Richard Socher — a You.com és AIX Ventures alapítója — új vállalkozásba kezdett Recursive néven, amelynek célja az AI‑kutás részleges vagy teljes automatizálása és a „recursive self‑improvement” megvalósítása: olyan rendszerek fejlesztése, amelyek képesek magukon és egymáson kísérletezve új módszereket és optimalizációkat találni.
Finanszírozás, csapat és korai eredmények
A Recursive állítása szerint a cég egy erős kutatócsapatot gyűjtött össze, a startupról közölt információk szerint egy 4.65 milliárd dolláros seed‑körrel indulnak. A vállalat alapítóinak körében nyolc társalapító szerepel, köztük több ismert kutató és mérnök: Jeff Clune (open‑endedness kutatás), Tim Rocktäschel (Genie világmodellek), Josh Tobin (OpenAI‑s ügynökprojektek), Alexey Dosovitskiy (Vision Transformer), Yuandong Tian (Meta RL) és mások.
Recursive korai demonstrációi közé tartozik több automatizált kutatási futtatás: a csapat egy, a közösség által korábban megcélozott NanoChat és NanoGPT feladatokon belül kevesebb mint két nap alatt állítása szerint jobb bito/bájt (bits per byte) értékeket ért el, mint az emberi csapatok és azok ügynökei; továbbá bejelentettek GPU‑kernel‑optimalizációs eredményeket az NVIDIA‑ökoszisztémában, ahol a rendszer állítólag újításokat fedezett fel CUDA‑szakértői csapat bevonása nélkül.
Socher kiemelte, hogy az ilyen automatikus kutatási rendszerek sebessége és hatékonysága csökkentheti azt az ember‑évekkel mérhető erőforrás‑igényt, amely ma AI‑kutatáshoz szükséges: szerinte bizonyos kutatási feladatok, amelyek több ezer ember és több év munkája alatt valósulnak meg, automatikus rendszerekkel hetekre vagy hónapokra rövidíthetők.
A „Eureka Machine” és a hosszú távú vízió
Socher szerint végső célja a „Eureka Machine”: egy olyan szuperintelligencia, amely képes az újítás folyamatát gyorsítani és alkalmazni tudja magát tudományos problémák — például energia (fúzió/fisszió), anyagtudomány, kémia, biológia — megoldására. A könyve, The Eureka Machine, amelyről a beszélgetésben azt állította, hogy szeptemberben jelenik meg, részletesen tárgyalja ezt a víziót.
Biztonság, szabályozás és kockázatok
Socher a beszélgetés során többször hangsúlyozta a két szempontot: technológiai optimizmus az újítások társadalmi haszna iránt, valamint a konkrét alkalmazások szabályozásának szükségessége a potenciális kár mérséklésére. Elutasította azt az elképzelést, hogy a kormányok a GPU‑számok vagy a modellek FLOP‑száma alapján általános jogi intézkedésekkel korlátozzák a kutatást, mert szerinte az ilyen szabályozás a gondolatok szabályozásához hasonlítható és totalitárius következményekkel járna.
A Recursive alapítója beszélt a „reward hacking” jelenségéről: azokról az esetekről, amikor egy AI a definiált jutalom maximalizálása érdekében torz, nem kívánt viselkedést produkál (például hamis értékeléseket generálva). Kiemelte, hogy a jelenlegi módszerek — köztük a koncepcionális „alkotmányos AI”‑megközelítések — nem bizonyultak elég hatékonynak, és szükség van jobb red‑ / rainbow‑teaming, rubrikák és jutalomtervezési megoldások kifejlesztésére.
Open source, geopolitika és tulajdon
Socher szorgalmazza az open‑source megközelítést: szerinte több, nyitott és különböző szereplők által hozzáférhető AI növeli a rezilienciát és versenyt, valamint soft power szerepe is van — különösen a geopolitikai versenyben Kína és a nyugati országok között. A Recursive nyitottsággal kapcsolatos terveiről annyit mondott, hogy a cég hamarosan releváns bejelentéseket tesz ebben a térben.
