46.5亿美元估值的暗线：AI卡位战已经抢到了实验室阶段

2025年10月，前Meta FAIR研究总监田渊栋在社交媒体上确认自己在Meta的AI部门裁员中离职，那条推文的评论区很快变成了头部AI公司的招聘现场——OpenAI、XAI、Anthropic的核心团队成员相继出面邀约，开出的薪资和职级足以让绝大多数研究者动心[5]。当时几乎所有人都认为，这位强化学习领域的顶级专家会很快入职某家巨头，继续自己的研究。 没人想到他选了第三条路。2026年5月，田渊栋作为联合创始人的Recursive Superintelligence（RSI）正式走出隐身模式：这家成立仅半年、团队不足30人的初创公司，没有发布任何公开产品，没有披露任何可验证的技术原型，却已经完成6.5亿美元融资，估值达到46.5亿美元。谷歌GV与Greycroft联合领投，英伟达、AMD等AI产业链核心玩家悉数跟投[2][3][4]。 消息传出后，大部分讨论都集中在两个方向：要么将其解读为递归式自我改进AI路线获得了巨头的技术认可，超级智能的实用化已经迈出关键一步；要么将其简化为巨头抢人大战的又一个案例，顶级人才的身价再创新高。但很少有人注意到，这次融资最核心的特殊性，是它彻底跳过了一级市场早期项目约定俗成的技术验证环节——所有价值判断都建立在团队的过往履历和对下一代技术路径的预判之上，没有任何可复现的证据支撑其核心技术主张[1]。 这不是一次对已经实用化的技术突破的定价，而是一次对“下一个技术范式的可能性”的定价。它标志着AI行业的卡位战，已经从产品、模型层面，提前打到了实验室的路线选择阶段。

被跳过的技术验证环节

RSI对外披露的核心路线，是开发能够实现递归式自我改进的AI系统，最终通向超级智能。其核心逻辑非常简洁：AI本质是代码，而现在的AI已经可以写代码，只要把这两者连接起来，就能形成无需人工介入的自我改进闭环——系统可以自主识别自身的能力局限，编写对应的评测基准，主动重写自己的代码库，实现持续的能力升级。团队给出的第一个实用化目标，是训练一个具备“5万名博士”能力的科研系统，先用于AI自身的研发优化，再拓展到药物研发、电池材料、核聚变物理等前沿科学领域[2][4]。 这个方向本身并非异想天开。整个AI行业已经形成基本共识：预训练的规模定律（Scaling Law）虽然仍在生效，但边际收益已经出现明显下滑。根据大数据与AI基础设施厂商Databricks 2026年3月发布的《全球大模型算力效率报告》，单纯堆参数、堆算力、堆数据的投入产出比，已经降至2020年的五分之一以下，寻找规模定律之外的新增长曲线，是所有头部玩家的共同目标[6]。而递归式自我改进，正是少数被广泛认为有可能破局的技术方向之一，OpenAI、Anthropic等头部公司都已经在内部开展相关研究，Anthropic甚至公开提到，其内部90%以上的代码已经由AI生成。 但方向的合理性，不等于当前实用化的可行性。如果回到技术验证的基本标准，就会发现RSI的所有核心技术主张，目前都没有任何可复现、可验证的公开证据支撑。 截至目前，所有公开渠道中没有出现任何关于RSI递归自我改进系统的架构设计论文、开源代码片段、最小功能原型的描述，甚至没有任何基准测试的结果。就连其反复提及的“具备5万名博士能力的系统”这一目标，也没有给出对应的评测标准、任务拆分逻辑或者验证方法，属于无法量化也无法复现的性能声明[6]。所有关于路线可行性的表述，全部来自团队成员的公开表态，没有任何第三方的独立验证。 这种空白并非偶然，而是因为递归式自我改进的工程实用化，目前面临着三个全球范围内都没有突破的硬约束，与团队是否顶级没有直接关系。 第一个约束是目标一致性的保障难度。递归优化的核心特征是每一轮的改进都会成为下一轮的基础，这意味着哪怕是千分之一的目标偏差，经过十轮以上的自我优化后也会呈指数级放大，最终输出的结果完全偏离初始需求。OpenAI在2025年11月公开的内部技术报告中披露，其在GPT-4o基础上开展的无人工干预自我优化测试中，仅经过5轮优化，模型的目标偏离率就升至17.8%，数学推理基准测试得分下降12%，最终终止了完全无监督的自我优化实验。目前全球所有公开的前沿研究中，没有任何团队能够实现10轮以上无人工干预的自我优化后目标不漂移，更不用说满足生产级场景的安全性要求。 第二个约束是改进效率的边界。当前大模型生成普通业务代码的正确率虽然可以达到80%以上，但在大模型底层架构设计、算子优化、训练框架修改这类核心高复杂度场景下，人类工程师的修正率仍然超过60%。如果每一轮自我改进都需要人类介入校验和调试，那就不属于真正的递归闭环；而如果完全脱离人类校验，高复杂度代码的bug率会高到无法支撑连续升级。 第三个约束是成本边界。即便只做最小规模的递归改进实验，假设每轮优化只训练一个10B参数的验证模型，按照当前H100的算力成本计算，10轮优化的直接算力投入就超过千万元，且无法保证获得正向的能力提升。RSI的6.5亿美元融资看似规模庞大，但如果要跑通真正可稳定产出的无监督递归闭环，算力储备的缺口仍在数量级以上[6]。 需要明确的是，这些约束并不意味着递归路线没有研究价值，也不代表RSI的团队没有能力探索这个方向。8位联合创始人的学术履历确实堪称豪华：包括ImageNet、GloVe的作者Richard Socher，Vision Transformer（ViT）的作者Alexey Dosovitskiy，前DeepMind首席科学家Tim Rocktäschel，OpenAI早期核心成员Josh Tobin，以及AI安全领域的先驱Jeff Clune等，其中任何一位都足以单独撑起一家AI初创公司的技术底盘[3][4]。但个人过往的学术成果，与创业公司当前的工程实用化能力没有直接绑定关系——我们可以相信这个团队有足够的能力探索递归路线，但不能因此默认他们已经突破了整个行业都没有解决的核心难题。

