2026年4月，一家名叫Recursive Superintelligence的AI初创公司，完成了一轮5亿美元的融资，估值达到40亿美元。
一个只有20个人、成立四个月的公司，凭什么？钱不会凭空砸下来。Google和英伟达同时出手，买账的是什么？
核心就两个词：[自学习]和[把人类从循环里移走]。
全明星团队：AI界的[复仇者联盟]
公司创始人Richard Socher，是自然语言处理领域公认的权威人物。
他在斯坦福大学师从AI先驱Andrew Ng与NLP泰斗Christopher Manning，2014年的博士论文至今仍是该领域引用量最高的论文之一。
离开学术界后，Socher加入Salesforce担任首席科学家，一手打造了Salesforce Einstein AI平台。
他在Salesforce的8年时间里，将AI技术成功融入了企业软件的各个环节，证明了自己不仅是优秀的研究者，更是能将技术转化为商业价值的领导者。
另一位联合创始人Tim Rocktäschel同样来头不小，他是伦敦大学学院的AI教授，同时也是前Google DeepMind的首席科学家和开放性团队负责人。
在DeepMind期间，Rocktäschel领导了Genie交互式世界模型等多个前沿项目，在强化学习和世界模型领域有着深厚的积累。
除了这两位核心创始人，团队还包括前OpenAI研究员Josh Tobin、Jeff Clune和Tim Shi，以及来自谷歌和Meta的其他顶尖AI专家。
这20个人，几乎每一个都能在任何一家科技巨头拿到百万美元以上的年薪。豪华的团队阵容，让投资者愿意为一个还没有产品的想法支付40亿美元的估值。
巨头同投：同一故事，不同棋局
GV领投、英伟达跟投Recursive的5亿美元融资，表面是两家巨头共同看好一家初创，实则是它们在同一个AI科学革命的故事里，买下了截然不同的注脚。
谷歌的逻辑藏着战略的深谋远虑，DeepMind凭借AlphaFold破解蛋白质折叠、AlphaGeometry 攻克奥数几何题，早已是[AI for Science]的领军者。
但它始终走在[人类提问，AI解题]的路径上，而Recursive想要颠覆这一切，让AI自主发现科学问题并自行解决。这对谷歌而言既是潜在竞争，更是完美的对冲。
加上谷歌刚与英特尔达成多代AI基础设施合作，投资Recursive不过是其AI大棋盘上的关键一子，确保无论谁先突破科学AI的临界点，谷歌都能占据一席之地。
英伟达的算盘则简单而精准，自主科学AI是名副其实的[算力黑洞]，每一次实验迭代都意味着指数级增长的GPU需求。
投资Recursive本质是提前锁定一个未来对算力有无限渴求的超级客户。结合英伟达200亿美元授权Groq技术的动作，这步棋正是其新一代AI芯片架构布局的重要一环。
2026年4月全球AI融资达370亿美元，占风投总额的66%。在OpenAI、Anthropic 等巨头动辄数百亿美元的融资狂潮中，Recursive以极小团队和极短成立时间拿下5亿美元，更凸显了其颠覆性的潜力。
自学习AI：从理论幻想到工程现实
[自学习AI]绝非空泛的营销噱头，而是一条有着半个世纪学术积淀、正在从实验室走向产业的革命性技术路线。
自学习AI的种子早在1965年就已埋下，数学家I.J.Good提出了[智能爆炸]的设想：一旦机器能够设计出比自己更聪明的机器，智能就会以指数级速度增长。
2007年，LSTM之父Jürgen Schmidhuber进一步构建了[哥德尔机]的理论框架，一个能在数学证明策略更优后递归改写自身代码的系统，然而这个优雅的理论在现实世界的复杂性面前停滞了数十年。
转机出现在大语言模型成熟之后，2025年成为自学习AI的[理论爆发年]。
5月，《Noise-to-Meaning Recursive Self-Improvement》论文首次从数学上证明了递归自学习可以实现无界增长。
9月，[宪法神经元]研究为递归系统设置了安全锚点，解决了失控风险的核心担忧。
到2026年初，Meta FAIR的Hyperagents论文被ICLR接收，首次将哥德尔机原理与开放式算法搜索结合，在编程任务上实现了持续自我改进，且算力投入与改进效果呈正相关。
