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。

1、300亿砸向下一条Scaling Law

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。

http://t.cn/AXiiNLj7