夜雨聆风30个人。没有产品。公司成立不到半年。
估值：46.5亿美元。
6月11日，一家叫Recursive Superintelligence的AI实验室发布了第一个研究成果——它的系统在三项高难度基准测试中全部拿下SOTA（state-of-the-art，当前最优）。不是训练了一个更聪明的聊天机器人，不是推出了什么企业级API。
它做的是：让AI自己当AI研究员。
从提出想法、写代码、跑实验，到分析结果、判断方向、迭代优化——整个过程，没有人类插手。
GV（Google Ventures）联合领投了6.5亿美元。紧跟其后的是英伟达。再后面是AMD。地球上卖AI芯片最多的两家公司，同时把钱砸进了一家30人的初创公司。
这不是一个融资故事。这是AI行业商业模式正在发生的第三次跃迁。
1. 预训练撞墙了，下一个S曲线在哪里？
过去三年，AI行业只有一个公式：更大模型 = 更强能力。
GPT-3有1750亿参数，GPT-4飙升到1.76万亿。所有人都以为这条路可以一直走下去——更多的GPU、更多的电力、更多的数据、更强的模型。
但墙出现了。
2025年下半年开始，一个共识在硅谷悄然成形：预训练的边际回报正在急剧下降。同样的钱扔进去，模型提升越来越小。OpenAI的GPT-5花了数十亿美元训练，但能力提升远不如从GPT-3到GPT-4的跃迁。
这就是S曲线的残酷之处——任何一个技术范式，走到后半段，每前进一步的成本都会指数级上升，而收益却在递减。
问题来了：下一个S曲线是什么？
Recursive的答案很简单：别再让人类手工调模型了。让AI自己改进自己。
2. Darwin和Gödel教我们的事
Recursive的技术路线，可以从一篇论文说起。
《Darwin Gödel Machine》（达尔文-哥德尔机器），四位Recursive员工参与撰写的奠基性论文。这个名字不是随便取的——达尔文代表进化论（通过变异和选择实现进步），哥德尔代表自指系统（一个系统可以描述和修改自身）。
结合起来就是：一个可以通过"进化"机制不断"改写自己"的AI系统。
这个想法在学术圈不算新。Jeff Clune——Recursive的联合创始人之一——已经在开放式AI研究上深耕多年，论文被Nature收录。真正的变化在于：时机到了。
田渊栋在Meta FAIR待了11年，他的判断很直接：人类的研究精力已成为模型进步的最大瓶颈。
想想看。一个顶级AI实验室可能有几百个研究员，但每个人的工作时长是有限的——需要睡觉、开会、写周报、在Slack上对齐。大型组织里，沟通和同步消耗的时间可能比真正的研发时间还多。
而一个AI研究员不需要睡觉，不需要对齐，不需要写OKR。它可以24小时不间断地想新idea、写代码、跑实验。关键不是"比人类更聪明"，而是"比人类更持续、更并行"。
田渊栋把当前系统能力定位在"0.5到1"之间（人类能力定义为1）。不高。但他设定的目标是10。
3. 芯片商为什么抢着投？
这笔融资里，最值得琢磨的不是GV（谷歌风投领投并不意外），而是英伟达和AMD同时参投。
两家你死我活的GPU竞争对手，在Recursive的cap table上坐到了一起。
逻辑是什么？
如果预训练的红利真的在消失，芯片商的增长故事就会出现裂缝——所有人都在买更少的GPU，因为投入产出比不再划算。
但递归自我改进是另一回事。它不需要一次训练花几千块H100，但它需要持续不断的计算——每一轮自我迭代都要跑实验、要验证、要对比。这是一个"长时间、高频次"的算力消耗模式，而不是"一次性、大爆发"。
英伟达和AMD赌的不是Recursive成功之后需要多少GPU训练下一代模型。他们赌的是Recursive的商业模式本身——如果"AI改进AI"成为行业标配，算力的消耗模式将从离散型变为持续型。
这是一张战略性支票。他们花钱买的不是股权回报，是未来十年算力需求的保险单。
4. 为什么大公司做不了这件事？
你可能会问：OpenAI、Anthropic、Google DeepMind——这些手握顶级人才和无限预算的巨头，为什么不自己做？
他们确实在做。Anthropic已经让Claude写了超过80%的生产代码。OpenAI的GPT-5.5设计了一种并行化方法来加速token生成。Google DeepMind构建了AlphaEvolve编码代理用于算法发现。
但关键区别在于：对大公司来说，自我改进是"辅助工具"——用来帮助人类工程师更快迭代模型，最终交付的产品还是API访问权限和订阅费。
对Recursive来说，自我改进就是产品本身。
这个差异看似微妙，实则致命。
田渊栋在离开Meta后说过一段很有意思的话：大型组织的架构本质上不适应前沿AI开发。高管向下推指令，数百人的团队花大量时间同步对齐，而AI的发展速度是按周计算的。当组织花一周时间对齐方向时，技术状态已经变了。