Módszertanok, befolyások és kutatási irányok
A Recursive munkáját több kutatási irány inspirálja: open‑endedness (nyílt végű evoluciós módszerek), a Darwin Gödel Machine elméleti javaslatai, valamint korábbi, konvergens munkák az NLP területén (például DecaNLP, Ask Me Anything). Socher felhívta a figyelmet arra, hogy a gépi tanulás története során sokszor az történt, hogy a kézi, manuális lépéseket automatizálva nagy előrelépést értek el — most az AI‑kutás automatizálása lehet a következő ilyen lépés.
A Recursive‑ben alkalmazott módszereknél a jutalom‑ és céltervezés, a sandboxing (karantén/harness) és a webes keresés mint ügynökinfrastruktúra kiemelt szerepet kapnak. Socher szerint a webes keresés továbbra is az egyik leggyakrabban használt eszköz LLM‑ügynökök számára, ezért a You.com‑ban szerzett tapasztalatok (amely most inkább fejlesztői és ügynököknek kínál megoldásokat) relevánsak.
A LLM‑paradigma és a világmodellek
Socher úgy véli, hogy a jelenlegi autoregresszív transzformer‑alapú nyelvi modelleknek (LLM) még sok tér van a növekedésre, különösen ha a modellek kódolási képességeit (a modellek képesek saját kódot generálni és futtatni) integrálják mélyebben a rendszerekbe. Kevésbé volt lelkes a „világmodellek” (world models) univerzális szükségessége iránt: szerinte játékok és robotika esetén lehetnek különösen hasznosak, de általánosabb kutatásban a jelenlegi nyelvi modellek további fejlődése is sokat adhat.
Mérések, benchmarkok és gyakorlati nehézségek
Socher megjegyezte, hogy az automatizált kutatási rendszerek alkalmazása során sokszor a benchmark‑harnessekben rejlő hibák, mérési torzulások és a tréningadatok „szivárgása” (data leakage) okoznak problémákat. A Recursive egyes optimalizációs kísérletei során több mérési hibát találtak, amelyeket javítani kellett, mert torzították az eredményeket.
Prioritások és rövid távú fókusz
A Recursive rövid távú fókusza egyértelműen „AI for AI research”: a vállalat először a modellek és inferencia‑rendszerek hatékonyságának növelésére, gyorsabb és olcsóbb tréningre, valamint az ügynök‑harness optimalizálására koncentrál, mielőtt a fizikai világban végrehajtott automatizált kísérletek felé lépne. Socher szerint a fizikai tudományok (robotika, kísérleti folyamatok) alkalmazása néhány éven belül válhat reálissá, de jelenleg még korai.
Záró gondolatok: célok, személyes tanácsok
Socher tanácsa a gyakorló szakemberek és kutatók számára egyszerűbb: találjanak egy szenvedélyt, és gondolják végig, hogyan tudják azt AI‑val összekapcsolni. Hosszabb távon pedig ő a tudáskeresést és a metakognitív célokat említi mint ígéretes irányokat az intelligencia fejlesztésében.
Időrend, források és releváns anyagok
A beszélgetésben említett hosszabb előadás (20 perces AIE keynote) és a podcast‑interjú részletes áttekintést ad Recursive korai eredményeiről, a 10 „spaces of intelligence” koncepcióról, valamint a biztonsági és szabályozási kérdésekről. A podcast sávokba rendezett időbélyegeket is közzétették (a teljes lista a forrásszövegben szerepel), amelyek a fő témablokkokra mutatnak rá: a Eureka Machine víziójától a GPU‑kernel optimalizációs eredményekig, illetve a metakognitív és társadalmi kérdésekig.
(Figyelem: a cikk Socher és a Recursive által a beszélgetésben közölt állításokon alapul; a finanszírozással, eredményekkel és időpontokkal kapcsolatos számok a forrásban közölt állításokat tükrözik.)
