Setelah Keluar dari Meta, Tian Yuandong Baru Saja Umumkan Akan Memulai Startup

marsbitDipublikasikan tanggal 2026-05-14Terakhir diperbarui pada 2026-05-14

Abstrak

Setelah meninggalkan Meta, Tian Yuandong secara resmi mengumumkan pembentukan perusahaan startup bernama Recursive_SI. Perusahaan ini didirikan oleh sejumlah ahli AI terkemuka, termasuk Tian Yuandong, Richard Socher (CEO), Tim Rocktäschel, Jeff Clune, Tim Shi, Caiming Xiong, dan Alexey Dosovitskiy. Mereka memiliki pengalaman luas di laboratorium penelitian AI perusahaan seperti Salesforce, Uber, OpenAI, DeepMind, Google Brain, dan Meta. Recursive_SI berfokus pada pengembangan kecerdasan buatan yang mampu melakukan eksperimen secara mandiri dan meningkatkan diri dengan aman melalui proses penemuan ilmiah otomatis yang terbuka. Pendekatan ini dianggap sebagai jalur yang paling memungkinkan menuju superintelijen. Saat ini, perusahaan telah mengumpulkan pendanaan sebesar $6,5 miliar dengan valuasi $46,5 miliar, dipimpin oleh GV (Google Ventures) dan Greycroft, dengan partisipasi penting dari AMD Ventures dan NVIDIA. Tim yang terdiri dari lebih dari 25 orang terus berkembang, menarik bakat-bakat seperti Zhuge Mingchen, seorang Founding Member yang lulusan doktoral KAUST di bawah bimbingan Prof. Jürgen Schmidhuber. Penelitiannya berfokus pada Agen Pemrograman, Perbaikan Diri Rekursif (RSI), dan Paradigma Mesin Generasi Berikutnya. Karya sebelumnya tim ini mencakup sistem awal RSI seperti GPTSwarm dan penelitian tentang arsitektur AI baru seperti NeuralComputer. Para pendiri menyatakan bahwa mereka sedang membangun AI yang dapat menemukan pengetahuan secara otomatis dan meningkat...

Setelah meninggalkan Meta, Tian Yuandong juga memulai startup.

Baru saja, perusahaan startup Recursive_SI secara resmi diperkenalkan, dan mengumumkan daftar pendirinya, termasuk Tian Yuandong.

Selain Tian Yuandong, tim pendiri juga termasuk Richard Socher (CEO), Tim Rocktäschel, Jeff Clune, Tim Shi, Caiming Xiong, Alexey Dosovitskiy, dan lainnya.

Anggota pendiri ini pernah terlibat dalam pembangunan laboratorium penelitian AI di Salesforce dan Uber, dan memegang posisi kepemimpinan di tim seperti OpenAI, DeepMind, Google Brain, serta Meta, memiliki pengalaman penelitian dan kewirausahaan yang kaya.

Recursive_SI berkomitmen untuk menciptakan kecerdasan buatan yang mampu melakukan eksperimen secara mandiri dan meningkatkan diri dengan cara yang aman — terus berkembang dalam proses penemuan sains otomatis terbuka, yang dianggap sebagai jalur paling mungkin menuju superintelligence.

Saat ini, Recursive telah mengumpulkan dana sebesar $6,5 miliar, dengan valuasi $46,5 miliar, dipimpin oleh GV (Google Ventures) dan Greycroft, dengan partisipasi investasi penting dari AMD Ventures dan NVIDIA.

Anggota tim telah melebihi 25 orang dan terus berkembang. Tim telah menarik banyak talenta hebat, termasuk Zhuge Mingchen yang akan segera bergabung.

Zhuge Mingchen saat ini adalah Anggota Pendiri (Founding Member) Recursive, lulusan doktoral dari King Abdullah University of Science and Technology (KAUST) jurusan Ilmu Komputer, dibimbing oleh Prof. Jürgen Schmidhuber yang dikenal sebagai "Bapak LSTM". Fokus penelitiannya terutama pada Agen Kode (Coding Agents), Peningkatan Diri Rekursif (Recursive Self-Improvement, RSI), dan Paradigma Mesin Generasi Berikutnya (Next-generation Machine Paradigms).

Sejak 2023, Zhuge Mingchen mulai secara sistematis mengeksplorasi arah Peningkatan Diri Rekursif (RSI).

