Ричард Сочер вывел стартап Recursive Superintelligence из секрета с $650 млн на рекурсивный самоулучшающийся ИИ

Recursive Superintelligence, основанная Ричардом Сочером и зарегистрированная в Сан‑Франциско, в среду официально объявила о выходе из режима «stealth» и привлечении $650 млн финансирования. Компания заявляет о намерении построить рекурсивную систему самоулучшения — то есть модель, способную автоматически обнаруживать собственные недостатки, придумывать исправления, внедрять их и проверять эффект без человеческого вмешательства. Если это удастся, подход потенциально изменит практику разработки систем машинного обучения. Команда формулирует техническую цель через концепцию open‑endedness (открытой эволюции): проект нацелен не просто на последовательное «улучшение» моделей, а на реализацию замкнутого цикла «исследование → реализация → проверка», который способен самоподдерживающимся образом генерировать и внедрять научные решения.

В запуске участвовали ряд известных исследователей и предпринимателей; источники указывают на участие Питера Норвига и сооснователя Cresta Тима Ши. Основатели подчёркивают, что Recursive позиционирует себя как стартап, сочетающий глубокие исследования и инженерную работу, а не исключительно академическую лабораторию. Одним из сооснователей, Tim Rocktäschel, согласно заявлению команды, ранее работал над концепцией open‑endedness и над миром‑моделью Genie 3 в DeepMind. По описанию, этот класс моделей способен порождать интерактивные миры и агентов «по запросу», что в рамках проекта служит инструментом для экспериментов с автономным исследованием и валидацией.

Ещё одна тактика, которую декларирует Recursive, — развитие «rainbow teaming» как расширения традиционного red teaming: две модели соревнуются и эволюционируют в атаках и защитах за миллионы итераций, что по замыслу даёт обширный набор стресс‑сценариев и улучшает механизмы «иммунитета» систем. В более широком отраслевом контексте рекурсия именуется общей целью многих лабораторий, однако команда Recursive отмечает принципиальное различие между авто‑исследованием (когда ИИ помогает улучшать отдельные артефакты) и настоящей рекурсивной системой, автоматизирующей весь исследовательский цикл. Соучредители признают, что до полноценной рекурсии ещё не дошли и рассчитывают сочетать фундаментальные исследования с инженерными продуктами.

Практические последствия, на которые указывает команда, затрагивают поток ML‑работ — от прототипа к внедрению: автоматизация генерации гипотез, реализации и валидации может ускорить переход моделей в продуктивные системы. Методы вроде rainbow teaming обещают воспроизводимые сценарии стресс‑тестов для повышения надёжности и безопасности.