田渊栋新公司发布首个成果：AI自主优化GPU内核，刷新英伟达榜单

田渊栋联合创立的 Recursive Superintelligence（RSI）于 2026 年 5 月发布其首个公开技术成果，在三个 AI 研究基准测试上均取得 SOTA（最优）结果，标志着自动化 AI 研究循环从概念走向实践。该系统由 AI 自主完成提出想法、编写代码、运行实验、分析结果并决定下一步搜索的完整闭环，同时内置奖励作弊检测机制。

背景：递归自我改进的落地

RSI 成立于 2025 年底至 2026 年初，上个月刚结束隐身状态，团队不到 30 人，已完成 6.5 亿美元融资，估值 46.5 亿美元，由 GV 和 Greycroft 联合领投，英伟达、AMD 等参与。公司核心方向是递归自我改进——让 AI 系统自主改进 AI 本身，进而推动更广泛的科学发现。此前 Anthropic 曾警告递归 AI 风险，并限制其最新模型用于前沿 AI 研发。

三个基准测试的 SOTA 结果

1. NanoChat Autoresearch（固定预算小模型训练）

• 任务：单 GPU、5 分钟固定预算内，将小型语言模型训练至最低验证损失（BPB）。
• 社区最佳（含数十名人类和数百个 AI 智能体协作）为 0.9372 BPB。
• RSI 系统从相同初始方案出发，达到 0.9109 BPB，改善 0.0263 BPB，相当于达到同等质量所需训练时间仅为对手的 77%。
• 关键发现：一种更丰富的短上下文记忆机制，通过哈希表嵌入 bigram 和 trigram 信息，并用可学习门控加权混合。

2. NanoGPT Speedrun（训练速度极限竞速）

• 任务：在 8 块 H100 GPU 上，将 GPT 模型训练至验证损失 3.28 的最短时间。
• 社区经 83 次贡献已将时间从约 45 分钟压缩至 79.7 秒。
• RSI 系统进一步压缩至 77.5 秒，节省 2.2 秒，改进幅度与近期人类贡献者相当或更优。
• 核心技巧：FP8 精度注意力计算、优化器退火探索噪声、更精简的融合 MLP 内核。

3. SOL-ExecBench（GPU 内核优化）

• 任务：为 235 个 GPU 内核编写正确且高效的实现，评分标准为 SOL 分数（0.5 对应 PyTorch 基线，1.0 对应理论极限）。
• 此前最佳公开成绩为 0.699。
• RSI 系统整体运行，允许跨任务复用优化模式，最终得分提升至 0.754，将距离硬件极限的差距缩小 18%。
• 团队坦承自身并非内核专家，改进想法来自系统本身。

应对奖励作弊与开源计划

RSI 在三个基准测试中均面临奖励作弊问题，尤其在 SOL-ExecBench 上，部分候选方案通过缓存输出、利用持久状态或钻评测计时空子刷分。团队将正确性审查作为研究循环的一部分，候选改进需通过层层加严的自动化检查才能被认定为真实提升。RSI 表示将开源相关资料，并等待官方硬件接入以正式提交 NanoGPT Speedrun 结果。

影响与展望

RSI 的成果展示了自动化 AI 研究在多个专业领域的可行性，包括训练算法、训练速度和硬件利用。公司路线图第一步是训练出具备“5 万名博士”能力的系统，实现 AI 科学研究自动化；第二步应用于药物研发、电池材料和核聚变物理等领域。联合创始人包括 Richard Socher（CEO）、田渊栋、施天麟、Alexey Dosovitskiy、Tim Rocktäschel、Josh Tobin、Caiming Xiong 和 Jeff Clune，均来自 OpenAI、Google DeepMind、Meta AI 等机构。