田渊栋AI公司估值315亿获黄仁勋苏姿丰投资 姚班施天麟加盟
近日，从Meta离职的知名AI科学家田渊栋，以联合创始人身份亮相于一家名为Recursive Superintelligence（简称RSI）的初创公司。这家公司甫一结束隐身模式，便宣布完成了高达6.5亿美元的早期融资，公司估值一举达到46.5亿美元，成为AI领域又一现象级独角兽。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
本轮融资由谷歌旗下风投机构GV与知名风投Greycroft共同领投，英伟达、AMD等产业巨头也深度参与。更令业界瞩目的是其堪称“全明星”的创始团队：八位联合创始人，每一位都拥有足以独立引领一家AI独角兽的顶尖实力。
如此豪华的阵容齐聚一堂，他们究竟意欲何为？其雄心壮志直指AI研究的终极前沿。
答案就藏在公司名称之中：递归超级智能。RSI的终极目标是构建一个能够实现自我迭代、持续进化的AI闭环系统，最终通向超级智能（Superintelligence）。其路线图的第一步，是训练一个具备“五万名博士”综合科研能力的AI系统，旨在实现AI科学研究的自动化。这台“尤里卡机器”随后将被应用于药物发现、新型电池材料设计、核聚变物理模拟等硬科技前沿领域，加速人类重大科学突破。
300亿资本押注下一条AI增长曲线：超越Scaling Law
RSI的创立基于一个核心行业洞察：尽管预训练大模型的Scaling Law（规模定律）依然有效，但单纯依靠堆叠数据、算力与参数所带来的性能边际收益已显著递减。
整个AI行业都在迫切寻找下一代能力跃迁的增长引擎。RSI所重金押注的，正是其中最为激进的一条技术路径：递归式自我改进（Recursive Self-Improvement）。
这精准击中了当前AI发展的核心焦虑：在大模型范式之后，下一次颠覆性突破的突破口究竟在何方？
公司CEO Richard Socher在访谈中给出了一个精妙的比喻：“AI本质上是代码，而如今AI已经能够编写代码。”这揭示了实现递归改进的理论基础。
传统的AI研发循环完全由人类主导：研究员提出假设，工程师编写实验代码，团队进行训练与评估，再根据结果调整方向。
RSI的愿景，是将这个循环中的关键环节交由AI自主完成。
他们构想的系统，远不止于回答问题或辅助编程。它需要能够主动诊断自身的能力缺陷，自主设计新的实验方案，编写更复杂的评估基准，进而重写自身的代码库，让下一代系统变得更为强大。传统的AI优化如同在一张固定试卷上追求满分，而RSI追求的，是让AI像生命进化一样，开启一个永无止境的自我发明与能力拓展进程。
其核心理念是：一个AI改进另一个AI，被改进的AI再去改进后续的AI，形成正向增强的递归循环。
Socher深知这一战略的前瞻性与风险。他引用了一句业内名言：“如果你是学术研究者且超前于时代，你最终会被称作远见者。但如果你是创业者且超前于时代，你的公司可能就死了。”他本人正是NLP领域神经网络派的早期奠基人之一。2010年，他尝试将一篇神经网络论文投至NLP顶会却遭拒，审稿意见认为“神经网络无用”。十五年后，神经网络已彻底主导NLP领域，而Socher正是推动这一范式转变的关键人物。
那么，为何选择在此时创立RSI？
Socher的判断是，AI领域正触及对数级的收益递减曲线——投入成倍增长的资源，却只能换来微乎其微的性能提升。这标志着旧范式红利期的结束，也是探索新范式的战略窗口期。
值得注意的是，RSI并非递归自我改进赛道上唯一的重量级玩家。
David Silver创立的Ineffable Intelligence种子轮融资11亿美元，估值51亿；Ilya Sutskever的SSI虽未披露估值但备受瞩目；Yann LeCun的AMI Labs也募资10亿美元。顶级AI科学家纷纷出走创立新机构，资本巨量涌入，这已成为2025年以来AI领域最明确的结构性趋势与投资浪潮。
八位联创构筑顶级人才壁垒，人均“0.58个独角兽”
RSI能在早期阶段获得近50亿美元的高估值，其直接核心驱动力在于创始团队惊人的人才密度与复合背景。以10亿美元独角兽门槛计算，八位联合创始人平均每人“价值”约0.58个独角兽。
以下为这支“全明星”团队的详细解读：
Richard Socher，斯坦福大学吴恩达教授博士生，ImageNet挑战赛冠军模型与Glove词向量模型的作者，谷歌学术引用量超24万次。在创立RSI前，其创办的MetaMind被Salesforce收购，其后又打造了估值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，长期深耕强化学习、基础模型训练效率与神经网络可解释性。他曾主导开源项目ELF OpenGo，成功复现了AlphaZero在围棋领域的训练方法；近年其研究聚焦于Llama模型推理优化、长序列处理加速、低成本大模型训练等贴近工程瓶颈的前沿课题。
施天麟，清华姚班校友，AI对话智能公司Cresta联合创始人。Cresta从斯坦福AI实验室孵化，早在2019年便将Transformer模型创新性地应用于实时客服的智能辅助（Agent Assist）场景，是企业级AI应用的先行者。