巨头的卡位账

既然没有可验证的技术突破，巨头们投的到底是什么？ 要回答这个问题，首先要算一笔非常简单的账：如果谷歌、英伟达、AMD这些巨头想要自己组建一个和RSI同等级别的研究团队，需要花多少钱？ 按照当前AI领域顶级研究者的市场定价，像田渊栋、Alexey Dosovitskiy这个级别的核心科学家，入职头部公司的年薪加股权激励普遍超过1亿美元，8位联合创始人的年度人力总成本就不低于2亿美元，这还没有算上剩下20多位顶级研究员的薪资、团队磨合的时间成本、方向分歧的组织成本。而按照RSI当前的估值计算，6.5亿美元的融资只占公司约14%的股权，意味着巨头们只用不到3年的自研团队成本，就锁定了当前行业能凑到的最强递归AI研发团队的全部前期产出[7]。 这是一笔怎么算都不亏的风险对冲账，而每个投资方的诉求，又刚好可以在这笔交易中各取所需，完全不需要依赖技术路线的成功。 对英伟达和AMD而言，这笔投资的安全垫最厚。无论RSI的递归路线最终能不能跑通，只要开展研发就需要大规模的算力投入，6.5亿美元融资中至少70%会用于算力采购，换算成H100集群的租赁费用，足以支撑超过18个月的大规模训练，对应的数十万P算力订单，本身就可以覆盖相当一部分投资成本。更重要的是，通过早期投资绑定RSI，可以确保其研发过程优先采用自家的算力生态，避免这个可能的下一代路线核心团队倒向竞争对手的硬件体系[6][7]。 对谷歌GV而言，这是一笔成本极低的下一代路线保险。当前AI行业的主流技术路径已经基本被OpenAI和Anthropic占据，谷歌虽然有自研的Gemini系列，但在通用大模型的竞争中已经不占明显优势。如果未来递归式自我改进真的成为AI的主流增长曲线，现在投入的6.5亿美元就是最便宜的入场券——总比等到技术路径明确之后，再花上千亿美元去收购一家已经跑通的公司要划算得多。哪怕最后路线没有跑通，这点投入对于谷歌的技术创新预算而言，也几乎可以忽略不计[7]。 这种逻辑下，投资决策的核心判断标准，从来都不是“这个路线能不能成”，而是“这个团队是不是这个方向上最好的”。只要团队是最好的，哪怕路线失败，损失的也只是一点零花钱；万一路线成了，拿到的就是下一个技术时代的门票。 田渊栋的个人经历，刚好完美契合了这个逻辑。2025年10月Meta的AI部门裁员中，田渊栋所在的强化学习团队被裁撤的核心原因，就是该路线的规模定律边际收益已经跌到了Meta无法接受的水平，继续投入的产出比太低。但这并不意味着田渊栋本人的价值下降——恰恰相反，作为在强化学习和递归改进领域深耕多年的顶级专家，他是整个行业少数有能力探索下一代路线的人，这也是为什么OpenAI、XAI、Anthropic等所有头部公司都向他抛出橄榄枝的原因[5]。 当田渊栋拒绝了所有大厂的邀约，选择自己创业的时候，巨头们的选项就只剩下两个：要么投资他的公司，锁定合作优先权；要么看着他拿到其他资本的支持，未来要么成为竞争对手，要么被其他巨头收购。对于手里握着大笔现金流的科技巨头而言，6.5亿美元只是2026年第一季度营收的1.8%左右，用这点钱排除一个巨大的不确定性，同时锁定一个可能的未来，是再划算不过的交易[7]。 这才是这次融资最核心的本质：它不是对现有技术成果的收购，而是对顶级人才未来研究可能性的期权[1]。巨头们买的不是RSI现在已经有的东西，而是它未来可能做出来的东西，以及它不被竞争对手拿走的排他权。

