AI在夜间修复了自己。找到了漏洞，进行了修复，并完成了验证——全程无人参与。OpenAI的GPT-5.3 Codex据称已经能够调试自身的训练过程，Anthropic表示Claude的大部分代码现在也是由AI直接编写的。 而现在，一个团队携$650M从隐身模式现身，试图在公司层面完成这个闭环。
这到底是一个什么样的循环？
Recursive Superintelligence于2025年底创立，2026年5月从隐身模式公开亮相，是一家位于旧金山的AI初创公司。 领头人是Richard Socher——前Salesforce首席科学家、You.com创始人，也是最早将深度学习引入NLP主流的研究者。斯坦福博士，引用次数21.5万次，NLP领域引用量排名第四。
但更令人印象深刻的是联合创始人阵容。
- Tim Rocktäschel
UCL教授兼Google DeepMind Open-Endedness团队前总监。Rainbow Teaming论文共同作者，Genie 3世界模型负责人。 - Alexey Dosovitskiy
Vision Transformer（ViT）论文共同作者——第一个将Transformer应用于计算机视觉的人。 - Jeff Clune
进化算法和Open-Endedness领域的先驱。Darwin Gödel Machine（AI自主代码重写）研究相关人物。 - Josh Tobin
OpenAI早期成员，Codex和Deep Research团队负责人。 - Yuandong Tian
Meta FAIR研究总监，DarkForest Go和ELF OpenGo的开发者。
顾问中还有Peter Norvig——AI教科书《Artificial Intelligence: A Modern Approach》的作者，前Google Research总监（任职25年）。 这些名字全都汇聚在一家公司里。
这家公司只做一件事：构建一个AI能够自主完成AI研究全流程的循环——创意生成、实现、验证——全部自动化。Socher这样表述："我们的核心是构建真正的递归自我改进超级智能，这意味着研究创意的构想、实现和验证全流程都将实现自动化。"
和现有AI研究有什么不同？
当前的AI研究方式是线性的：人类科学家提出假设，设计实验，编写代码，分析结果。AI在各个环节作为辅助工具参与，但闭合循环的仍然是人。
Recursive Superintelligence的目标是让AI自己来闭合这个循环。GV（Google Ventures）的投资逻辑很好地诠释了这一点："AI是代码，而现在AI可以编写代码。当这两个现实连接起来，自我改进循环就闭合了。"
| 当前AI研究 | 递归自我改进 | |
|---|---|---|
| 假设生成 | 人类研究员 | AI自主生成 |
| 实验实现 | 人类编写代码 | AI自主实现 |
| 结果验证 | 人类分析 | AI自主验证 |
| 改进方向 | 交由下一位研究者继承 | 同一AI递归重复 |
| 并行实验 | 受研究团队规模限制 | "5万名博士"级别的并行 |
迹象其实早已显现。OpenAI的GPT-5.3 Codex被描述为"首个能够调试自身训练、管理自身部署并分析自身评估的模型"，Anthropic也表示Claude的大部分代码现在由AI直接编写。 Google DeepMind的AlphaEvolve正被用于在神经网络优化和芯片设计中进化出解决方案。
Recursive是第一个在公司层面将这一趋势明确打包的团队。一家25人的初创公司比任何大型实验室都更直接地将"闭合循环"宣布为自己的商业目标。
核心整理：Recursive正在使用的技术
- Open-Endedness
不是优化固定目标，而是让系统自主生成新目标。灵感来自生物进化——就像不断变化的环境驱动适应一样，AI也不断创造新的挑战来推动自身进化。 这是Rocktäschel在DeepMind多年研究的领域。 - Rainbow Teaming
两个AI共同进化的方式——一个攻击，一个防御，同时从多个角度对抗。在NeurIPS 2024上发表，在所有测试模型中攻击成功率超过90%，对GPT-4o等闭源模型的平均迁移率达50%。 目前各大AI研究机构正将其用于安全测试。 - Darwin Gödel Machine
AI直接重写自身代码的系统。由Sakana AI和UBC（Jeff Clune参与）发表，在SWE-bench上性能从20%自主提升至50%。 Recursive正试图将这一研究路线扩展到公司规模。 - World Models
Rocktäschel主导的Genie 3是一个通用世界模型，可从文本提示以24fps 720p生成交互式环境。 目前也在协助Waymo自动驾驶训练环境的生成。这项技术将被应用于AI自我改进的环境构建。 - 目标："自主训练系统 Level 1"
第一阶段目标是在AI科学领域构建一个具备5万名博士和医生能力的自主训练系统。 之后的路线图是向物理、化学、临床前生物学、电池化学和核聚变物理等领域扩展。
为什么是现在？
Rocktäschel引用了斯坦尼斯瓦夫·莱姆的"信息壁垒"概念——知识积累速度超过人类处理速度的临界点。Recursive的使命是将AI研究方法论本身自动化，从而突破这道壁垒。Jeff Clune表达道："我们刚刚转过了那个弯——递归自我改进系统将要改变科学和技术。"