Pada masa MetaGPT, dia telah mengusulkan bahwa agen harus memiliki mekanisme untuk terus mengoptimalkan diri dan evolusi kemampuan, dan melanjutkan jalur penelitian ini dalam pekerjaan selanjutnya. Di antaranya, GPTSwarm dianggap sebagai salah satu paradigma sistem RSI paling awal di era LLM, pertama kali secara sistematis mengusulkan dan memvalidasi kerangka kerja kolaborasi pengorganisasian mandiri berbasis Agen Berbasis Grafik (Graph-based Agents), mencapai kolaborasi, umpan balik, dan evolusi kemampuan antar agen melalui struktur grafik dinamis, inti pemikirannya kemudian diadopsi secara luas oleh banyak pekerjaan multi-agen dan AI Agen berikutnya; Agent-as-a-Judge lebih lanjut mengeksplorasi mekanisme umpan balik dan penilaian diri berkelanjutan dalam tugas jangka panjang, mencoba menyelesaikan masalah keberlanjutan dan optimasi stabil agen dalam tugas kompleks; sedangkan penelitian NeuralComputer lebih lanjut mengarah pada arsitektur sistem AI generasi berikutnya, mengeksplorasi paradigma mesin baru yang menggabungkan memori, penalaran, dan kemampuan evolusi mandiri.

Dapat dilihat, tim penelitian yang bergabung dengan Recursive memiliki pengalaman akademis yang mendalam dalam arah peningkatan diri rekursif.

Tian Yuandong dan beberapa pendiri lainnya telah melakukan promosi di X: Kami sedang membangun kecerdasan buatan yang dapat secara otomatis menemukan pengetahuan dan meningkatkan diri secara rekursif — proses terbuka ini akan mengubah secara fundamental cara kemajuan sains dan teknologi.

Dalam beberapa bidang inti kecerdasan buatan peningkatan diri rekursif, tim berada di garis depan industri.

Anggota tim pernah membuat terobosan besar dalam algoritma terbuka, algoritma keragaman kualitas, algoritma yang dihasilkan AI, agen pemrograman peningkatan diri, pengujian tim merah otomatis dan penemuan kemampuan, rekayasa prompt dan otomatisasinya, generasi tantangan pembelajaran dan lingkungan, model dunia dasar, pembelajaran mendalam pemrosesan bahasa alami, Transformer visual, generasi augmented retrieval, serta ilmuwan AI.

Jadi, kami sangat menantikan penelitian Recursive_SI selanjutnya.

Artikel ini berasal dari akun WeChat "机器之心", penulis: 机器之心, editor: Redaksi 机器之心

Pertanyaan Terkait

QSiapa pendiri perusahaan startup Recursive_SI?

ATim pendiri termasuk Tian Yuandong (sebelumnya di Meta), Richard Socher (CEO), Tim Rocktäschel, Jeff Clune, Tim Shi, Caiming Xiong, dan Alexey Dosovitskiy.

QApa misi utama Recursive_SI?

ARecursive_SI bertujuan menciptakan AI yang dapat melakukan eksperimen secara mandiri dan meningkatkan dirinya sendiri dengan aman melalui proses penemuan ilmiah otomatis yang terbuka, yang diyakini sebagai jalur paling mungkin menuju kecerdasan super.

QBerapa jumlah pendanaan dan valuasi Recursive_SI saat ini?

ARecursive_SI telah mengumpulkan pendanaan sebesar $6,5 miliar dengan valuasi $46,5 miliar, dipimpin oleh GV (Google Ventures) dan Greycroft, dengan partisipasi dari AMD Ventures dan NVIDIA.

QSiapa Zhuge Mingchen dan kontribusinya pada penelitian AI?

AZhuge Mingchen adalah Anggota Pendiri Recursive, lulusan doktoral KAUST di bawah bimbingan Prof. Jürgen Schmidhuber. Fokus penelitiannya meliputi Agen Coding, Recursive Self-Improvement (RSI), dan paradigma mesin generasi berikutnya. Karyanya seperti GPTSwarm dan Agent-as-a-Judge berkontribusi pada pengembangan sistem AI yang dapat berevolusi secara mandiri.

QApa saja pencapaian kunci tim Recursive_SI dalam bidang AI?

ATim telah mencapai terobosan signifikan dalam berbagai bidang inti AI, termasuk algoritma open-ended, algoritma Quality Diversity, agen pemrograman yang dapat meningkatkan diri, pengujian red-teaming otomatis, teknik prompt engineering otomatis, model dunia dasar, Vision Transformer, Retrieval-Augmented Generation (RAG), dan AI sebagai ilmuwan.

