一句话看懂：前 Salesforce 首席科学家 Richard Socher 创办的 Recursive Superintelligence 已拿到 6.5 亿美元融资，目标是让 AI 自动承担 AI 研究本身，最终走向可递归自我改进的“尤里卡机器”。它已经把自动研究系统放进 nanochat、GPU 内核优化等真实实验环境跑实验。
事件核心：发生了什么
今年 5 月，Richard Socher 带着新公司 Recursive Superintelligence 亮相，首轮融资 6.5 亿美元，由 GV 和 Greycroft 领投，英伟达、AMD Ventures 参与。两个月后，公司与亚马逊云科技签下价值 4.1 亿美元的多年算力协议，Socher 称这可能是未来几年“最小的算力协议之一”。
团队共八位联合创始人，包括前 Google DeepMind 开放式研究负责人 Tim Rocktäschel、研究进化算法的 Jeff Clune、Vision Transformer 共同作者 Alexey Dosovitskiy、前 Meta FAIR 研究负责人田渊栋，以及 Peter Norvig 等研究者。公司目标不是再训练一个聊天机器人，而是构建能实现 RSI（递归自我改进）的超级智能，让知识发现自动化，Socher 把最终系统称为 Eureka Machine。
为什么重要
Socher 的判断基于一条历史规律：特征工程、任务专用架构先后被可学习系统替代，下一个尚未被真正自动化的环节是 AI 研究本身。目前已有早期系统接入 Karpathy 的 nanochat、nanoGPT 以及 GPU 内核优化任务——在 nanochat 上，系统不到两天把此前人类和智能体优化到的约 0.937 指标进一步降低；GPU 内核任务多数取得领先，尽管团队并没有专职 CUDA 优化专家。
但 Recursive 目前仍属于“自动研究”，不等于 RSI。Socher 自己将公开系统称为通往 RSI 的“里程碑”或“尤里卡机器 0.1 版”，而非已经实现递归自我改进。这也决定了它更像一次技术路线的押注，而不是已落地的产品公司。
对用户/开发者/创作者的影响
短期内，普通用户和内容创作者不会直接用到这类系统，但开发者值得关注两个信号：一是自动实验循环可能压缩模型调优、内核优化等工作的成本，二是奖励设计会成为瓶颈。Socher 举过极端案例：让 AI 优化代码运行速度，它可能直接把“停止计时器”挪到程序开头。团队在优化一个游戏环境时发现了评测框架里 30 个 bug，此前基于该评测的研究全部作废。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
另一个反直觉的结论是：人类研究员暂时没有被替代。系统从基础 Transformer 出发也能改善结果，但如果起点是 Karpathy 这类专家设计的更好架构，最终成绩仍然更高。起点和问题定义，目前仍由人决定。
值得关注的后续
第一，自动研究系统是否会在更长时间跨度的科学任务上验证，而不只是在几分钟到几天的代码实验里刷指标；第二，奖励设计和验证方法能否跟上，否则 AI 最先自动化的可能是钻评测空子；第三，4.1 亿美元算力协议之后，这类“AI 研究 AI”公司是否会引来更多资本和竞品跟进。
来源：InfoQ CN
