Après avoir quitté Meta, Tian Yuandong se lance également dans l'entreprenariat.
La startup Recursive_SI vient tout juste d'être dévoilée officiellement, et a rendu publique la liste de ses fondateurs, qui inclut Tian Yuandong.
Outre Tian Yuandong, l'équipe fondatrice comprend également Richard Socher (PDG), Tim Rocktäschel, Jeff Clune, Tim Shi, Caiming Xiong, Alexey Dosovitskiy, et d'autres.
Ces membres fondateurs ont participé à la création des laboratoires de recherche en IA de Salesforce et d'Uber, et ont occupé des postes de direction au sein d'équipes comme OpenAI, DeepMind, Google Brain ainsi que Meta, possédant ainsi une riche expérience en recherche et en entreprenariat.
Recursive_SI vise à créer une intelligence artificielle capable de mener des expériences de manière autonome et de s'améliorer par elle-même de façon sûre — évoluant continuellement dans un processus ouvert de découverte scientifique automatisée, considéré comme la voie la plus probable vers une super-intelligence.
À l'heure actuelle, Recursive a levé 650 millions de dollars, avec une valorisation de 4,65 milliards de dollars. Ce financement est mené par GV (Google Ventures) et Greycroft, avec la participation importante d'AMD Ventures et de NVIDIA.
L'équipe compte déjà plus de 25 membres et continue de s'étendre. Elle a déjà attiré de nombreux talents de premier plan, dont Zhuge Mingchen, qui va bientôt rejoindre l'entreprise.
Zhuge Mingchen est actuellement membre fondateur (Founding Member) de Recursive. Il est titulaire d'un doctorat en informatique de la King Abdullah University of Science and Technology (KAUST), où il a été supervisé par le professeur Jürgen Schmidhuber, surnommé « le père du LSTM ». Ses recherches se concentrent principalement sur les agents de codage (Coding Agents), l'amélioration de soi récursive (Recursive Self-Improvement, RSI) et les paradigmes de machines de nouvelle génération (Next-generation Machine Paradigms).
Depuis 2023, Zhuge Mingchen explore systématiquement la direction de l'Amélioration de Soi Récursive (RSI).
Lors de la période MetaGPT, il a déjà proposé que les agents devraient posséder des mécanismes d'optimisation continue et d'évolution des capacités, et a poursuivi cette ligne de recherche dans ses travaux ultérieurs. Parmi ceux-ci, GPTSwarm est considéré comme l'un des premiers paradigmes de système RSI de l'ère des LLM. Il a pour la première fois proposé et validé de manière systématique un cadre de collaboration auto-organisé basé sur des agents graphiques (Graph-based Agents), réalisant la coordination, les retours et l'évolution des capacités entre agents via une structure de graphe dynamique. Son idée centrale a ensuite été largement adoptée par de nombreux travaux ultérieurs sur les systèmes multi-agents et l'IA agentique. Agent-as-a-Judge a quant à lui exploré davantage les mécanismes de retour d'information continu et d'auto-évaluation dans des tâches de longue durée, tentant de résoudre les problèmes de continuité et d'optimisation stable des agents dans des tâches complexes. La recherche sur NeuralComputer s'est orientée encore plus loin vers l'architecture des systèmes d'IA de nouvelle génération, explorant de nouveaux paradigmes de machines fusionnant mémoire, raisonnement et capacités d'évolution autonome.
On peut voir que l'équipe de recherche rejoignant Recursive possède une profonde expérience académique dans le domaine de l'amélioration de soi récursive.
Tian Yuandong et plusieurs autres fondateurs ont fait la promotion sur X : « Nous construisons une intelligence artificielle capable de découvrir des connaissances de manière automatisée et de s'améliorer récursivement elle-même — ce processus ouvert changera fondamentalement la façon dont la science et la technologie progressent. »
Dans plusieurs domaines clés de l'intelligence artificielle à amélioration de soi récursive, l'équipe se trouve à l'avant-garde de l'industrie.
Ses membres ont déjà réalisé des percées majeures dans des domaines tels que les algorithmes ouverts (open-ended algorithms), les algorithmes de qualité-diversité (quality-diversity algorithms), les algorithmes générés par l'IA (AI-generated algorithms), les agents de programmation auto-améliorants (self-improving programming agents), les tests adversariaux automatisés et la découverte de capacités (automated red-teaming and capability discovery), l'ingénierie des prompts et son automatisation (prompt engineering and its automation), la génération d'environnements et de défis d'apprentissage (learning challenge and environment generation), les modèles mondiaux fondamentaux (foundational world models), l'apprentissage profond en traitement du langage naturel (NLP deep learning), les vision transformers, la génération augmentée par récupération (retrieval-augmented generation), et les scientifiques IA (AI scientists).
Ainsi, nous attendons avec impatience les prochaines recherches de Recursive_SI.
Cet article provient du compte officiel WeChat « Machine Heart », auteur : Machine Heart, éditeur : la rédaction de Machine Heart.