Bacaan Terkait

Perdebatan Kalshi-CFTC di New Mexico Bisa Membentuk Aturan Pasar Prediksi

Pertarungan antara regulator komoditas AS (CFTC) dan negara bagian New Mexico mengenai siapa yang berwenang mengawasi pasar prediksi (prediction markets) bisa membentuk aturan masa depan untuk sektor ini. Inti sengketa adalah platform Kalshi, di mana New Mexico mengkhawatirkan kontrak acara tertentu melanggar hukum perjudian dan perlindungan konsumen lokal, sementara CFTC bersikukuh pada pengawasan federal. Hasil kasus ini penting karena akan menentukan apakah pasar prediksi dapat beroperasi secara nasional dengan aturan federal yang jelas, atau justru harus menghadapi tantangan dari masing-masing negara bagian. Pasar prediksi berada di area abu-abu regulasi, mirip produk perdagangan tetapi juga bisa terlihat seperti taruhan, terutama jika terkait acara olahraga, pemilu, atau politik. Bagi trader kripto, hasilnya sangat relevan karena pasar prediksi telah menjadi bagian dari ekosistem spekulatif serupa. Aturan yang lebih jelas dapat membuka jalan bagi likuiditas yang lebih dalam dan integrasi dengan infrastruktur kripto. Sebaliknya, jika negara bagian banyak yang menentang, skala industri ini akan sulit berkembang. Area paling sensitif adalah kontrak terkait olahraga, yang telah diatur ketat oleh negara bagian. Kemenangan New Mexico dapat memicu negara bagian lain untuk menantang kerangka federal, menciptakan pasar yang terfragmentasi. Pada akhirnya, kasus ini adalah ujian bagi masa depan pasar prediksi: menjadi produk keuangan berskala nasional atau tetap terjebak dalam konflik yurisdiksi.

bitcoinist1j yang lalu

Perdebatan Kalshi-CFTC di New Mexico Bisa Membentuk Aturan Pasar Prediksi

bitcoinist1j yang lalu

Alokasi Nilai Stablecoin

Stabilcoin berevolusi dari sekadar alat perdagangan menjadi saluran dolar yang luas. Artikel ini menganalisis pembagian nilai dalam ekosistem stabilcoin menjadi empat lapisan: 1. **Lapisan Penerbit** (Tether, Circle): Mencetak stabilcoin, memegang aset cadangan, dan mengambil spread bunga (marjin terbesar). 2. **Lapisan Infrastruktur** (Bridge/BVNK/Bitso): Menghubungkan stabilcoin ke sistem keuangan nyata—penyetoran/penarikan fiat, integrasi bank, kepatuhan, manajemen aset. Ini adalah pekerjaan yang sulit tetapi membangun pertahanan kompetitif. 3. **Lapisan Penerimaan/Distribusi** (Stripe, Infini, Coinbase): Menanamkan stabilcoin ke sistem pedagang, mengelola aliran pembayaran, perangkat lunak keuangan perusahaan. 4. **Lapisan Aplikasi**: Pengguna dan bisnis akhir yang menggunakan stabilcoin untuk pembayaran, penyelesaian, dan penyimpanan nilai. Saat ini, penerbit mengambil keuntungan terbanyak. Namun, kunci penskalaan pembayaran stabilcoin terletak pada lapisan infrastruktur yang menjembatani dunia *on-chain* dan sistem keuangan tradisional. Lapisan ini menangani tugas-tugas kompleks seperti integrasi perbankan, KYC/AML, likuiditas lokal, dan koneksi jaringan pembayaran. Meskipun membutuhkan investasi besar dan berada di posisi yang terjepit, perusahaan infrastruktur yang berhasil menghubungkan stabilcoin ke bisnis dunia nyata kemungkinan akan mendapatkan kekuatan tawar dan keuntungan signifikan di masa depan ketika stabilcoin menjadi jalur pendanaan default bagi perusahaan.