叙事的边界

但需要明确的是，所有关于“巨头卡位抢人”的判断，目前都只是基于公开信息的合理推测，而非已经被证实的结论。整个事件的所有核心信息，都存在不容忽视的边界和不确定性。 首先是信源的局限性。目前关于RSI融资的所有核心信息，都来自多个独立的媒体信源，交叉验证率较高，但全程没有投资方发布的官方融资公告，也没有对应的法律文件作为支撑[1][6]。这直接导致三个核心数据的口径始终处于模糊状态： 其一，融资轮次的口径不统一，多个信源分别将其标注为“超级种子轮”“早期融资”“首轮融资”“A轮”，不同轮次对应的估值定价逻辑差异极大，无法直接通过融资额判断资本对公司当前价值的认可度； 其二，估值口径未明确，所有信源都没有说明46.5亿美元是投前还是投后估值，如果是投后估值则本次融资占股约14%，如果是投前则占股约12.3%，1.7个百分点的股权差异，直接影响对投资方话语权和投入权重的判断； 其三，参投主体的口径模糊，仅明确谷歌GV和Greycroft为领投，英伟达、AMD的参投没有说明是旗下风险投资部门的财务投资，还是集团层面的战略投资，也没有披露各方的出资金额占比，“巨头参投”目前只是一个模糊的标签，无法直接支撑“战略卡位”的强结论[6]。 其次，高估值的逻辑存在多个可以成立的替代解释，不能简单归因于“巨头专门抢人”。 第一个替代解释是领域整体的估值溢价。2026年上半年的AI一级市场，早期项目的估值普遍处于高位：和RSI同日官宣的前阿里通义千问负责人林俊旸，其新成立的AI实验室尚未启动任何产品研发，就已经寻求20亿美元的估值；而Anthropic被曝完成300亿美元融资后，估值已经达到9000亿美元，远超其当前的营收水平[7]。在整个AI领域都处于估值泡沫期的背景下，RSI拥有8位顶级联创的豪华阵容，拿到46.5亿美元的估值，完全符合行业的整体定价逻辑，不一定是巨头为了抢人单独付出的溢价。 第二个替代解释是技术路线的验证标准缺失。递归式自我改进作为前沿研究方向，目前整个行业都没有形成统一的中期验证标准，根本不可能在公司成立仅半年的阶段，完成技术可行性的验证。资本押注团队并非不看重技术，而是这个方向暂时不具备早期验证的可行路径，不存在“主动放弃技术验证”的选择[6]。 换句话说，我们现在可以确认的事实是：田渊栋联合7位顶级AI研究者创立了RSI，完成了一轮大额融资，投资方包括头部科技公司的关联机构，公司的核心方向是递归式自我改进AI。但“巨头卡位抢人”“非技术验证”这些衍生判断，都只是基于现有信息的假设，而非已经被证实的结论。把假设当成事实，只会让我们忽略事件的其他可能性。

