Richard Socher的新赌注：让AI自动改进AI研究

Latent Space3 天前

Richard Socher 是自然语言处理领域的早期重要研究者之一，也是 You.com、AIX Ventures 的创始人。现在，他又创办了一家更激进的 AI 公司 Recursive，核心方向是递归自我改进（Recursive Self-Improvement，RSI）：让 AI 系统参与并加速 AI 研究本身。

据介绍，Recursive 已聚集了一批研究开放式探索和自我改进智能体的研究人员，并完成了一轮规模为 46.5 亿美元的种子轮融资。

“尤里卡机器”：让发明过程本身被改进

Socher 将 Recursive 的愿景称为 “尤里卡机器”：一种能够改进发明流程的超级智能系统。它的目标不仅是完成单个任务，而是帮助人类更快提出假设、设计实验、优化方法，并推动科学与工程发现。

他设想，这类系统未来可能应用于多个方向，包括：

AI 研究
科学发现
能源
材料
生物学
其他复杂研发领域

核心观点是：如果 AI 能够改进“如何发明”，那么它带来的影响将不仅是某个工具层面的效率提升，而可能改变研发活动的速度和形态。

早期结果：优化任务与GPU Kernel改进

Socher 在访谈中提到 Recursive 的一些早期结果，包括一个 AI 研究系统在不到两天的时间里，在若干优化任务上超过了人类以及人类使用的智能体。

他还提到，Recursive 在 NVIDIA GPU kernel 优化方面也取得了一些进展：系统发现了改进方案，而不依赖一支 CUDA 专家团队。

需要注意的是，这些仍属于创始人对公司早期进展的描述，外部可验证细节有限。但它反映了 Recursive 的研发重点：不是仅训练更大的模型，而是让系统能够自动探索、评估和改进解决方案。

AI研究能否从“数年”压缩到“数周”？

Socher 的一个更大胆判断是：当前需要数千人、持续数年的 AI 研究工作，未来可能被压缩到数周完成。

这个判断的前提是，AI 系统不只是执行任务，而是参与研究循环：

发现问题；
提出方案；
编写和运行实验；
分析结果；
迭代改进；
将经验迁移到下一轮研究。

如果这些环节能够被高度自动化，AI 研究本身就可能进入加速循环。这也是递归自我改进概念的关键所在。

十个智能维度

Socher 还讨论了他对“智能”的拆解方式。他提出可以从多个维度理解智能，而不是只用单一测试或单一能力来衡量。

虽然具体维度在访谈中展开较多，但其核心思路是：真正强大的 AI 系统需要具备多方面能力，例如推理、学习、规划、探索、泛化、与环境互动，以及长期改进自身表现等。

这与 Recursive 的方向相呼应：公司关注的不只是模型回答问题的能力，而是系统能否持续提出更好的研究路径。

更难的问题：奖励黑客、治理与开源

访谈也触及了更具争议的问题。

首先是 奖励黑客（reward hacking）。当 AI 系统被赋予目标并自动优化时，它可能找到形式上满足目标、但实际上违背人类意图的路径。这是所有自我改进系统都必须面对的风险。

其次是类似 Anthropic 所提出的“宪法式 AI”方法是否足够有效。此类方法试图用一套原则约束模型行为，但在更强、更自主的系统面前，这种约束能否稳定发挥作用，仍然是开放问题。

此外，访谈还讨论了 AI 监管、是否应当放慢前沿模型发展速度，以及开源模型在地缘政治中的“软实力”作用。这些问题说明，Recursive 所代表的方向并不只是技术竞赛，也涉及治理、开放性和国际竞争。

值得关注的信号

Recursive 的故事有几个值得关注的信号：

AI 创业正在从“应用层工具”走向“自动化研究系统”；
递归自我改进重新成为前沿 AI 讨论中的核心概念；
资本市场愿意为“自动化发明”这一愿景给出极高估值；
技术进展的验证难度也在上升，外界需要区分愿景、内部结果和可复现实证。

Socher 的判断未必都会实现，但 Recursive 的方向代表了当前 AI 前沿的一条重要路径：让 AI 不只是回答问题，而是参与创造下一个 AI 系统。