一个任务一个模型”：情感分析有一套架构，机器翻译有一套，问答又是另一套。2018 年，他参与的 DecaNLP 尝试把十类自然语言处理任务统一改写成问答，让一个神经网络处理不同任务。今天看来，这个方向已经不难理解，但当时论文提交 ICLR 后遭遇了强烈质疑。Socher 在访谈中回忆，评审甚至认为不存在能够统一处理这些问题的通用问答形式，“甚至人类都做不到”。 几年后，大语言模型把这种统一推得更加彻底。 在 Socher 看来，这些历史背后存在一条很清晰的规律：每当 AI 系统中一个原本需要人类手工完成的部分，被可学习、可扩展的系统替代，AI 的能力往往就会继续向前推进。 特征工程被部分自动化了，很多任务专用的架构设计也逐渐被通用模型取代。那么，还有哪个重要环节没有被真正自动化？答案恰恰是 AI 研究本身。 今天训练一个新模型，仍然需要研究人员阅读论文、形成假设、修改代码、设计实验、启动训练、检查结果，再决定保留哪个方向、放弃哪个方向。Recursive 想做的，是把这整套研究循环逐渐交给 AI。 Socher 后来把这套思路概括为：“AI 是代码，而 AI 已经能够写代码。” Recursive 希望自动闭合“提出想法—实现—验证”这条科学研究链路：系统自己提出研究想法，把它转化成代码修改，运行实验，检查是否存在奖励机制漏洞，再根据结果决定下一步研究方向。 不过，这里有一个很重要的概念需要区分：“自动研究（Auto Research）”不等于 RSI。前者意味着 AI 能够自动承担越来越多研究工作；后者则意味着，AI 不仅研究别的问题，还能够持续改进创造和训练自身的系统，由此形成一轮又一轮自我增强。 Recursive 目前做到的仍然属于前者。Socher 自己也把 已经公开的系统 "称为通往 RSI 的一个“里程碑”，或者“尤里卡机器的 0.1 版本”，而不是已经实现了RSI。 但在他看来，一个过去不存在的关键条件已经出现了：过去 AI 是人类编写的代码，现在 AI 自己已经能够编写、修改和测试代码。这让“AI 改进 AI”第一次从一个抽象概念，逐渐变成了可以真正运行的工程系统。 为什么是一群研究“开放式学习”的人？ Recursive 的创始团队因此显得很特别。如果只是想做一个更强的编程智能体，并不需要聚集这么多研究开放式学习、进化算法和自动研究系统的人。 Jeff Clune 长期研究开放式学习，关心的问题不是如何让模型在一个固定基准测试上把分数从 90 做到 95，而是怎样让系统不断产生新的行为、任务和解决方案。Tim Rocktäschel 此前则负责 Google DeepMind 的开放式研究团队。Recursive 的技术路线明显受到进化论和开放式学习研究的影响：它不是只围绕一个固定目标反复优化，而是希望让系统持续探索，把有价值的发现保留下来，再基于已有成果产生新的研究方向和解决方案。 这和传统 AI 训练存在一个明显区别。传统方法通常先由人类定义目标、数据集和奖励，再让 AI 朝着这个固定目标优化；开放式学习更关心的是，系统能否不断创造新的挑战，并随着环境、对手和已有能力变化，继续发现新的策略。 Socher 在访谈中举了 AI 安全攻防的例子。如果只训练一个攻击模型寻找漏洞，它很快会碰到固定任务分布的上限；但如果攻击方和防守方一起进化，防守方不断学习新的攻击，攻击方再针对新的防御继续寻找漏洞，两边就可能形成持续变化的学习环境。 这种思路与 Recursive 想做的自动研究有明显联系。 真正的 AI 研究并不是一道答案固定的数学题。研究人员必须不断决定“下一步值得尝试什么”，而一个实验的结果又会改变下一轮实验的方向。未来的自动研究系统如果只能执行一张由人类提前写好的实验清单，离真正的自主研究仍然很远。最终，它需要学会的可能是：怎样改进自己的研究方法。 “尤里卡机器”0.1 版已经开始自己跑实验 Recursive 显然还没有造出完整版的“尤里卡机器”。但 Socher 透露，他们已经把早期系统放进了几个能够快速、明确验证结果的 AI 研究环境中。 其中一个是 Andrej Karpathy 的 nanochat。Karpathy 今年开源的 autoresearch（自动研究） 项目 "，实际上已经给