Richard Socher's New Lab "Recursive AI" Targets $4 Billion Valuation to Build Self-Improving Superintelligence

В шаге, который сигнализирует о возвращении к фундаментальным исследованиям для одного из самых заметных фигур Кремниевой долины в области ИИ, Richard Socher, по сообщениям, ведёт продвинутые переговоры о привлечении капитала для нового проекта, Recursive AI. По сообщениям, циркулировавшим в январе 2026 года, стартап стремится к предпривлекательной оценке примерно $4 billion, при этом GV (Google Ventures) и Greycroft готовы возглавить раунд.

Это развитие событий отмечает важный момент на ландшафте ИИ 2026 года, смещая фокус с прикладных войн последних двух лет обратно к поиску Общего искусственного интеллекта (Artificial General Intelligence, AGI). В отличие от предыдущего предприятия Socher — You.com, которое было ориентировано на пользовательский поиск и корпоративную продуктивность, Recursive AI стремится решить проблему «рекурсии интеллекта» — создание систем ИИ, способных автоматизировать собственные исследования и разработки без вмешательства человека.

The Return to Deep Research

Richard Socher, пионер в области обработки естественного языка (Natural Language Processing, NLP) и бывший главный научный сотрудник Salesforce, давно выступает за иные подходы к исследованиям интеллекта. В то время как его работа в You.com бросала вызов доминированию поиска Google за счёт ответов ИИ с обширными ссылками, Recursive AI кажется возвращением к его корням в академических и глуботехнологических инновациях.

Сообщаемая оценка в $4 billion впечатляет для нового проекта, однако она отражает гиперконкурентный характер венчурного рынка 2026 года. При том, что, по сообщениям, OpenAI стремится к оценкам выше $800 billion, а Anthropic преодолела отметку в $350 billion, инвесторы активно ищут «контр-популярные» ставки, обещающие архитектурные прорывы, а не только масштабирование.

Ядро тезиса Recursive AI сосредоточено на самоулучшающихся системах (self-improving systems). Текущие фундаментальные модели (foundation models), несмотря на свой размер, во многом опираются на данные, курируемые людьми, и рецепты обучения, разработанные людьми. Recursive AI стремится замкнуть цикл, создавая модели, которые могут проектировать собственные последующие алгоритмы. Эта концепция, часто теоретическая, получила распространение в конце 2025 года, поскольку возврат от простого добавления вычислительных ресурсов к Transformers начал демонстрировать убывающую предельную полезность.

Market Context: The "Mid-Cap" AI Lab Surge

Среда финансирования в начале 2026 года разделилась. С одной стороны, титаны (OpenAI, Google DeepMind, Anthropic) потребляют огромные суммы капитала для инфраструктуры. С другой стороны, появляется новый уровень «гибких» исследовательских лабораторий во главе со звёздными исследователями, оценённых в диапазоне от $3 billion до $10 billion.

Recursive AI присоединяется к определённой когорте стартапов с высоким рейтингом, привлекающих капитал в этом месяце. Таблица ниже показывает, как новое предприятие Socher сравнивается с его современниками в ландшафте финансирования января 2026 года.

Table: Major AI Startup Funding & Valuations (January 2026)
Startup Name|Valuation (Est.)|Core Focus|Key Investors/Backers
---|---|---
Recursive AI|~$4.0 Billion|Самоулучшающийся суперинтеллект (self-improving superintelligence)|GV, Greycroft (In Talks)
Humans&|$4.48 Billion|Ориентированное на человека выравнивание ИИ (Human-centric AI Alignment)|Seed Round Investors
Moonshot AI|$4.8 Billion|Long-context LLMs (China)|Alibaba
World Labs|$5.0 Billion|Пространственный интеллект (Spatial Intelligence)|Fei-Fei Li (Founder)
Sakana AI|$2.6 Billion+|Эволюционное объединение моделей (Evolutionary Model Merging)|Google, Khosla Ventures

Примечание: Оценки отражают сообщаемые предпривлекательные значения или недавние пост-инвестиционные раунды по состоянию на конец января 2026 года.

The Thesis: Automating the Researcher

Отличие Recursive AI заключается в её конкретной методологии. В то время как конкуренты сосредоточены на «законах масштабирования» — идее, что больше данных и вычислений неизбежно приводят к лучшей производительности — новая лаборатория Socher, по сообщениям, делает ставку на метаобучение (meta-learning) и рекурсивное самоулучшение (recursive self-improvement).

Исходная посылка заключается в том, что для достижения суперинтеллекта ИИ должен перейти от продукта человеческой инженерии к роли самого инженера. Это включает в себя:

• Автоматизированный поиск архитектур (Automated Architecture Search, NAS): системы ИИ, которые могут перепроектировать собственные структуры нейронных сетей для повышения эффективности.
• Синтетическая генерация данных (Synthetic Data Generation): создание высококачественных учебных данных для преодоления «стены данных», с которой многие LLMs столкнулись в 2025 году.
• Обучение по учебной программе (Curriculum Learning): системы, которые автономно решают, чему учиться и в каком порядке, подражая человеческой развитию в психологии.

Источники, близкие к сделке, предполагают, что участие GV особенно примечательно. Поскольку Google продолжает интегрировать прорывы DeepMind в Gemini, интерес венчурного подразделения к Recursive AI указывает на стратегию хеджирования — инвестиции в альтернативные архитектуры, которые могут превзойти текущие модели на базе Transformers.

Investor Sentiment and Risks

Для инвесторов, таких как Greycroft и GV, ставка на Richard Socher — это ставка на послужной список. Докторская диссертация Socher в Стэнфорде по рекурсивному глубокому обучению была основополагающей для этой области. Его продажа MetaMind Salesforce в 2016 году доказала его способность коммерциализировать глубокие технологии. Тем не менее ценник в $4 billion за по сути исследовательскую лабораторию влечёт за собой значительный риск.

Ключевые вызовы для Recursive AI:

1. Стоимость вычислений: Даже при эффективных архитектурах обучение самоулучшающихся моделей требует массивных кластеров GPU. Recursive AI придётся конкурировать за распределение ресурсов с триллионными гигантами.
2. Безопасность и выравнивание: Системы, способные к самоулучшению, теоретически представляют собой самый опасный тип ИИ. Если система может переписывать свой собственный код, обеспечение её соблюдения человеческих ограничений безопасности становится экспоненциально сложнее — проблема, с которой инициативы «Безопасный суперинтеллект» (Safe Superintelligence, SSI) изо всех сил пытались справиться.
3. Война за таланты: Набор ведущих исследователей в 2026 году требует пакетов компенсаций, сопоставимых с вознаграждениями профессиональных спортсменов. Репутация Socher поможет, но пул талантов ограничен.

Conclusion

По мере взросления индустрии ИИ в 2026 году нарратив «одна модель, правящая всеми» расслаивается. Специализированные лаборатории, фокусирующиеся на пространственном интеллекте (World Labs), эволюционных алгоритмах (Sakana) и теперь на рекурсивном улучшении (Recursive AI), определяют следующую волну инноваций.

Вступление Richard Socher в эту арену с потенциальным боевым фондом в $4 billion свидетельствует о том, что отрасль считает нас всё ещё на ранних стадиях развития ИИ. Если Recursive AI удастся автоматизировать сам процесс исследований, нынешние оценки сегодняшних гигантов ИИ могут показаться скромными в ретроспективе. И наоборот, если технические препятствия рекурсии окажутся непреодолимыми, это станет громким испытанием для границ венчурного научного финансирования.