首轮融资44亿元!知名AI研究员田渊栋官宣创业,8名联创3位华人,要做递归自我进化今天，知名华人AI科学家、前Meta FAIR研究总监田渊栋发布推文，正式官宣自己联合创立的新公司：Recursive。田渊栋称，新团队正在构建一种AI，它能够自动发现知识并递归地自我改进，将从根本上改变科学和技术进步的方式。据了解，Recursive目前团队规模为25人，仍在持续扩招中。成员均是递归自我进化AI核心赛道的前沿开拓者，深耕领域涵盖：开放式算法、质量多样性算法、AI生成算法、自进化代码智能体、自动化红队攻防与能力挖掘、提示工程及自动化技术、学习任务与仿真环境构建、基础世界模型、自然语言处理深度学习、视觉Transformer、检索增强生成、AI智能科研体等。该公司披露首轮融资拿下6.5亿美元（约44.1亿元人民币），投后估值46.5亿美元，由Google Ventures、Greycroft联合领投，AMD、NVIDIA等巨头重磅参投，展现出资本市场对其技术愿景的热烈反响。Recursive创始团队及核心成员均为全球顶尖科研人才与资深连续创业者，他们曾牵头组建Salesforce、Uber人工智能实验室，并在OpenAI、DeepMind、谷歌大脑、Meta担任过核心团队负责人。随着项目的宣发，8位联合创始人也正式亮相，其中包括3位华人面孔。田渊栋是强化学习与大模型推理领域的知名AI研究员，之前在Meta FAIR担任研究总监，他曾在上海交通大学计算机系完成本硕连读，在卡内基梅隆大学（CMU）机器人研究所获得博士学位。田渊栋于2014年加入Meta FAIR一干就是十多年，他在Meta的老上司便是图灵奖得主Yann LeCun，不过后来因内部组织架构调整两人双双离职，目前都开启了自己的创业之旅。Caiming Xiong曾在硅谷CRM巨头Salesforce担任人工智能研究院及应用AI副总裁，他毕业于华中科技大学，后在纽约州立大学布法罗分校计算机科学与工程系获博士学位，在加州大学洛杉矶分校（UCLA）担任博士后研究员。Caiming Xiong参与发表过多篇顶会优秀论文（ACL、EMNLP、CVPR、ICML等），引用量8万+，在NLP、多模态、大语言模型领域影响力显著。Tim Shi（施天麟）是清华姚班校友，曾以姚班第一名的成绩到MIT深造，后在斯坦福大学获得博士学位，他曾是OpenAI核心成员，后离职联合创办了Cresta担任CTO，该公司估值目前约16亿美元。Richard Socher——公司联合创始人兼CEO，NLP领域知名研究员，曾担任Salesforce AI首席科学家，主导Einstein平台的研发，推动Salesforce成为企业AI领域的市场领导者之一；Jeff Clune——前DeepMind高级研究顾问、Uber AI Labs创始成员之一，曾担任OpenAI研究团队负责人；Alexey Dosovitskiy——Transformer架构在视觉领域应用的奠基人，Vision Transformer（ViT）核心发明者，被誉为“ViT之父”，相关论文是近十年AI领域引用量最高的论文之一；Josh Tobin——AI机器人与强化学习领域的资深研究者，OpenAI早期核心成员，曾主导OpenAI机器人能力建设，后曾联合创办Gantry，主打生产环境中的机器学习模型监控与治理平台；Tim Rocktäschel——UCL教授，开放式AI、AGI与自我改进系统领域的顶尖科学家，前Google DeepMind核心成员；Recursive秉持的底层逻辑是：通往超级智能的最优路径，是打造具备递归自我优化能力的AI，通过开放式算法驱动永不停歇的创新迭代。
据悉，该团队初期将聚焦AI底层科学研究，研发能迭代优化AI的AI，未来这套技术范式或将颠覆所有自然科学与科研领域。迄今为止，AI领域的重大突破，均由人类科学家主导完成，但从今年开始可能会加速发生一些质的改变。
OpenAI首席科学家Jakub Pachocki在今年3月份曾表示，他们正瞄准一个前所未有的科研目标：在2028年前，打造一个能够自主解决复杂问题的“AI研究员”。
Anthropic联合创始人Jack Clark在5月初发帖称，他最近几周阅读了大量公开的AI开发数据后，认为到2028年底，递归自我改进（recursive self-improvement）发生的概率有60%。
Recursive的联创之一Jeff Clune近期发表在《nature》的一篇论文提出端到端全科研流程自动化架构，AI科研家系统可自主提出研究创意、编写代码、运行实验、绘图并分析数据、撰写完整学术论文，还能完成自我同行评审。日前，谷歌、Meta联合多个高校的研究人员构建出了一个新框架AutoTTS，这是一种环境驱动型框架，将测试时缩放（TTS）策略设计重新定义为自动发现问题。它改变了人的工作方式：不再需要人工逐一设计分支、剪枝、停止等启发式规则，转而搭建可复现的策略发现环境。
AutoTTS可以让探索型大模型能够自动生成控制策略，在不同模型规模和多项基准测试上，效果均优于业内精良的人工设计基线方案。这些顶级实验室的预判和研究论文揭示，前沿模型正加速向递归自我改进与自动化多智能体工作流方向演进，未来几年，AI系统有望实现自主构建和改进。递归自我改进有望让AI进化从“人力驱动”转向“AI自主驱动”，资本押注的背后是对下一代AI技术主导权的提前卡位。现在的GPT、Claude等大模型主要靠人类研究员想思路、改架构、调策略、做测试、迭代版本，进化速度受人脑效率、人力成本、时间周期死死限制。递归自我进化技术一旦成熟：AI自己做科研、自己设计模型、自己调测试时缩放、自己优化架构、自己迭代下一代模型，形成闭环复利。同时，率先突破该领域技术的玩家可将迭代周期从“月/年”压缩至“天/小时”，在进化机制方面形成降维打击，与竞争对手拉开新的代际差距。市场分析认为，短期1-2年，递归式的进化系统大概率能在自动化科研、推理策略优化等领域落地实用成果，提升大模型效率；未来3-5年若递归闭环跑通，可能重构AI竞争格局，诞生远超当前水平的“超级AI”。到那时，AI将不只是人类的工具，而是能真正自我进化的“智能生命体”。-END-
活动推荐如果您有什么想说的，欢迎在评论区留言讨论！
投稿或寻求报道，欢迎私信“投稿”，添加编辑微信。
了解最新科技趋势分析、行业内部的独家见解、定期的互动讨论和知识分享、与行业专家的直接面对面交流的机会，领取100份AI科技商业研报合集，加群共同探讨与成长——
夜雨聆风