marsbit7j yang lalu

Alokasi Nilai Stablecoin

marsbit7j yang lalu

Distribusi Nilai Stablecoin

**Distribusi Nilai Stablecoin** Stablecoin berkembang dari sekadar alat perdagangan menjadi jalur umum dolar. Dalam analisis ini, ekosistem stablecoin dibagi menjadi empat lapisan: 1. **Lapisan Penerbitan:** Mencetak stablecoin, memegang aset cadangan, dan mengambil keuntungan dari spread suku bunga. Contoh: Tether dan Circle. 2. **Lapisan Infrastruktur:** Menghubungkan stablecoin ke sistem keuangan dunia nyata. Menangani tugas-tugas seperti on/off-ramp mata uang fiat, integrasi perbankan, kepatuhan, dan penyediaan API. Contoh: Bridge (diakuisisi Stripe), BVNK (diakuisisi Mastercard), Bitso. 3. **Lapisan Penerimaan/Distribusi:** Mengintegrasikan stablecoin ke sistem pedagang, mengelola aliran pembayaran, perangkat lunak keuangan perusahaan. Contoh: Stripe, Infini, Coinbase. 4. **Lapisan Aplikasi:** Pengguna akhir dan bisnis yang menggunakan stablecoin untuk pembayaran, penyelesaian, dan penyimpanan nilai. Lapisan Penerbitan saat ini mengambil keuntungan terbesar. Lapisan tengah (infrastruktur dan distribusi) bergantung pada volume dan komisi. Tantangan sebenarnya terletak di **Lapisan Infrastruktur**. Meskipun sering diabaikan dan penuh pekerjaan "kotor"—seperti mengintegrasikan bank, KYC/AML, menyelesaikan masalah peraturan lintas negara—disinilah letak pertahanan bisnis. Kesulitan utama bukan pada transfer on-chain, tetapi dalam menghubungkan blockchain dengan sistem keuangan tradisional dan mengadopsinya ke dalam aliran kerja bisnis sehari-hari. Infrastruktur berperan sebagai **"penghubung"** yang menghubungkan rantai ke bank, jaringan pembayaran lokal, dan sistem perusahaan. Akuisisi oleh Stripe dan Mastercard menunjukkan perebutan untuk menjadi pintu gerbang default ini. Fitur utamanya termasuk on/off-ramp mata uang fiat, lapisan akun & API, koneksi jaringan pembayaran, dan peningkatan efisiensi modal. Karakteristik lapisan infrastruktur saat ini: pekerjaan operasional yang berat, memerlukan investasi awal untuk memperebutkan pintu masuk, dan posisi yang terjepit antara penerbit dan platform aplikasi. Namun, berada pada tahap awal menuju pembentukan daya tawar. Ketika stablecoin menjadi jalur modal default untuk bisnis, perusahaan yang telah membangun infrastruktur penghubung yang kuat ke dalam sistem komersial dunia nyata akan memperoleh posisi yang kokoh. Meskipun lapisan penerbitan saat ini paling menguntungkan, peluang jangka panjang mungkin terletak pada lapisan infrastruktur yang sedang berkembang.

链捕手7j yang lalu

Distribusi Nilai Stablecoin

链捕手7j yang lalu

NVIDIA Tidak Kekurangan Uang, Kenapa Masih Mau Pinjam 200 Miliar Dolar?

Inti artikel: Mengapa Nvidia, yang memiliki arus kas bebas sangat kuat (sekitar USD 48,6 miliar per kuartal), berencana menerbitkan obligasi senilai minimal USD 20 miliar? Alasan utamanya bukan karena kekurangan dana, melainkan strategi manajemen modal yang canggih. Poin-poin kunci: 1. **Mengoptimalkan struktur modal:** Nvidia memanfaatkan peringkat kredit tinggi (AA dari S&P) untuk meminjam dana jangka panjang dengan biaya rendah. Dana ini akan digunakan untuk investasi infrastruktur AI, R&D, dan ekspansi ekosistem yang berjangka panjang. 2. **Melindungi kepentingan pemegang saham:** Dibandingkan menerbitkan saham baru yang akan mengencerkan kepemilikan, pembiayaan utang memungkinkan Nvidia mendanai pertumbuhan sambil terus melakukan buyback saham (USD 80 miliar) dan meningkatkan dividen. 3. **Mencocokkan aset dan kewajiban:** Menggunakan utang jangka panjang (hingga 30 tahun) lebih sesuai untuk membiayai proyek infrastruktur AI yang juga berjangka panjang, dibandingkan hanya mengandalkan arus kas operasional. 4. **Indikasi fase baru dalam narasi pengeluaran modal AI:** Langkah ini menandakan peralihan AI menuju siklus aset berat (data center, listrik, rantai pasok), di mana perusahaan besar menggunakan kemampuan kredit mereka untuk mengamankan dana murah guna mendukung ekspansi jangka panjang. 5. **Tantangan ke depan:** Keberhasilan strategi ini bergantung pada kemampuan Nvidia mempertahankan arus kas kuat dan memastikan investasi AI-nya menghasilkan pengembalian yang melebihi biaya utang. Jika siklus pengembalian investasi AI melambat, ketergantungan pada pendanaan eksternal dapat menjadi tekanan.

marsbit7j yang lalu

NVIDIA Tidak Kekurangan Uang, Kenapa Masih Mau Pinjam 200 Miliar Dolar?

marsbit7j yang lalu

Trading

Spot
Futures
活动图片