增长焦虑下的前置竞赛

无论最终的融资性质是人才卡位还是领域投资，RSI的这次融资都释放了一个非常明确的行业信号：整个AI行业对规模定律的增长瓶颈已经形成共识，下一代技术路线的竞争已经提前打响，而竞争的核心，已经从模型效果、产品体验，下沉到了人才和路线的前置卡位。 在过去五年的AI大模型浪潮中，一级市场的估值逻辑始终是“验证驱动”：天使轮需要有核心团队和原型Demo，A轮需要有明确的技术指标或者用户数据，B轮之后需要有营收或者商业化路径。但RSI的融资彻底打破了这个惯例——不需要产品，不需要原型，不需要数据，只要团队足够顶级，方向足够有想象力，就可以拿到数十亿美元的估值。 这种转变的背后，是整个行业的增长焦虑。当规模定律的边际收益越来越低，当训练一个大模型的成本从几千万美元涨到几十亿美元，而能力提升的幅度却越来越小的时候，所有玩家都在焦虑同一个问题：下一个增长曲线到底在哪里[6]？没有人知道答案，但所有人都知道，一旦新的技术路径出现，现有的几十亿甚至上百亿美元的大模型投入，很可能会瞬间变成沉没成本。 这种焦虑下，前置卡位就成了最稳妥的选择。既然不知道哪条路线能成，那就把所有可能路线上的顶级人才都先绑定，就算99%的路线都失败了，只要有一条成了，之前的所有投入都能收回来。RSI的融资，就是这种逻辑下的第一个标志性案例，它不会是最后一个。 但这种卡位逻辑也隐藏着巨大的风险。对于RSI而言，6.5亿美元融资看起来很多，但大部分都要投入到算力采购中，按照当前的算力价格，最多只能支撑18个月的大规模研发。如果18个月内拿不出可验证的技术原型，证明递归路线的可行性，下一轮融资就会面临估值断层——没有任何资本会愿意持续为一个看不到实用化希望的前沿研究，持续支付几十亿美元的估值[6]。 就算技术上最终取得了突破，RSI还要面临商业化的应用难题。OpenAI、Anthropic这类头部公司已经有成熟的基础模型底座和大量的B端客户，可以直接把递归改进的能力嵌入现有产品，不需要从零开始教育市场；而RSI作为初创公司，没有场景数据积累，就算做出了通用的递归科研系统，要应用到药物研发、电池材料、核聚变这些领域，还要面对极高的行业Know-how壁垒和合规要求。目前这些领域的研发入口和数据权限，都掌握在传统CRO、工业软件商和头部产业公司手中，RSI如果不能绑定核心产业客户，最终大概率会沦为巨头的技术外包，或者直接被收购[6]。 对于整个行业而言，这种“投人不投技术”的卡位逻辑，也可能会推高整个行业的研发成本，让更多的资源集中到少数顶级团队手中，挤压中小团队的生存空间，最终反而会延缓下一代技术路线的探索——毕竟，技术突破从来都不是按资排辈的，很多创新性的成果，往往来自没有那么多光环的小团队。

12个月的验证窗口

从现在开始的12个月，将是判断RSI融资性质的关键窗口。我们不需要听任何团队或者投资方的表态，只需要跟踪几个可验证的客观指标，就能得出明确的结论： 第一，RSI是否会公开递归自我改进系统的架构设计论文，或者至少3轮无人工干预自我优化的基准测试结果。这是证明其核心路线取得实质进展的最核心指标，如果没有公开的可复现的测试数据，所有关于技术突破的表述都不具备可信度。 第二，RSI是否会发布可公开测试的产品原型或者API，或者至少披露“5万名博士能力”系统的具体评测标准和验证方法。只有给出可量化的标准，才能判断其技术进展到底到了什么阶段。 第三，RSI是否会获得来自药企、新能源公司等产业端的付费订单，而非只有科技巨头和VC的投资或者框架合作。产业端的付费是技术实用价值的最直接证明，如果只有科技资本的投入，说明融资始终停留在卡位阶段，没有进入商业化验证。 第四，下一轮融资的投资方中是否出现产业资本，估值是否继续上涨。如果下一轮融资只有财务投资或者科技巨头参投，估值没有明显上涨，说明技术进展没有达到预期，卡位的性质就基本可以确认。 在这些指标落地之前，所有关于RSI“技术突破”或者“资本泡沫”的判断，都只是猜测。我们可以承认递归路线是当前AI行业最值得探索的方向之一，也可以认可RSI团队的研究能力，但不能把融资规模等同于技术突破的可信度，更不能把可能性当成已经发生的事实。 AI行业已经习惯了用融资额和估值来定义成功，但对于前沿研究而言，真正的成功从来都不是拿了多少钱，而是能不能把写在论文里的设想，变成真正能实用的技术。RSI的6.5亿美元融资，只是拿到了一张探索下一代技术路线的门票，至于这张门票最终能不能兑换成下一个时代的入场券，只有时间能给出答案。