当“博士密度”超过团队人数本身，AI的下一幕可能真的不再需要人类手把手教了。
一家名为Recursive Superintelligence（简称RSI）的AI公司，刚结束隐身状态，就在首轮融资中拿到6.5亿美元。谷歌风投GV与Greycroft联合领投，英伟达、AMD也出现在投资方名单中。估值直接定在46.5亿美元——这个数字，是“独角兽”标准线的四倍有余。
公司目前不到30人，却挂着8位联合创始人的名字。客观来看，这8人中任何一位单独拿出来，几乎都有能力独立撑起一家10亿美金级的AI项目。这种人才密度，在近两年的AI创业潮里不多见，也直观反映出投资人对于“递归式自我改进”这一技术路线的押注意愿有多强。
离职Meta后的田渊栋，现身独角兽联创名单，成了AI创业合伙人。
Recursive Superintelligence（RSI），不到30人，刚从隐身状态走出来，就拿到6.5亿美元融资（约44亿元人民币），估值46.5亿美元（约316亿元人民币）。
谷歌GV、Greycroft联合领投这轮早期融资，英伟达、AMD等也参与其中。
8位联创亮相，阵容豪华。
这些8人里随便挑一个出来，都足以单独撑起一家AI独角兽。
那么，他们聚在一起要做什么？
公司名字就点明了：Recursive Superintelligence，AI自我改进的闭环，直到超级智能。
他们给出的路线图中的第一步，是先训练一个具备“50000名博士”能力的系统，自动化AI科学研究本身。
再把这台”尤里卡机器”指向药物研发、电池材料和核聚变物理。
RSI的成立基于一条核心判断：
预训练Scaling Law仍然重要，但如果只靠更多数据、更多算力、更多参数，边际收益已经没有过去那么陡。
AI行业正在找新的增长曲线。
RSI押的就是其中最激进的一条，recursive self-improvement，递归式自我改进。
这刚好打中了AI行业现在最焦虑的问题，也就是大模型之后，下一次能力跃迁从哪里来？
CEO Richard Socher在访谈中给出解释：
“AI是代码，而现在AI可以写代码。”
过去，AI研发的循环大体还是人类主导。研究员提出想法，工程师写实验，团队跑训练，评估模型，再根据结果调下一轮方向。
RSI把这个循环的一部分交给AI。
它们设想中的系统，不只是回答问题，也不只是帮人写代码。它要能发现自己的能力短板，设计新的实验，写新的benchmark，然后主动重写自己的代码库，让下一版系统更强。
传统AI优化像是在固定考卷上刷分，考到100分就算到头。RSI要的是另一条路：像生物进化一样，永远不停下来，永远有新发明。
一个AI改进另一个AI；改进后的AI继续改进后面的AI。
Socher自己很清楚这个赌注的分量。
他是NLP领域早期神经网络派代表人物之一。2010年，他试图把一篇神经网络论文投给NLP顶会，结果被拒。审稿人的理由是神经网络没用，你为什么要把这玩意投给NLP会议？
15年后，神经网络不仅主导了NLP，而且Socher就是奠定这一基础的人之一。
那么创办RSI，为什么是现在？
Socher判断，AI领域正在触及对数级收益递减。你需要增加一两个数量级的数据，却只得到微小的改进。
RSI不是这条道路上的唯一个。
David Silver的Ineffable Intelligence种子轮拿了11亿美元，估值51亿美元。Ilya Sutskever的SSI，估值未披露。Yann LeCun的AMI Labs，募资10亿美元。
顶级科学家集体出走、资本集体押注，已经成为2025年以来AI领域最明确的结构性浪潮。
Recursive能在早期拿到这个估值，一个直接原因就是创始团队人才密度高。
独角兽门槛是10亿美元估值，RSI首轮估值46.5亿美元，相当于8位联创平均每人值0.58个独角兽。
Richard Socher，吴恩达在斯坦福的博士生，ImageNet和Glove作者，谷歌学术引用量超过24万次。在创立Recursive之前，他创办了MetaMind并被Salesforce收购，后来还做出了估值15亿美元的AI搜索引擎You.com。
田渊栋，Meta FAIR前研究科学家总监，长期做强化学习、基础模型效率和神经网络理解。更早之前，他还做过ELF OpenGo，把AlphaZero式训练重新开源实现到围棋场景里；最近几年，他的研究线又转向Llama推理、长序列加速、低成本训练等更贴近大模型系统瓶颈的问题。
施天麟是清华姚班校友，Cresta联合创始人之一，Cresta从斯坦福AI实验室起步，2019年就把Transformer模型用到实时客服Agent Assist里。
Tim Rocktäschel的是开放式智能和安全循环专家。他是UCL人工智能教授，也曾在Google DeepMind担任开放式研究方向负责人，研究重点就是AGI、open-endedness和self-improvement。他和合作者把安全红队问题改写成开放式搜索Rainbow Teaming：不靠人手列完攻击方式，而是让系统持续生成更多样、更有效的对抗提示。现在几乎所有的AI安全团队都在用
Alexey Dosovitskiy是Vision Transformer作者之一，在2020年率先把Transformer直接用到图像patch序列上，证明视觉任务不一定非要卷积网络做底座。
Josh Tobin是OpenAI早期成员，OpenAI Agents Research Team负责人之一；
Caiming Xiong曾在Salesforce负责AI Research和Applied AI，和Socher长期共事，也共同署名过CTRL等可控文本生成工作。
Jeff Clune的研究和RSI路线高度重合，他长期研究开放式进化、AI-generating algorithms和AI安全，也是Darwin Gödel Machine论文作者之一。那篇论文讨论的正是让AI系统修改自身代码、再用benchmark验证改进是否有效。
8个人分别对应强化学习和大模型效率、开放式算法、安全红队、视觉Transformer、智能体产品化、企业AI落地、创业组织和自我改进研究。
8位联创，再加少量创始团队，RSI总人数不超过30人，Socher在采访中还特别强调：
我们将尽可能保持团队小而精，最终把很多事情委托给我们的Agent。
客观来看，RSI面临的挑战同样明确。递归式自我改进在理论上很理想，但在实际操作中，如何确保AI在自我修改代码与架构时不产生灾难性遗忘、如何建立可验证的改进信号，这些都是尚未被工程化的难题。此外，该赛道已经吸引了多位顶尖科学家的涌入，竞争格局正在迅速拥挤。RSI能否凭借这支“全明星队伍”率先跑通闭环，将是未来两年最值得关注的AI叙事之一。
