全员押注递归自我改进，这家AI初创公司新模型强得吓人

编者按：当“用AI造AI”从实验室口号变成创业公司的产品路线，讨论重点就不再只是能力上限，而是迭代速度与安全治理能否同步。Recursive的争议性正在于此。

据WIRED记者Will Knight于2026年10月22日报道，初创公司Recursive正把全部筹码押在“递归自我改进”上。所谓递归自我改进，是指让AI系统参与改进下一代AI，包括生成训练数据、筛选架构、编写评估代码、发现训练漏洞，甚至优化推理与部署流程。Recursive最新模型被形容为“强得吓人”，这让支持者兴奋，也让安全研究者警惕。公司给出的核心判断很直接：用AI构建AI的收益，大于它带来的风险。

递归自我改进：不是魔法，是研发自动化

在大模型行业，递归自我改进常被误读为机器突然获得自我意识。更准确的理解是，把AI研发流程拆成可度量、可自动化的环节，再让模型在这些环节中反复试错。过去几年，合成数据、自动评测、智能体编程和AutoML已经让“AI参与AI研发”部分成为现实。Recursive的路线，是把这些碎片串成闭环：模型提出改进方案，系统自动验证，验证结果再反馈给下一轮训练。

这条路线之所以诱人，是因为它可能改变竞争曲线。传统大模型进步依赖更多数据、更多算力和更多人工标注；递归自我改进则试图用更快的实验循环换取效率。如果闭环成立，小团队也可能在特定任务上快速逼近大厂，研发节奏将从“月”压缩到“周”甚至“天”。

Recursive的赌注：收益能否覆盖风险

WIRED报道提到，Recursive试图论证AI构建AI的收益大于风险。其潜在收益包括加速科学发现、降低研发成本、自动发现软件漏洞，以及用AI辅助安全评估。支持者认为，能力更强的模型可以更早暴露系统缺陷，形成“以AI监督AI”的正循环。

“用AI构建AI”不是单一技术突破，而是一套把研发流程模块化、可测量、可自动优化的工程体系。真正的门槛不在某一个模型，而在闭环是否可靠。

但“强得吓人”的另一面，是评估难度上升。当模型参与改进自身，评估者与被评估对象的边界会变得模糊。模型可能在基准测试中表现优异，却在真实部署中隐藏能力或钻评估漏洞。目标漂移、奖励黑客、数据污染和供应链扩散，都是递归循环可能放大的风险。

安全治理必须跑得同样快

围绕递归自我改进的争论，核心不是要不要发展，而是以什么速度、在什么约束下发展。较务实的治理工具包括：外部第三方评测、能力阈值触发机制、训练与部署沙箱、红队测试、可解释性审计，以及可随时暂停的熔断机制。对于参与自身改进的模型，还需要把“谁有权修改目标函数”“谁负责复现结果”写成硬约束。

行业背景也值得注意。前沿模型的安全承诺正在从自愿走向监管，欧盟AI法案、美国相关行政措施和各国前沿模型安全评估都在推进。但治理节奏往往慢于模型迭代。Recursive的案例说明，创业公司可以用工程速度推进递归循环，却很难独自承担系统性风险的外部成本。

竞争会把行业带向哪里

如果Recursive的路线被验证，AI竞争将从单纯的算力军备竞赛，转向“研发自动化效率”的比拼。大厂仍有数据、分发和算力优势，但小团队可能凭借更紧凑的闭环快速迭代；开源社区则会面临更棘手的安全治理问题。资本市场也会重新定价“AI for AI”赛道。

当然，最新模型是否真的“强得吓人”，仍需独立复现、公开基准和长期安全测试。WIRED这篇报道的价值，在于把递归自我改进从哲学讨论拉回产品竞争：当AI开始参与制造更强大的AI，人类能否以同等速度升级治理，才是决定收益与风险天平的关键。本文编译自WIRED。