夜雨聆风递归智能：AI 的下一站，是学会改造自己
2025 年 10 月，Meta 对 AI 部门裁员约 600 人，受影响的包括 FAIR、产品 AI 和基础设施团队。
在这场裁员里，一个名字格外显眼：田渊栋。
他曾是 Meta FAIR 的研究科学家总监，也是强化学习、围棋 AI 和大模型研究圈里非常硬核的人物。被裁当天，他在 X 上写得很克制：自己和部分团队成员受到了影响。但随后，他又补了一句更尖锐的话：
真正应该为问题负责的人，并不是被裁掉的人。
几个月后，另一条新闻出现了。
田渊栋加入 Recursive Superintelligence，成为联合创始人之一。这家公司由 Richard Socher 领导，团队里还有 Jeff Clune、Alexey Dosovitskiy、Tim Rocktäschel、Caiming Xiong 等一批顶级 AI 研究者。GV 官方文章披露，Recursive 早期融资 6.5 亿美元，估值 46.5 亿美元。
这不是一笔普通融资。
因为 Recursive 押注的不是"再做一个更强的聊天机器人"，而是一个更底层的方向：
让 AI 参与制造下一代 AI。
这就是递归智能。
01递归智能到底是什么？
递归智能，听起来很玄，其实可以用一句话理解：
过去是人类改进 AI；未来可能是 AI 改进 AI。
今天的大模型已经能写代码、读论文、跑实验、分析结果。那下一个问题自然出现了：
如果 AI 能写普通软件，为什么不能写训练 AI 的软件？
如果 AI 能发现代码 bug，为什么不能发现模型训练流程里的 bug？
如果 AI 能设计测试用例，为什么不能设计新的 benchmark？
如果 AI 能优化一个系统，为什么不能优化自己所在的系统？
这就是递归智能的基本逻辑。
它不是简单地让 AI 帮程序员写几行代码，而是把 AI 研发拆成一个闭环：
发现自己的能力短板；
提出新的改进假设；
设计实验和评测；
修改模型、数据、训练流程或推理系统；
再用结果指导下一轮改进。
一旦这个闭环能够稳定运转，AI 的进步就不再完全依赖人类研究员的灵光一现，而会变成一种可以自动加速的研发机器。
02它和普通 AI Agent 有什么不同？
很多人会问：这不就是 AI Agent 吗？
不完全是。
普通 Agent 的目标，是帮人完成任务。比如写报告、查资料、改代码、做客服。
递归智能的目标，是让 AI 改进 AI 系统本身。
前者是在应用层提高效率；后者是在研发层改变生产方式。
这就像区别于：
让 AI 帮你开车；
和让 AI 参与设计下一代发动机、下一代道路系统、下一代交通规则。
它改变的不是某一个产品功能，而是技术进步的来源。
如果说过去十年 AI 的主线是 Scaling Law，也就是更多数据、更多参数、更多算力，那么递归智能想回答的是另一个问题：
当继续堆数据和算力的边际收益下降之后，AI 还能不能自己找到新的增长曲线？
03为什么是现在？
递归智能不是今天才有人想到。
"自我改进的 AI"几十年前就存在于科幻、控制论和 AGI 讨论里。过去它之所以一直停留在概念层，是因为缺了几个关键条件。
第一，AI 以前不会可靠地写代码。
现在最强模型已经能承担一部分软件工程工作，尤其是在目标清晰、测试明确、代码边界明确的任务上。
第二，研发流程以前很难自动化。
现在有了更成熟的自动评测、合成数据、实验管理、代码执行环境和 Agent 工具链，AI 不只是能"想"，还可以真的"试"。
第三，行业需要新的增长路径。
预训练 Scaling Law 仍然重要，但越来越贵。继续把模型做大，当然还能进步，但每一步都要吞下更大的数据、算力和资本。
所以行业开始寻找新的杠杆。
不是只问：我们能不能训练一个更大的模型？
而是问：我们能不能训练一个更会做研究的模型？
这就是递归智能成为焦点的原因。
04顶级研究者为什么都盯上这件事？
Recursive 不是孤例。
Ilya Sutskever 离开 OpenAI 后创办 Safe Superintelligence，把目标直接指向安全超级智能。
David Silver 创办 Ineffable Intelligence，押注用强化学习和自我生成经验来创造不依赖人类数据的"superlearner"。据 TechCrunch 报道，这家公司已融资 11 亿美元，估值 51 亿美元。
Anthropic 联合创始人 Jack Clark 在 2026 年 5 月的一篇文章里给过一个激进判断：到 2028 年底，出现"无须人类参与的 AI 研发"，也就是 AI 系统强到能自主构建后继系统的概率超过 60%。
这些方向并不完全相同。
SSI 讲安全超级智能；
Ineffable 讲从经验中自我学习；
Recursive 讲开放式算法和递归自我改进。
但它们共同指向同一件事：
AI 的竞争，正在从"谁拥有最强模型"，转向"谁拥有最快的智能生产系统"。
05真正的分水岭是什么？
递归智能真正成立的标志，不是 AI 会写代码。
会写代码只是起点。
真正的分水岭，是它能不能持续做出"可验证的有效改进"。
比如：
它能不能发现现有模型在某类推理任务上的系统性弱点？
能不能设计一个不会被轻易刷分的新 benchmark？
能不能提出一个训练改动，并在实验中稳定提升结果？
能不能判断哪些提升是真进步，哪些只是评测幻觉？
能不能在多轮迭代后，避免把错误越放越大？
这才是递归智能最难的地方。
因为 AI 改进 AI，不只是"生成代码"，而是要完成完整的科学循环：提出假设、控制变量、实验验证、结果解释、失败复盘。
人类研究员最稀缺的部分，也恰恰在这里。
不是敲代码，而是判断什么问题值得问，什么实验值得做，什么结果值得相信。
06AI 的下一站
如果递归智能跑通，AI 行业的节奏会被彻底改写。
今天模型发布周期已经在压缩。过去一个大版本可能要半年到一年；后来变成几个月；现在一些团队已经开始按月迭代。
但这还只是"人类团队用 AI 工具加速"。
下一步更关键：
当 AI 可以自动发现瓶颈、自动设计实验、自动写 benchmark、自动改训练代码，迭代的主体就开始改变了。
不是人类用 AI 加速研发，
而是 AI 本身成为研发过程的一部分。
当然，递归智能不等于无限飞升。它也可能优化错目标，学会刷 benchmark，在复杂代码库里引入难以发现的错误，甚至把一次小偏差在多轮自我改进中放大成系统性风险。
所以递归智能真正重要的，不只是"更强"，还有"可验证""可解释""可控"。
没有后者，递归自我改进就不是生产力飞轮，而可能是风险飞轮。
过去几年，AI 行业最重要的问题是：
我们能不能训练出一个更大的模型？
接下来几年，问题会变成：
我们能不能训练出一个会做 AI 研究的模型？
这就是递归智能的核心。
它不是让 AI 更会聊天，也不是让 AI 多写几行代码。它真正想改变的，是智能本身的生产方式。
如果说大模型让 AI 成为一种产品，那么递归智能想让 AI 成为一种研发机器。
而一旦 AI 开始参与制造下一代 AI，行业竞争就会进入一个完全不同的阶段。
真正的差距不再只是今天谁的模型更强。
而是谁的系统，能更快地产生明天更强的模型。