当前观察 › 来源档案 › 田渊栋 田渊栋：RSI要用递归自我改进实现AI科研自动化 前Meta FAIR研究总监田渊栋在离职半年后，官宣联合创立AI研究公司RSI（Recursive Super Intelligence）。公司获得6.5亿美元融资、46.5亿美元估值。他阐述了RSI通过递归自我改进（recursive self-improvement）实现AI自动化科研的核心愿景，认为小团队在AI时代比大厂更具敏捷性优势。同时，他分享了对当前大模型竞争格局、Scaling Law瓶颈、可解释性重要性以及AI对就业影响的深刻见解。
Y 田渊栋 · Recursive Super Intelligence (RSI) 联合创始人
查看原文 ↗ 这份材料帮助我们理解什么？ 访谈/对话 · 自动转录 · 已找到对应文本，不代表完整性或事实已经核验
以下保留原有自动整理内容，尚未完成逐句复核；日期与人物沿用档案记录。当前答案和重新核对的依据，请看上方问题页。
导语 前Meta FAIR研究总监田渊栋在去年被裁后，与其他7位顶级研究员共同创立了AI研究公司Recursive Super Intelligence (RSI)。这家公司在没有推出任何产品的情况下，获得了6.5亿美元融资，估值高达46.5亿美元，引发了行业广泛关注。在本期《硅谷101》的专访中，田渊栋详细阐述了RSI的核心愿景：通过递归自我改进（recursive self-improvement）让AI能够自动化科研过程，从而加速人类知识的发现。他深入探讨了为何小团队模式在AI时代更具优势、当前大模型竞争的格局、技术瓶颈，以及这一变革对社会和就业的深远影响。
大纲与深读 7 章 展开「深读」看每一段讨论的问题与论据。
01
创立背景与决策过程 田园栋在Meta被裁后，从众多大厂与初创公司邀约中，最终选择联合创立RSSI。 选择核心原因在于看好‘小型化、高速度、低摩擦’的精干团队趋势，认为大公司组织臃肿、决策缓慢。 RSSI由8位顶级研究员联合创立，团队成员背景高度互补，且彼此有合作基础。 深读这一段 讨论的问题： 为什么田园栋会选择加入RSSI，而不是其他大厂或初创公司？
论据 / 案例： RSSI融资6.5亿美元，估值46.5亿美元；联合创始人包括Richard Socher（前Salesforce首席科学家）、熊蔡明（前Salesforce Research SVP）、Tim Rocktäschel（前DeepMind Project Jacquard负责人）等8位。
02
公司定位与递归自我改进 08:00 RSSI的核心目标是实现‘递归式超级智能’，即用AI优化AI自身，加速新知识的发现与理解。 第一步是自动化AI科研本身，因为研究员大量时间浪费在繁琐劳动上，AI可代劳并可能自主发现新洞察。 长期愿景是构建一个输入计算资源、输出新知识与洞察的系统，致力于‘最大化知识发现速率’。 深读这一段 讨论的问题： RSSI的‘递归自我改进’具体指什么？为什么将其作为第一步？
论据 / 案例： 公司官网标语为‘maximizing the knowledge discovery rate’。
03
技术路线与核心挑战 16:00 认为语言比视觉信号更丰富，支持语言与潜在空间推理结合，并指出预训练的上限决定了强化学习的上限。 强调可解释性至关重要，既是安全所需，也能前置评估、提升训练与探索效率。 评估标准未来将更‘结果驱动’，而非中间过程的基准测试。 深读这一段 讨论的问题： RSSI在技术上如何看待当前大模型发展，其核心挑战是什么？
论据 / 案例： 提及团队成员Alexey Dosovitskiy是Vision Transformer（ViT）一作；田园栋本人有Coconut（连续潜在推理）相关研究。
04
发展阶段与路线图 24:00 认为当前AI自动化科研整体处于‘1到2’或‘0.5’的早期阶段，但潜力巨大，类似翻越山峰后见新世界。 计划在一年至一年半内，将自主训练系统做到位并深入，之后寻找最佳落地场景。 技术路径是阶梯式上升，每步进展都有应用价值，不追求一蹴而就。 深读这一段 讨论的问题： RSSI认为自身处于哪个发展阶段？有何具体规划？
论据 / 案例： 提及OpenAI近期在证明非平凡定理方面取得进展，作为该领域加速的例证。
05
商业化与竞争优势 32:00 商业化思考务实，团队超半数有创业经验，讨论非常‘接地气’，关注实际应用与盈利。 潜在商业化方向包括：提升模型推理效率、发现新架构/算法、为人类研究过程建模等。 作为初创公司，优势在于极度聚焦、决策快、能快速适应新生产力工具，且无需像大公司一样等待漫长适应期。 深读这一段 讨论的问题： RSSI如何看待商业化？相比大公司，其差异化优势在哪里？
论据 / 案例： 田园栋提到大公司（如Google）适应AI编程工具等新范式可能需要1-2年，而小公司能更快‘figure out’并协作。
06
行业观察：New Lab与大厂 40:00 认为当前AI coding工具的突破是创业好时机，因大公司适应新工具链需时，小公司能快速形成竞争力。 大公司因‘自上而下’决策易同质化（如全员转向coding），小公司则需在非热点方向寻求突破。 前沿模型竞争中，组织架构与文化是关键，落后的生产关系与先进生产力会产生矛盾。 深读这一段 讨论的问题： 田园栋如何看待当前的New Lab浪潮以及大公司的竞争态势？
论据 / 案例： 提及Anthropic因John Schulman加入而凸显自改进研究的重要性；批评Meta的‘蒸馏员工’政策不顾及员工感受；类比xAI与MetaFAIR的组织问题。
07
对未来的判断与个人意义 56:00 预测‘AI研究自动化’是Coding之后的下一个重大方向，因其市场回报潜力可能更高（如发现新药、新材料）。 认为‘Scaling Law’的卷动终将撞墙，届时会倒逼业界寻找新范式，这也是新实验室的机会。 在AI可能替代大量岗位的趋势下，个人需成为‘行走的独一无二数据源’，找到自己独特的探索价值与意义。 深读这一段 讨论的问题： 田园栋认为AI领域的下一个大趋势是什么？个人应如何应对AI带来的变革？
论据 / 案例： 以‘鱼在干涸水坑跳跃’比喻当前就业市场，指出最终需进化成‘四维生物’（鸟）才能生存。
金句
"The top-tier capital really invests in people." ——最顶级的资本还是看人。
"Recursive self-improvement means using AI to optimize many things about AI itself, making AI stronger through this process and then stepping up." ——递归自我改进的意思就是用AI来优化很多AI自己的东西，让AI变得更强，通过这种方式踩上去。
"The pre-training's upper limit actually determines the upper limit of reinforcement learning." ——预训练的上限其实是决定了强化学习的上限。
"Everyone is going to be unemployed sooner or later. AI can do many things that Level 4 and 5 engineers can do. What's the next big thing? I think it's AI research." ——大家迟早全部都要失业的。4和5级的工程师的能力，AI很多事情其实可以做的。之后的下一个the next big thing是什么？我觉得是AI research。
"This is like a fish jumping in a drying puddle. The water is getting less and less. You must eventually become a four-dimensional being to survive." ——这就像一条鱼在水坑里面跳，水总的来说是越来越少了。你最终一定要变成一个四维生物，你才能活下来。
← 上一篇 停用ChatGPT，高手如何用AI实现十倍效能 下一篇 → OpenAI和Anthropic共看好FDE：AI落地企业，先让数字员工上岗 