短短一年间，自学习AI完成了从纯理论建模到初步实证的关键跨越，为产业界的爆发铺平了道路。
就在学术界接连突破的几个月后，Recursive公司获得5亿美元融资，成为自学习AI领域最受瞩目的创业公司。
它的名字本身就揭示了野心，[递归]在计算机科学中意味着函数调用自身形成循环，在AI语境下则指向系统不断优化自身、螺旋上升的过程。
Recursive的目标远比[智能爆炸]更具体、更现实：自动化整个前沿AI开发流程。从评估、数据选择、训练到后训练、研究方向，全部由AI自主完成，无需人类干预。
这一愿景背后有着极其残酷的商业逻辑，顶级AI研究员已经贵到难以承受。OpenAI顶级研究员年薪超千万美元，Meta为组建[超级智能]团队开出200万美元底薪，行业内数百万美元的薪酬包已成常态。
Recursive的本质是用一次性资本投入替代持续的人力成本，5亿美元买下一个可能替代数百名顶级研究员的系统。
要理解Recursive的价值，必须先明白递归自学习与现有AI的根本区别。
过去十年，AI发展遵循着"人类设计-人类训练-人类评估"的固定模式，就像一个极度依赖家教的学霸。
当AI水平超过人类时，人类再也无法有效指导它；同时数千名研究员花费数年训练一个模型的效率，已经跟不上算力增长的速度。
递归自学习就是要打破这两个天花板，让AI自己扮演老师的角色。
一个完整的递归自学习系统能够自己生成训练数据、评估输出、分析错误、修改代码和架构，生成更强大的新版本。这个过程一旦形成闭环，就会带来指数级的智能增长。
外界常将自学习AI误解为系统获得了神秘意识，但实际技术路径非常朴素和工程化。
它可以拆解为四个环环相扣的环节：AI自主提出可测试的问题；生成多个候选方案和实验参数；用明确指标自动评估结果；保留优胜者并进入下一轮迭代。
Recursive的野心，正是将这些零散的自动化能力整合成一个持续改进的完整系统，让AI围绕[如何让AI变得更强]这件事形成闭环。系统的输出，反过来成为系统下一轮升级的输入。
当前主流的AI训练模式本质上还是[以人为核心]的闭环，依赖大量人工标注和专家评审。
Recursive想要打破这个闭环，让AI从被动接受训练的工具，变成能够识别自身瓶颈、主动提出改进方案的研发主体。
递归超级智能：性感概念与冰冷现实
递归超级智能的故事充满科幻魅力，但[自学习]从理论走向现实，仍横亘着难以逾越的鸿沟。
这条道路上首先矗立着四道硬门槛：反馈的模糊性、验证的必要性、开放世界的复杂性与安全的根本性。
围棋有明确胜负，而科研与工程没有标准答案。没有严格的可重复、可解释、可检验机制，自学习极易沦为[自我强化的幻觉机器]。
更不用说真实世界规则不完整、目标会变化，AI不仅要会探索，更要懂得什么值得探索。
而递归式自我改进本身就意味着，人类将从设计者转变为监管者，监管能力能否跟上系统迭代速度，是所有人都无法回避的终极拷问。
即便跨越了这些门槛，两个最棘手的工程难题依然如影随形。
①稳定性：递归系统中，微小误差会在循环中被指数级放大，可能导致模型不可逆地[漂移]到未知方向。学术界虽提出了锚点方案，却尚未经过任何实机验证。
②成本：每一轮迭代都是真金白银的算力消耗，而你永远无法提前知道哪一轮会带来突破，哪一轮会陷入死循环。
理论的光芒照亮了远方，但工程的泥泞才刚刚开始。递归超级智能代表了AI研发自动化的一次豪赌，它的估值里既有无限可能，也有巨大的不确定性。
结尾：
40亿美元买的是一个问题的答案权，顶级资本开始押注一个更底层的问题：AI能不能参与创造下一代AI？
这个问题一旦有阶段性答案，AI产业会进入新的加速层。
Recursive可能是下一个OpenAI，也可能是下一个[先烈]。
部分资料参考：
《金融时报》：《Months-old start-up Recursive Superintelligence raises $500mn for self-teaching AI》
极客公园：《谷歌、英伟达押注，这家估值40亿美元的 AI公司，想把科学家直接干掉》
END
