Rekursiv superintelligens samlar in 650 miljoner dollar för att utveckla självförbättrande AI

En ny frontier AI-firma som heter Rekursiv superintelligens har gått ut ur stealth-läget med 650 miljoner dollar i finansiering och ett ovanligt ambitiöst mål: att bygga AI-system som kan förbättra sig själva utan direkt mänsklig inblandning.

Företaget leds av AI-forskaren och entreprenören Richard Socher, tillsammans med en grundarteam som inkluderar framstående forskare från Google DeepMind, OpenAI, Meta och akademin.

Företaget kommer in på marknaden i en tid när AI-branschen snabbt förändras från att bygga större språkmodeller till att utveckla system som kan resonera, anpassa sig och potentiellt genomföra sin egen forskning på ett autonomt sätt. Medan de flesta AI-företag fortfarande fokuserar på att förbättra modellprestanda genom mänsklig vägledning och förstärkt inlärning, är Rekursiv superintelligens på väg att utforska något mycket mer experimentellt: rekursiv självförbättring.

Konceptet har länge diskuterats i AI-kretsar som en möjlig väg mot superintelligens. I enkla termer handlar idén om att ett AI-system kan identifiera svagheter i sin egen arkitektur, generera nya tillvägagångssätt för att lösa dessa svagheter, testa resultaten och kontinuerligt förbättra sig i en pågående återkopplingsloop.

Enligt Socher kvalificerar sig de flesta nuvarande former av AI-assisterad kodning eller AI-genererad forskning inte som sann rekursiv självförbättring. Istället hävdar han att äkta rekursion skulle kräva att hela cykeln av idébildning, implementering, testning och förfining sker autonomt.

Richard Sochers långsiktiga vision för AI

Socher är inte ny i ambitiösa AI-projekt. Innan han grundade Rekursiv superintelligens blev han allmänt känd som medgrundare och VD för You.com, ett AI-baserat sök- och företags-AI-infrastrukturföretag som tidigt utmanade traditionella sökmotorer.

You.com fick initialt uppmärksamhet för att kombinera konversations-AI med webbsökning år innan generativ AI blev mainstream. Med tiden utvecklades företaget mot företags-AI-verktyg, API:er och produktivitetsinriktade AI-system.

Innan You.com var Socher chefsforskare på Salesforce (CRM ) och byggde upp ett rykte som en av de mest citerade forskarna inom naturlig språkbehandling. Hans akademiska arbete bidrog till grundläggande tekniker inom ordinbäddningar, kontextuell språkförståelse och neurala nätverksarkitekturer som hjälpte till att forma moderna AI-system.

Rekursiv superintelligens verkar representera en annan fas i Sochers karriär: mindre fokuserad på kommersiell AI-distribution och mer fokuserad på grundläggande genombrott inom intelligensen i sig.

Ändå har Socher motsatt sig att beskriva företaget som en ren forskningslabb. Han har betonat att företaget avser att utveckla kommersiella produkter och tror att praktiska tillämpningar kan uppstå inom “kvartal, inte år”.

Öppenhetens tillvägagångssätt

En av de centrala koncepten bakom Rekursiv superintelligens är något som forskare kallar “öppenhet”.

Istället för att träna modeller mot ett enda fast mål genererar öppna system kontinuerligt nya miljöer, utmaningar och former av anpassning. Tillvägagångssättet hämtar inspiration från biologisk evolution, där organismer ständigt utvecklas som svar på förändrade förhållanden och konkurrerande anpassningar.

Företagets medgrundare Tim Rocktäschel arbetade tidigare med öppen AI-forskning på Google DeepMind, inklusive projekt som involverade generativa världsmodeller och självförbättrande system.

Ett exempel som Socher diskuterar är “regnbågslag”, ett AI-säkerhetskoncept där ett AI-system kontinuerligt attackerar och provar ett annat AI-system för att avslöja sårbarheter. Istället för att förlita sig på människor för att manuellt testa skadliga gränsfall utvecklar två AI-system effektivt mot varandra under miljontals iterationer.

Idén speglar en bredare förändring som sker inom frontier AI-forskning: att använda AI-system som en del av utbildnings-, utvärderings- och säkerhetsinfrastrukturen.

Beräkningsresurser kan bli den avgörande resursen

Lanseringen av Rekursiv superintelligens förstärker också en annan växande verklighet inom AI: den ökande betydelsen av beräkningsinfrastruktur.

Såsom modeller blir mer kapabla fortsätter utbildningskostnaderna och inferenskraven att öka exponentiellt. Om rekursiva självförbättringssystem slutligen blir livskraftiga kan beräkningsresurser bli ännu mer strategiskt viktiga, eftersom AI-utvecklingens hastighet skulle bli direkt kopplad till hur mycket bearbetningskraft som kan allokeras till självförbättringscykler.

Socher föreslog att framtida samhällen kan stå inför svåra beslut om var de ska allokerar AI-beräkningsresurser, och jämförde det med att bestämma vilka sjukdomar eller vetenskapliga problem som ska få mest beräkningsuppmärksamhet.

Den ramen betonar hur AI-infrastruktur alltmer blir sammanflätad med geopolitik, energisystem, halvledarsupplykedjor och nationell konkurrenskraft.

Investorerna fortsätter att satsa på frontier AI-team

Storleken på finansieringsrundan är också anmärkningsvärd med tanke på hur tidigt företaget fortfarande är. Rekursiv superintelligens har enligt uppgift färre än 30 anställda och har ännu inte släppt en offentlig produkt, men har redan uppnått en multibilliondollarvärdering.

Rundan speglar en bredare trend inom riskkapital där elit AI-forskartalang har blivit en värdefull tillgångsklass. Investorer placerar alltmer massiva insatser på team med djup teknisk trovärdighet, särskilt forskare som är kopplade till organisationer som OpenAI, DeepMind och Meta AI.

På många sätt verkar marknaden förändras från att finansiera programvaruprodukter till att finansiera potentiella genombrott inom intelligensinfrastruktur.

Om rekursiv självförbättring slutligen visar sig vara genomförbar förblir osäkert. Många forskare tror att konceptet kan förändra AI-utvecklingen helt, medan andra hävdar att

De tekniska barriärerna förblir enorma. Men framväxten av Rekursiv superintelligens signalerar att några av branschens mest inflytelserika forskare nu tror att nästa fas av AI inte bara kommer att handla om att bygga smartare modeller. Istället kan det handla om att AI-system deltar direkt i sin egen utveckling.