2026-05-18 — views

Recursive Superintelligence 帶 $6.5 億美元出場，挑戰「自我改進的 AI」

為什麼值得讀 NVIDIA 與 AMD 同時出現在 cap table 才是暗號：押注的是「對哪家晶片廠都不忠誠的算力工作量」（對架構空間做遞迴搜尋）—— 而不是某家的模型家族。

$6.5 億美元、估值 $46.5 億美元，產品未出。GV 與 Greycroft 領投；NVIDIA 與 AMD 同場跟投。論點：AI 自動進行架構搜尋。

新前沿模型實驗室 Recursive Superintelligence 於 5/13 結束隱身，以 $46.5 億美元估值募得 $6.5 億美元 —— 產品未出、營收為零、員工不到 30 人。這是目前對「AI 從『協助研究』躍進到『自己做研究』」這條路最具體的下注。

真正的故事是這張 cap table

領投	戰略跟投
GV（Alphabet 旗下）	NVIDIA
Greycroft	AMD

兩家領先晶片廠出現在同一輪 Series A 並不尋常。以前的模式都是「獨占綁定」 —— Microsoft + OpenAI、Google + Anthropic、Amazon + Anthropic —— 因為雲端綁定了算力承諾與股權於同一條線。這次 NVIDIA 與 AMD 兩邊都在買選擇權：押注一個「誰家晶片先有 FLOPs，就跑誰」的工作量。

創辦團隊

創辦人	過往職位
Richard Socher	前 Salesforce 首席科學家
田淵棟 Yuandong Tian	前 Meta FAIR 主任
Tim Rocktäschel	前 DeepMind
Jeff Clune	DeepMind、OpenAI
Josh Tobin	前 OpenAI
Tim Shi	早期 Cresta、OpenAI

陣容偏向「開放式搜尋與 meta-learning」（Clune、Rocktäschel），而不是目前主流的「對 base model 做 post-train」路線。

「遞迴自我改進」實務上是什麼意思

從公開發言提煉的技術賭注：

架構搜尋。 現在要選一個新的 transformer 變體，需要一小群研究員跑數個月的 ablation。實驗室的主張：Level-1 系統會自己提出架構改動、跑實驗、讀自己的 loss 曲線決定要留什麼。
訓練配方最佳化。 Learning-rate 排程、資料配比、curriculum —— 訓練本身的「後設語言」變成最佳化目標，而不只是權重。
評估自動生成。 模型自己生成 benchmark 變體，偵測 over-fit 與人類策展 benchmark 看不出的能力缺口。

如果其中任何一項在規模上奏效，「下一代模型的時間表」會從季度級壓縮到週級。

Roadmap

現在 → 2026 中： 打造 Level-1 自動訓練系統。內部使用。
2026 中公開發布： 目標推出客戶可見的交付物。是否為模型 API、架構搜尋服務、或 research-as-a-service 仍未明說。
沒揭露營收承諾。 約 30 人 + 前沿規模算力，每季度燒掉 $5–15M 是合理估計。

為什麼是現在

時機不是巧合，三個原因：

前沿實驗室毛利率突破 70%（Anthropic 近期揭露）。這個 cycle 第一次有真正的 headroom 拿去做投機性的架構研究。
「Compute overhang」論點正在崩。 如果光靠加算力模型就會繼續一般化，你不需要遞迴自改。如果遇到報酬遞減，遞迴搜尋就成了關鍵 lever —— 而那種「AI-2027」式的時間表就會從敘事變得可量化。
投資人定位。 30 人、零營收、$46.5 億美元 —— 這個區間和 Sutskever 的 SSI 同一檔。下注的是「市場容得下 3–5 個這類實驗室」，不是只能有一個。

Practitioner note

對今天就在出貨的開發者，實務建議：

不要為了「AI 自己造模型」提前重構你的技術棧。 那個時間表至少還有多年，輸家局是把應用層為一個還沒出貨的架構重寫。以本季存在的 Claude / GPT / Gemini 家族為基礎來開發。
追蹤架構搜尋的論文。 創辦人過往實驗室（FAIR 的 open-ended search、DeepMind 的 meta-learning 線）的論文是領先指標。若某個公開的架構搜尋 benchmark 突然跳 15+ 分，那就是 RSI 類方法跨過某個門檻的訊號。
盯緊 GPU vs TPU vs MI400 的敘事。 一個天生對矽片無關的工作量（RSI 本質就是），會侵蝕任何單一加速器廠商的護城河。如果 Recursive 的產品推出並證明工作量可移植，「NVIDIA 溢價」會被壓縮。

被低估的角度：團隊組成本身就是「業界對 RSI 可行性的領先指標」。當 Clune-田淵棟-Rocktäschel 等級的研究員離開 FAIR / DeepMind / OpenAI 把職涯壓在這上面，業界對「這是真的嗎」的中位估計，已經悄悄移動。