Recursive联合创始人Jeff Clune:通往AGI最快路径是AI生成AI,公司已在预训练阶段实现递归自我改进

通往 AGI 最快的路,就是能造出更好 AI 的 AI。

11月12日,在CoRL 2026大会最后一天的持续自进化(Continually Self-Improving)Workshop上,英属哥伦比亚大学教授、Uber AI Labs创始成员Jeff Clune分享了其关于递归式自我改进(RSI)的研究进展。Jeff Clune目前是Recursive Superintelligence的联合创始人之一,该公司由前Meta FAIR研究总监田渊栋等八人于今年5月创办,首轮融资6.5亿美元,投后估值46.5亿美元,谷歌GV与Greycroft联合领投,英伟达和AMD同时参投。

据田渊栋近期透露,Recursive的系统已经能够自主编写高性能GPU Kernel,在部分任务上的表现优于专业工程团队。与大多数在後训练层面进行代码自改写、prompt自优化或agent工作流自搜索的RSI团队不同,Recursive是目前全球唯一在预训练阶段推进递归自我改进的公司。这一差异意味着其技术路径直接作用于模型训练的最上游环节,而非在已有模型能力上做增量优化。

Jeff Clune在演讲中系统梳理了自进化研究的演进脉络。2019年,他发表论文提出“AI生成算法”概念,主张通往AGI最快的路径是制造出“能造AI的AI”,并给出三根支柱:自己会进化的架构、自己会进化的学习算法、自动生成的训练环境。值得注意的是,第三根支柱的措辞是“训练环境”而非“推理环境”或“部署环境”,指向的是模型训练环节的自动化,而非应用层面的工程优化。

六年过去,这一路线图正在逐步兑现。能自己改写自身代码的达尔文哥德尔机已将SWE-bench成绩从20%提升至50%;能自主出题、跑实验、写论文的AI科学家,其投稿已通过同行评审。Jeff Clune在演讲中重点阐述了第三根支柱的进展:真正的开放式算法需要巨大的环境搜索空间,但绝大多数环境要么不可能实现、要么过于困难、要么过于简单。他提出可以直接向基础模型提问——在已完成若干环境之后,下一个有意思的技能是什么——从而绕开“如何定义有意思”这一长期难题。

在具体方法上,Jeff Clune介绍了质量多样性(QD)算法、开放式算法与AI生成算法三类路径。QD算法以MAP-Elites为代表,不追求唯一最优解,而是探索同一问题下多种截然不同的优质解法,输出一张覆盖性能与多样性维度的曲面图。2015年其团队用QD做软体机器人研究,在同等算力下实现了远超经典优化的探索覆盖;2021年又将QD用于强化学习中的硬探索问题,在《蒙特祖玛的复仇》上超过人类世界纪录并通关全部关卡。但QD仍受限于单一环境,由此引出开放式算法——目前公认的开放式算法仅有自然演化和文化演化两种,其核心特征是每解决一个问题就打开新问题,而非向某个基准分数收敛。

Jeff Clune在Uber AI Labs期间主导的POET项目,首次将环境本身纳入基因组,使环境存档持续生长并允许目标切换,系统由此发明并解决了大量难度各异的题目。在此基础上,其团队进一步推进“达尔文完备”搜索空间:OMNI-EPIC让系统用代码生成任意环境,覆盖障碍赛道、逻辑题、编程题、餐厅清理机器人等多种类型;Genie系列世界模型则从文本、图像、草图生成可交互环境,第一代仅有一秒模糊二维视频,九个月后Genie 2具备三维世界,再八个月后Genie 3已达到3A游戏级渲染水平,并被Waymo用于自动驾驶训练。

从行业视角看,Recursive所代表的预训练阶段RSI路径,与当前主流在推理侧或后训练侧做智能体优化的路线形成明显分野。前者试图将模型架构、学习算法与训练环境一并纳入自动化搜索,后者则更多在既有模型能力边界内做工程调优。若预训练级RSI在更多任务上得到验证,模型迭代的成本结构与周期节奏可能发生实质性变化,算力投入的边际产出也将被重新评估。英伟达与AMD同时押注该公司,或可视为算力供给侧对这一方向的前置布局。

该文观点仅代表作者本人,企服科学平台仅提供信息存储空间服务。

赞 (0)
睿能科技拟3.75亿元收购博泰智能75%股权,5亿元估值押注锂电传动部件
上一篇 9小时前
IMF总裁格奥尔基耶娃:AI投资热情过高,金融市场或现进一步调整
下一篇 8小时前

相关推荐

发表回复

登录后才能评论
分享本页
返回顶部