内容概览

本期《晚点聊》访谈邀请到了 Recursive Super Intelligence（RSI）联合创始人田渊栋。RSI 公司在隐身研发四个月后官宣获得 6.5 亿美元 A 轮融资，估值达 46.5 亿美元。访谈围绕“递归自进化（RSI, Recursive Self-Improvement）”这一前沿方向展开，系统探讨了 RSI 的概念本质、演进路径、首批实验成果以及未来的商业化与科学设想。

田渊栋结合其在 Google X 和 Meta FAIR 的研发与团队管理经验，分析了模型能力提升与 Coding Agent 突破如何催生 RSI 闭环。同时，访谈深刻拆解了 RSI 与单纯 Scaling Law 的路线差异，阐述了智能化提升的“S 型平台期”假说，并为 AI 初创公司在巨头环伺下的破局路径提供了清晰的战略参考。

核心判断

1. RSI 远大于 Coding Agent，核心在于抽象能力与研究品味：Coding Agent 仅是执行者，而 RSI 旨在实现 AI Scientist 的自动化。现阶段大模型在常规数据上具备强大模式识别能力，但在极少数据或开创性科学探究中，缺乏抽象概念抽离与“Grokking（顿悟）”式创造力。
2. RSI 演进呈现“S 型平台期”，而非平滑直线的 Scaling 过程：智能提升并非单纯靠堆砌算力和数据的连续增长，而是展现出“S 型曲线 + 平台期”的阶段性跳跃特征。在突破性算法或理论出现前，系统会无限逼近阶段性上界。
3. 领先者难以仅凭算力形成绝对垄断，初创公司仍有窗口期：由于指数级 Scaling（10 倍资源换取线性增长）面临物理电力与算力供给的现实瓶颈，加上平台期的存在，纯靠算力无法永保领先，这给擅长底层算法突变与范式创新的初创公司留出了宝贵窗口。
4. 短期内完全自动化不会发生，人与 AI 协同的 Loop 级别提升：RSI 并不意味着人被瞬间挤出 Loop，而是将科研验证周期从“天/周/月”压缩至“分钟/小时级”。人类研究员从繁琐的代码执行中解放，转向更高层级的判断、逻辑指导与研究品味。
5. AI 终将从“炼金术”走向“科学”，可解释性是安全与强度的关键：如同炼金术走向化学、第谷观测走向牛顿力学，AI 的底层 Principle 必将被揭示。通过可解释性研究消除黑箱恐惧，既能加速模型进化，又能确保安全可控。
6. 精干扁平的 Hands-on 组织是 AI 突破的关键：人类组织学中的“150 人临界点”对 AI 团队同样适用。一旦出现多级中层管理与人际沟通阻碍，研发速度显著下降。大厂中层管理者往往背离项目本身成功，而 Hands-on 的小团队效率更高。

关键论据

1. 首批 Benchmark 验证成果： - 算子优化（SOL-Exact Bench）：RSI 团队以非 GPU 专家背景，凭通用 RSI 架构系统在英伟达最新发布的算子优化基准测试中取得 SOTA，成绩比由前 Mobileye CEO 带领的半导体/GPU 专家团队 AAI 高出 10%。 - 训练效率优化（NanoChat Speed Run）：在技术社区共同迭代两年的 NanoChat Speed Run 测试中，RSI 系统在已高度优化的 79 秒基准上进一步缩减 2 秒，达到 77 秒。 - 预训练性能（NanoChat 5-min）：在 5 分钟训练限制下，将 BPB（Bits Per Byte）指标降至低于开源社区的最佳水平。
2. 科研 Loop 的数量级提效：传统科研中导师指导学生产生代码并反馈的周期以天或周为单位；具备强 AI Agent 协同后，想法验证与代码跑通被压缩至数分钟内，极大加快了实验探索频率。
3. Scaling Law 的现实限制：Scaling 属于指数级函数，提升线性能力需要 10 倍数据与计算资源。地球电力与经济博弈不可能无限向单一公司倾斜，纯 Scaling 路线必然遭遇现实天花板。
4. 组织瓶颈与 150 人法则：对比 LLaMA 4 团队及 xAI 发展历程，团队规模突破 150 人后，人和人沟通模式从直接认识转向层级汇报，中层激励错位，导致研发效能显著下降。

对 AI 创业者意味着什么

1. 避免在纯算力维度与巨头硬碰硬：大厂在算力、资金和已知 Coding Agent 变现上有巨大存量优势，但在前沿 RSI 方向上存在大公司病与业务牵绊。创业公司不应盲目跟随 Scaling 军备竞赛。
2. 把握平台期窗口，押注底层算法与理论突破：由于智能提升存在 S 型平台期，创业公司应聚焦可解释性、算法架构创新（如新型训练/后训练算法、高效算子搜索）等非纯 Scaling 维度，寻找跳跃式突破的机会。
3. 打造少而精的 Hands-on 极客团队：将团队规模控制在 150 人以内，保持极高的扁平度。创始人与核心研究员必须亲历一线代码与实验，避免建立二级管理层带来的沟通损耗与方向偏差。
4. 选择闭环反馈快、垂直可衡量的切入点：RSI 研发初期应选择反馈周期短、指标清晰的垂直任务（如算子优化、训练加速、特定科研子任务），建立系统进化闭环，逐步向通用科研能力迁移。

可信度与边界

• 可信度：
• 访谈嘉宾田渊栋是 AI 领域的资深研究者，具备 Google X 无人车工程与 Meta FAIR 理论研究的双重背景，曾主导 OpenGo 战胜职业围棋手，并在 Grokking 等神经网络可解释性研究上取得重要成果。
• 其团队估值 46.5 亿美元并获 6.5 亿美元融资，发布的《First Steps Toward Automated AI Research》成果已在开源社区及知名 Benchmark（如 SOL-Exact Bench）上得到具体验证。
• 边界与局限：
• 测试规模局限：首批验证集中在 NanoChat、NanoGPT 等较小规模模型（GPT-2 级别），向百亿/千亿参数的大规模架构迁移时仍存在未知 Gap。
• 模式与范式尚处探索期：行业对于 RSI 的数据构造方法、训练准则与评价指标尚未形成共识，大部分团队处于内部摸索阶段。
• “术”与“道”的鸿沟：当前 RSI 系统主要在工程优化、算子穷举等“术”的层面展现出超越人类专家的效率，但在提出全新底层理论、概念抽象等“道”的层面，AI 仍无法替代顶尖人类科学家。
• 完全自动化仍遥远：消除人类参与的真正“自动 AI 研究员”在短期内尚无法完全实现。

原始来源

• 标的播客：《晚点聊 LateTalk》第 178 期《与田渊栋聊 RSI：模型自进化如何到来？》
• 节目主持人：曼琪
• 主要受访嘉宾：田渊栋（Recursive Super Intelligence 联合创始人、前 Meta FAIR 资深科学家）
• 录制/发布背景：录制于 2025/2026 年 6 月底，RSI 公司官宣完成 6.5 亿美元 A 轮融资及发布第一阶段技术成果之后。