田渊栋拒绝大厂橄榄枝 联手顶级团队押注自我进化AI

半年前Meta裁员风波里，田渊栋在社交平台确认自己和团队成员被裁，评论区瞬间变成硅谷顶级Boss直聘现场，OpenAI、xAI、Anthropic等头部公司纷纷伸出橄榄枝。但他全都拒绝了，半年后，答案终于揭晓。

田渊栋选择和另外七位来自全球顶级AI实验室的研究者联合创业，创立了聚焦递归自我改进AI的Recursive Superintelligence，刚出隐身就拿到6.5亿美元A轮融资，估值达到46.5亿美元，谷歌风投、英伟达、AMD都集体押注。这不是一次普通的AI创业，而是整个AI研发范式悄悄转移的信号。当大模型都在拼参数、拼产品的时候，为什么这群顶级科学家要反过来让AI自己改进AI？

田渊栋 ：田渊栋身着蓝白格纹衬衫，在户外砖墙前微笑

从大厂螺丝钉到创业者 顶级研究者集体换赛道

熟悉田渊栋的人都知道，他在Meta FAIR一干就是近十年，从普通研究员做到研究科学家总监，主导的ELF OpenGo项目开源复现AlphaZero算法，20:0战胜职业棋手，在AI社区留下了非常重要的技术遗产。

可去年年底开始，形势发生了变化。2025年10月Meta AI部门大裁员，田渊栋团队成为重灾区；更早之前，Llama 4发布前，田渊栋团队的前沿研究被高层强制叫停，整个团队被抽去做后训练和bug修复这类支撑性工作。

和他差不多时间离开Meta的，还有他的老上司、图灵奖得主Yann LeCun，两个人做出了一模一样的选择：不再去大厂当螺丝钉，自己出来做真正想做的前沿研究。

Recursive核心团队成员 ：五位Recursive团队成员，背景有AI相关可视化元素

这次和他联合创业的七位创始人，个个都是行业里响当当的角色：CEO Richard Socher是前Salesforce首席科学家，You.com创始人，谷歌学术引用量超24万次；Alexey Dosovitskiy是Vision Transformer的共同作者，在视觉模型领域影响深远；还有来自DeepMind、OpenAI的核心研究者，连AI经典教材《人工智能：一种现代方法》的合著者Peter Norvig都加入担任顾问。

25人团队里八位都是联合创始人，这种配置在AI创业里非常少见，只有一个解释：这群人不是冲着做一款ToC产品来的，是冲着改写AI研发规则来的。

递归自我改进不是玄学 是AI研发的必然方向

很多人听到「递归自我改进AI」，第一反应都是这是不是又在炒概念，甚至联想到超级智能的科幻故事。其实换个角度看，这个方向的成熟，完全是近几年AI技术发展逼出来的结果。

过去十年AI发展的主线是什么？是人类一步步教AI做事情：从识别图像，到生成文本，再到写代码。每一步都是人类提出问题、设计模型、写代码训练、评估结果，然后重复这个循环。

但到了今天，这个循环已经开始出现瓶颈。模型越来越大，写代码、调参、做实验的工作量已经超过了人类团队能够承载的极限；另一方面，AI的代码能力已经突破了临界点——现在的大模型已经可以独立完成写代码、调试bug、优化架构这些工作。

AI本质是代码，而现在AI可以编写代码。——Recursive CEO Richard Socher

Recursive要做的事情，其实就是把围棋AI里自博弈自我进化的逻辑，从棋盘迁移到AI研发本身。过去AI通过自博弈学会了下棋，现在要让AI通过「自研发」学会怎么改进自己：提出研究问题、设计实验、写代码改模型、做评估，形成完整的闭环。

AlphaEvolve宣传图 ：Google Cloud AlphaEvolve预览宣传图，含脑形科

田渊栋之前在采访里说过，现在的AI更像一个「博闻强记的博士生」，能做大量执行层面的脏活累活，人类只需要负责提出问题、筛选方向和把控研究路径。这个变化不是遥不可及的未来，现在已经发生了。

我最近接触到不少AI实验室，已经开始用大模型写基础代码、做 ablation 实验、甚至帮着梳理文献找研究方向，人类研究员的时间确实更多花在了判断方向和价值选择上。这其实就是递归自我改进的初级阶段，Recursive只是把这个趋势做成了一家公司的核心方向。

为什么硅谷资本集体押注 这和大模型路线有什么不同

这次融资最值得注意的细节，是NVIDIA和AMD两家芯片巨头都参与了跟投。这说明这个方向已经不只是研究圈里的小众兴趣，已经进入了整个算力产业链的战略视野。

过去几年大模型行业的主线，其实就是三件事：堆算力、扩参数、做产品落地，把大模型放到搜索、办公、客服这些场景里赚钱。这套逻辑已经跑通了，但也遇到了新的问题：模型越大，训练成本越高，创新速度反而变慢了，因为没人敢随便推翻现有的大模型重新做架构。

而Recursive走的是完全相反的一条路：它不堆现有模型的参数，而是要让AI自己去探索新的模型结构、新的训练方法、新的评测标准。简单说，主流大模型是「人训练AI做任务」，RSI路线是「AI帮人研发下一代AI」。

计算机架构对比示意图 ：经典计算机与神经计算机的架构对比图示

其实行业里早已经有类似的尝试：谷歌DeepMind去年发布的AlphaEvolve，已经可以用大语言模型引导算法演化，优化神经网络架构和芯片设计；日本的Sakana AI也做了自动生成研究想法、运行实验的AI Scientist系统。这些尝试都证明，AI已经可以在算法发现里提供实实在在的贡献。

从投资的角度看，现在AI投资已经从应用层、模型层，开始往上游的「研发自动化层」走了。当应用层的竞争变得红海，大家都会回过头来找下一个效率拐点——而如果AI能把研发AI的效率提升十倍，这个拐点的价值显然比一百个ToC应用还要大。

这条路走得通吗 真正的挑战从来不是算法

当然，所有人都会问：递归自我改进真的能实现吗？Recursive的创始人自己也说了，实现这个构想需要好几年时间，现在的技术还有很多不足。

当前最大的瓶颈，其实不在算法层面，而是在两个大家容易忽略的地方。第一个是价值判断：现在的AI可以做实验写代码，但判断「这个改进真的有价值吗」「这个研究方向值得继续走吗」，还是要靠人类。完全脱离人类的自主进化，目前来看还太远。

第二个更现实的问题：AI研发从来不是一个纯粹的软件循环。前沿模型训练需要买算力、找芯片、建数据中心，还要做电力供应、数据治理、安全评估，这些环节没有一个能完全交给AI自动完成。资本愿意给钱，不代表这些问题会自动解决。

但不可否认的是，方向的指针已经开始转动了。大模型拼参数的时代，正在慢慢变成过去式，下一个阶段的竞争，会变成谁能让AI帮我们更快更好地研发AI。

田渊栋这群顶级研究者拒绝了大厂的高薪职位，拿着几十亿美元的融资扎进这个方向，不是因为他们已经找到了答案，而是因为他们知道，这里藏着AI下一个十年的真正钥匙。当AI开始自己改进自己，整个行业的游戏规则，会从根本上被改写。

至于这会把我们带向哪里，现在下定论还太早，但可以确定的是：那些敢跳出当前路径依赖，去探索新范式的人，永远都是改变行业的那批人。

#AI妙生图##芯片##AMD##英伟达#