他把这种现象比作"鱼在缩小的水坑间跳跃"——在大雇主之间跳来跳去，无法逃避"水位"（传统岗位价值）的持续下降。唯一的出路是"维度跃迁"。
所以他选了25个人的团队。没有单独办公室。开放式布局。所有人都在做同一件事。
这背后还有一个更深的逻辑——可解释性。
田渊栋对可解释性有一种近乎偏执的重视。在他看来，当AI开始自主评估实验结果时，人类必须能理解模型"为什么这样判断"——不是出于安全焦虑，而是出于效率考量。一个黑箱系统每次自我迭代都在盲目烧GPU试错，而一个可解释的系统能精准定位瓶颈、避免浪费。可解释性不是道德包袱，是竞争壁垒。
这也是RSI从GV拿到投资的关键原因之一。GV的投资备忘录里明确提到：团队将可解释性研究视为"安全底线和效率杠杆"——防止推理漂移的同时，大幅降低每轮自我迭代的算力成本。
5. SSI、Recursive和AI实验室的大迁徙
Recursive不是孤例。
Ilya Sutskever——OpenAI的联合创始人兼前首席科学家——创立了SSI（Safe Superintelligence），估值320亿美元，没有产品，没有收入。
Yann LeCun——Meta首席AI科学家——创立了AMI Labs，专注于另一种技术路线。
这是一个正在发生的结构性现象：顶级AI研究者正在集体离开大公司，创立自己的小型实验室。不是因为钱（大公司给的薪酬更高），而是因为他们认为，当前这个时间窗口，大型组织从根本上无法跟上AI前沿的速度。
田渊栋把这个判断说得最直白：2025年底AI编程工具的跃进，意味着少数精英工程师几乎可以在一夜之间采用全新的生产范式。大公司可能需要一年甚至更久才能围绕新范式重组。而这一年，就是新进入者的黄金窗口。
这也解释了为什么投资者愿意给一家没有产品、没有收入的25人公司开出46.5亿美元的估值。Jack Clark（Anthropic联合创始人）估计，到2028年底，有60%的概率出现一个能在没有人类帮助的情况下训练出更强继任者的AI系统。
市场正在给这个概率定价。
有意思的是，这三位出走的大佬——Ilya、LeCun、田渊栋——选择了三条不同的路。Ilya的SSI押注"安全性"，认为安全约束本身就是通往超级智能的最短路径。LeCun的AMI Labs押注"世界模型"，认为AI需要先理解物理世界才能进化。田渊栋的Recursive押注"自我改进"，认为AI不需要先理解世界，只需要先理解自己。
三条路，一个共同前提：大公司无法完成这次跃迁。
6. 商业模式的第三阶段
如果我们拉远镜头，AI行业的商业模式正在经历三次跃迁：
第一阶段：卖模型。 OpenAI的GPT系列，Google的Gemini，百度的文心。核心产品就是模型本身——通过API按token收费。竞争维度是"谁的模型更强"。
第二阶段：卖能力。 Anthropic走的就是这条路。Claude不只是个模型，而是一个"可以替代人类完成复杂任务的智能体"。80%的生产代码由Claude自己写，工程师生产力提升了8倍。卖的已经不是模型调用，是解决问题的能力。
第三阶段：卖进化。 Recursive赌的是这个。不是卖一个更好的模型，不是卖一个更强的智能体——而是卖"能够不断自我改进的引擎"。它的客户不是普通企业用户，而是整个AI行业本身。如果Recursive的系统真的能让AI研究效率实现指数级提升，它的客户可以是任何一家还在雇人类研究员做AI的公司。
想想这个逻辑链条有多可怕：OpenAI花了几千人、数十亿美元训练GPT-5。如果Recursive的系统证明了"30个人+一个自我改进引擎"能达到同样的效果，AI公司的成本结构将被彻底改写。
田渊栋给年轻人提过一个建议："成为行走的数据源。"这个建议的反面是：如果你做的只是"可以被模型训练数据覆盖"的工作，你的价值正在归零。
这个建议的终极指向是：AI时代的真正赢家，不是训练出最强模型的人，而是让"训练最强模型"这件事本身不再需要人类的人。
RSI第一阶段的目标是训练一个具备"5万名博士"能力的系统，专门用于自动化AI研究。如果成功，第二阶段会将这台"尤里卡机器"对准药物研发、电池材料和核聚变物理。
听起来像科幻。
但6月11日那三项SOTA成绩是真实的，可外部复现的。系统在NVIDIA官方的GPU kernel优化榜SOL-ExecBench上，成绩超过了人类GPU专家手写方案。在NanoGPT Speedrun上，几天时间就把训练时间压缩到接近2025年5月人类排行榜水平。在NanoChat Autoresearch上，从零起点出发的方案也超过了社区最佳成绩。
田渊栋说系统当前的能力大约在人类水平的"0.5到1"之间。如果按照目前的速度，他设想的"10"——一个真正超越人类的AI研究员——可能不是十年后的事，而是几年后的事。
30个人。获投6.5亿美元。46.5亿美元估值。
如果AI真的开始自己造AI，这家公司的估值是太贵了，还是太便宜了？
