田渊栋创业：一旦 AI 开始参与制造下一代 AI，行业竞争就会进入一个完全不同的阶段。真正的差距不再是今天谁的模型更强，而是谁的系统，能更快地产生明天更强的模型
田渊栋从 Meta FAIR 离开，再加入 Recursive Superintelligence 做联合创始人，这件事不只是一个顶级研究员的职业转身。
它更像一个信号：AI 行业正在从“训练一个更强模型”，转向“搭一套能持续生产更强模型的系统”。
这两个问题看上去只差一步。
但商业竞争的含义完全不同。
前者比的是当下这一代模型的参数、数据、算力、产品体验。
后者比的是研发机器本身：谁能更快发现瓶颈，提出假设，设计实验，跑出结果，再把结果变成下一轮模型能力。
如果这个闭环跑通，行业的胜负就不会只由某一次模型发布决定。
真正拉开差距的，会是迭代速度。
从模型竞争，到研发系统竞争
过去几年，大模型竞争的主线很清楚：更多数据，更多参数，更多算力，更强的预训练。
这条路还没有结束。
但它越来越贵，也越来越像重资产工业。
每一次进步都要吞下更大的算力、更复杂的数据工程、更昂贵的人才组织。
所以行业自然会问下一个问题：能不能不只是把模型做大，而是让模型参与“做模型”这件事？
Recursive Superintelligence 押注的，正是这个方向。
它不是再做一个聊天机器人，也不是只把 Agent 做得更会办公。
它想把 AI 研发本身拆成一个可以被系统化加速的闭环：发现短板，提出改进，设计 benchmark，修改训练或推理系统，再用实验结果指导下一轮。
这就是“递归智能”真正锋利的地方。
不是 AI 帮人写几行代码。
而是 AI 开始进入智能生产的流水线。
Agent 只是入口，不是终点
今天我们说 Agent，通常还是在应用层。
查资料、写报告、改代码、做客服、订票、处理表格。
这些都重要，但它们解决的是“人类已有任务如何自动化”。
递归智能要解决的是另一层问题：AI 系统能不能改进 AI 系统自己。
这就像两件事的区别：
一件是让 AI 帮你开车。
另一件是让 AI 参与设计下一代发动机、下一代交通规则、下一代道路系统。
前者提高效率。
后者改变进步的来源。
所以，递归智能如果成立，它带来的不是某个产品功能的增强，而是研发范式的迁移。
人类研究员仍然重要，但他们的位置会变化。
从每一步都亲手推进，变成定义目标、约束边界、判断结果、校正方向。
关键不在“会写代码”
很多人会低估这件事，以为“AI 改进 AI”就是让模型自动写训练代码。
这只是起点。
真正困难的是可验证的有效改进。
AI 能不能发现某类推理任务上的系统性弱点？
能不能设计一个不会被轻易刷分的新 benchmark？
能不能区分真实能力提升和评测幻觉？
能不能在多轮迭代之后，不把一个小偏差放大成系统性错误？
这些问题才是分水岭。
因为 AI 研发不是单纯的软件工程。
它更接近科学循环：提出假设，控制变量，设计实验，解释结果，复盘失败。
今天人类研究员最稀缺的能力，也不是敲代码。
而是知道什么问题值得问，什么实验值得做，什么结果值得相信。
递归智能要挑战的，恰好是这部分。
为什么顶级研究者都在靠近这里
田渊栋不是孤例。
Ilya Sutskever 创办 Safe Superintelligence，把目标直接指向安全超级智能。
David Silver 创办 Ineffable Intelligence，押注强化学习和自我生成经验，试图让系统从自己的经验中长出更强学习能力。
Recursive Superintelligence 则把重心放在开放式算法、递归自我改进和 AI 研发闭环上。
这些路线不完全相同。
但它们共同说明一件事：最前沿的竞争，正在从“谁先拿出一个强模型”，转向“谁先拥有一套能持续制造强模型的机器”。
这也是为什么田渊栋的创业值得被单独看见。
他不是从大厂出来做一个更轻的应用层公司。
他进入的是模型进步机制本身。
速度会变成护城河
一旦 AI 参与制造下一代 AI，行业节奏会被重新压缩。
今天的大模型发布周期已经很快。
过去一个大版本可能半年到一年，后来变成几个月，现在很多团队已经在用更短周期推能力更新。
但这仍然主要是“人类团队用 AI 工具加速”。
下一阶段更关键：当 AI 能自动发现瓶颈、自动设计实验、自动写评测、自动改训练流程，迭代主体就开始变化。
这时，真正的护城河不只是模型参数，也不只是一次融资规模。
而是系统吞吐量。
你每天能提出多少有效假设？
能跑多少可信实验？
能从失败里提取多少可复用知识？
能多快把这些知识反馈到下一代模型？
模型强，只是结果。
产生更强模型的系统，才是原因。
风险也会递归
当然，递归智能不是无限飞升的浪漫故事。
如果目标函数错了，它会更快地优化错目标。
如果 benchmark 有洞，它会更快学会刷分。
如果训练流程埋了偏差，它会在多轮自我改进里把偏差放大。
所以这条路真正重要的，不只是“更强”，还有“可验证、可解释、可控”。
没有这些约束，递归自我改进就不是生产力飞轮，而可能是风险飞轮。
这也是未来几年 AI 公司最难的组织问题：不是简单让模型自己改自己，而是搭出一套能让改进被验证、被审计、被约束的研发系统。
真正的差距在明天
过去几年，AI 行业最重要的问题是：我们能不能训练出一个更大的模型？
接下来几年，问题会变成：我们能不能训练出一个会做 AI 研究的模型？
田渊栋加入 Recursive Superintelligence 的意义，就在这里。
它把竞争的焦点从模型本身，推向模型背后的生产系统。
一旦 AI 开始参与制造下一代 AI，行业竞争就会进入一个完全不同的阶段。
真正的差距不再是今天谁的模型更强。
而是谁的系统，能更快地产生明天更强的模型。
参考
- 微信公众号「AI产品研究院」：《递归智能：AI 的下一站，是学会改造自己》：https://mp.weixin.qq.com/s/p351efDjxTTnjehYV8yw0w