Сан-францисский стартап Recursive Superintelligence вышел из режима скрытности с финансированием в $650 млн и амбицией, от которой у части индустрии обычно начинается нервный тик: построить самоулучшающийся ИИ, способный сам находить свои слабые места и переписывать себя без участия человека. Для русскоязычной IT-аудитории это не просто очередной громкий раунд, а сигнал: гонка за AI-системами, которые не только генерируют код и тексты, но и сами ускоряют собственную разработку, переходит из теории в инвестиционную реальность.
Проект возглавил Ричард Сочер, которого рынок давно знает по You.com и более ранней работе в AI-среде вокруг ImageNet; как пишет TechCrunch, вместе с ним в стартапе участвуют заметные фигуры отрасли, включая Питера Норвига и сооснователя Cresta Тима Ши. Компания делает ставку не просто на улучшение моделей с помощью моделей, а на более жесткую цель: выстроить замкнутый цикл, где автоматизированы генерация исследовательских идей, их реализация и проверка результата. В логике команды это и есть путь к тому, что принято называть recursive self-improvement, то есть рекурсивному самоусовершенствованию.
Сочер отдельно проводит границу между обычным «AI улучшает что-то» и настоящей рекурсией. Если модель помогает доработать письмо, ML-пайплайн или фрагмент кода, это, по его словам, просто улучшение. А самоулучшающийся ИИ в их трактовке должен уметь распознавать собственные ограничения, предлагать изменения в собственной архитектуре или исследовательском процессе, а затем сам же проверять, сработали ли эти изменения. Идея старая, почти мифологическая для AI-рынка, но именно поэтому на нее так охотно смотрят инвесторы: если такой цикл хотя бы частично заработает, темп прогресса в моделях может стать заметно менее зависимым от ручной работы исследователей.
Технически команда делает ставку на концепцию open-endedness, которую Сочер называет своим ключевым отличием от других лабораторий. Речь о системах, которые не идут к одной узкой цели, а способны бесконечно расширять пространство задач, сценариев и собственных стратегий. В качестве важного архитектора этого подхода он называет Тима Роктэшеля, сооснователя стартапа, ранее работавшего в Google DeepMind над командами open-endedness и self-improvement, а также над world model Genie 3. Логика здесь почти эволюционная: одна система адаптируется, другая отвечает контрадаптацией, и этот цикл продолжается не десятки, а миллионы итераций. Для AI-индустрии это звучит особенно заманчиво, потому что позволяет надеяться не на один удачный прорыв, а на механизм, который сам производит следующие шаги вперед.
Сочер приводит и более прикладной пример: так называемый rainbow teaming. Если классический red teaming в контексте больших языковых моделей означает попытки заставить систему выдать опасный или запрещенный ответ, то в более продвинутой версии одну модель натравливают на другую и позволяют им эволюционировать в противоборстве. Одна ищет новые способы обойти защиту, другая учится закрывать эти дыры. В теории это дает не единичные тест-кейсы, придуманные людьми, а огромный поток атакующих сценариев, который масштабируется машинно. Для разработчиков корпоративных AI-систем это, пожалуй, самая практичная часть всей истории: даже если рекурсивная суперинтеллектуальность пока остается обещанием, инструменты автоматизированного тестирования и hardening на базе второй модели выглядят вполне рыночным продуктом уже на ближайшем горизонте.
Отдельно интересен состав команды, потому что именно он должен убедить рынок, что перед нами не академический клуб по интересам. Помимо Норвига и Ши, Сочер упоминает Джоша Тобина, одного из ранних сотрудников OpenAI, который позже руководил командами Codex и deep research. Сам Сочер явно спорит с модным ярлыком neolab, которым сейчас часто обозначают AI-стартапы, делающие ставку прежде всего на исследования. Он прямо говорит, что не хочет строить «просто лабораторию» и настаивает на будущих продуктах, которые люди будут реально использовать. Это важная оговорка: после нескольких лет, когда рынок был готов щедро финансировать почти любую сильную исследовательскую команду, инвесторы и клиенты все чаще требуют не только paper-friendly амбиции, но и понятный путь к выручке.
Именно поэтому в интервью важна фраза о сроках: первые продукты, по словам Сочера, могут появиться через кварталы, а не через годы. Что это будут за продукты, он не раскрывает, и здесь лучше не дорисовывать лишнего. Но сам вектор понятен. Если у компании действительно есть сильные наработки в автоматизации исследовательского цикла, первыми на рынок логично выходят не «искусственный ученый общего назначения», а более узкие инструменты: ускорение исследований, безопасность моделей, автоматизация инженерной работы вокруг AI или системы оценки качества. Для CTO, AI-лидов и продуктовых команд это привычный урок 2026 года: самые громкие AI-обещания почти всегда доходят до рынка в виде не философии, а конкретного workflow-инструмента.
Почему это важно бизнесу и разработчикам
Для бизнеса история Recursive Superintelligence упирается в старый, но теперь уже денежный вопрос: если модель сможет заметно улучшать саму себя, главным ограничением становится не талант отдельной команды, а доступ к вычислениям. Сочер говорит об этом довольно прямо: в будущем важнейшим ресурсом будет compute, а ключевой управленческий вопрос сведется к тому, на решение каких проблем человечество готово выделять больше мощностей. Формулировка звучит немного как тизер к новой версии плановой экономики, только вместо стали и зерна распределяют GPU-кластеры на рак, вирусы, программирование и математику.
Для русскоязычного рынка здесь несколько практических выводов. Во-первых, ставка на самоулучшающийся ИИ повышает ценность инфраструктуры, а не только моделей: выиграют те, кто умеет быстро прогонять гипотезы, валидировать изменения и измерять качество. Во-вторых, растет цена специалистов, которые связывают research и product, потому что именно на этой границе рождаются системы, способные не просто впечатлять демо, а улучшать конкретные бизнес-процессы. И в-третьих, безопасность снова перестает быть факультативной темой. Если модели получают больше автономии в генерации, тестировании и переписывании решений, то контрольные контуры, аудит и adversarial-проверки автоматически переходят из категории nice to have в базовую инженерную гигиену.
Главный вопрос теперь не в том, можно ли собрать еще один хорошо профинансированный AI-стартап с большой идеей. Вопрос в другом: сумеет ли команда Сочера доказать, что рекурсивное самоулучшение может давать не только красивую исследовательскую риторику, но и измеримый продуктовый эффект быстрее, чем закончится терпение рынка. Исходная заявка звучит предельно крупно, а проверить ее на прочность можно будет довольно скоро: сам Сочер обещает первые результаты в горизонте ближайших кварталов. Подробности исходного интервью можно посмотреть в .