Tim Rocktäschel，开放式智能与AI安全循环专家。他是伦敦大学学院（UCL）人工智能教授，曾任Google DeepMind开放式研究方向负责人，研究重点正是AGI、开放终结（open-endedness）与自我改进算法。其与合作者提出的“Rainbow Teaming”方法，将AI安全红队测试转化为开放式搜索问题，该系统能持续生成多样且有效的对抗性提示，已被众多主流AI安全团队采纳。
Alexey Dosovitskiy，Vision Transformer（ViT）的核心作者之一。他在2020年的开创性工作，首次证明将Transformer架构直接应用于图像块序列能在视觉任务上取得卓越效果，打破了计算机视觉长期依赖卷积网络的范式。
Josh Tobin，OpenAI早期成员，曾负责OpenAI的智能体（Agent）研究团队，在强化学习与AI智能体领域拥有深厚积累。
Caiming Xiong，曾任Salesforce AI研究负责人，长期与Socher共事，是可控文本生成模型CTRL等多篇重要论文的共同作者，在企业级AI应用与落地方面经验丰富。
Jeff Clune，其研究方向与RSI的技术路线高度契合，长期致力于开放式进化、AI生成算法（AI-Generating Algorithms, AI-GAs）及AI安全研究。他也是探讨AI系统如何修改自身代码的“Darwin Gödel Machine”论文作者之一。
这八位创始人的专业领域形成了完美互补，覆盖了强化学习与大模型效率优化、开放式算法创新、AI安全与红队测试、视觉Transformer架构、智能体产品化、企业AI解决方案、创业组织管理以及递归自我改进理论等关键维度。
目前，RSI公司总人数控制在30人以内。Socher在采访中特别强调了其组织哲学：“我们将尽可能保持团队的小规模与高精尖，最终目标是将大量研发与运营工作委托给我们所创造的智能体（Agent）来完成。”这预示着其“AI驱动AI研发”的愿景将从技术层面延伸至组织运营层面。
相关攻略
AI初创公司RSI完成6 5亿美元早期融资，估值达46 5亿美元。公司由八位专家联合创立，致力于研发能自我改进的递归超级智能系统，首步目标是训练具备“五万名博士”能力的AI，以推动科研自动化，应用于药物研发等硬科技领域。团队认为当前AI扩展边际收益递减，需通过自我改进实现能力跃迁。
AI创业浪潮中机遇与风险并存。景恩的AI剪辑项目因投资人资金链断裂而关闭，雨田的创业则遭遇产品封禁与市场验证挑战。二人均从失败中汲取教训，转向新方向：景恩开发轻量AI基础设施，雨田打造让普通人参与开发的智能体平台。他们的经历说明AI创业不仅需要技术敏锐度，更要应对资金、市场。
在创业的世界里，工具和方法论层出不穷，但有些根本性的错误却像幽灵一样，在每一代创业者身上重现。Ash Maurya对此深有体会。作为“精益画布”（Lean Canvas）的创造者，他的框架被麻省理工、哈佛等顶尖学府和翻跟斗广泛采用。然而，在一次近期的分享中，他尖锐地指出：即便手握最好的工具，创始人依
智东西作者 陈骏达编辑 李水青智东西3月29日报道，今天，xAI联合创始人罗斯·诺丁（Ross Nordeen）在社交平台X上悄然移除了自己的xAI员工认证，离开了这家以马斯克为首的AI独角兽。至此
上海，GATE M西岸梦中心，四台“AI写真相机”设备前，消费者排队打卡尝鲜：站定拍一张照，几秒钟后就能得到全套AI艺术照，或置身于巧克力瀑布，或骑着飞马而来，或成为持剑女侠，AI在云端精准计算着每
热门专题
热门推荐
本文介绍了2026年主流的USDT交易软件，重点分析了币安、欧易和火币三大平台的特点与优势。内容涵盖平台安全性、交易功能、用户体验及费用结构，旨在为不同需求的用户提供选择参考。文中强调选择平台时应综合考虑资产安全、操作便捷性和交易成本，并提醒注意风险管理与合规操作。
本文介绍了USDT交易的基本概念与主流平台选择。USDT作为稳定币，其交易主要通过加密货币交易所进行。选择平台时需综合考虑安全性、流动性、手续费和用户体验。文中列举了当前市场认可度较高的几类交易平台，并提醒用户注意资产安全与合规操作，建议根据自身需求谨慎选择。
哥本哈根大学计算机科学系于2026年3月发布了一项具有里程碑意义的研究（论文编号arXiv:2603 12935v1），揭示了当前主流AI推荐系统可能潜藏的社会偏见风险。这项研究同时指出，一种高效且低成本的解决方案——提示工程，或许能成为破解这一难题的关键。 当您使用求职平台或新闻资讯应用时，背后的
照片模糊了、雨滴遮挡了画面、夜晚拍摄噪点过多……这些常见的图像质量问题，往往让人束手无策。传统的解决方案，就像请来一群专科医生：去模糊、去噪点、去雨滴，各有各的专长，但每个“医生”都需要海量的“临床经验”——动辄数百万张训练图片，才能达到可用的修复水平。 然而，一项由香港科技大学、哈尔滨工业大学深圳
这项由英属哥伦比亚大学（UBC）与Vector人工智能研究院联合主导的前沿研究，于2026年3月以预印本论文（arXiv:2603 12634v1）形式发布。研究团队创新性地提出了“预算感知价值树搜索”（Budget-Aware Value Tree Search，简称BA VT）框架，旨在攻克一个