Le pari à 5 milliards de dollars de Recursive sur la recherche en IA : analyse

La démonstration de produit IA la plus intéressante en ce moment n’est peut-être pas une autre fenêtre de chat qui rédige des e-mails avec la palette émotionnelle d’un reçu d’hôtel. C’est peut-être un système d’IA qui améliore les systèmes d’IA, ce qui relève soit d’une récursion élégante, soit du moment où le secteur admet enfin que son vrai client, c’est lui-même. La nouvelle interview de Richard Socher par Latent Space met ce pari sous les projecteurs, en présentant Recursive comme une entreprise centrée sur l’auto-amélioration récursive et déjà valorisée à 5 milliards de dollars, selon Latent Space. Le discours de Socher n’est pas que l’IA a besoin d’un personnage d’assistant plus brillant, avec un arrière-plan en dégradé plus sympathique. Il affirme plutôt que la prochaine couche d’outillage sérieuse automatisera la recherche en IA elle-même : conception d’expériences, benchmarks, modifications de code, optimisation et, à terme, découverte scientifique. C’est une affirmation plus lourde que ce que la plupart des présentations de lancement peuvent porter sans ceinture lombaire ; la question intéressante n’est donc pas de savoir si cela paraît ambitieux. C’est de savoir si la forme initiale du flux de travail est suffisamment réelle pour que les bâtisseurs s’en soucient.

Latent Space place l’IA pour la recherche en IA au premier plan

Latent Space décrit Socher comme un vétéran du NLP, CEO de You.com, fondateur d’AIX Ventures, et désormais fondateur de Recursive, une startup axée sur l’auto-amélioration récursive. La page de l’épisode indique que Recursive a réuni des chercheurs travaillant sur l’ouverture des possibilités et les agents auto-améliorants, et affirme que l’entreprise a levé un tour d’amorçage de 4,65 milliards de dollars tout en valant déjà 5 milliards. Ce chiffre fait des pompes dans un coin, mais l’histoire la plus durable est celle de la catégorie : la recherche en IA automatisée comme infrastructure, et non comme décoration d’application.

L’article de GV sur Recursive donne la version la plus claire du mécanisme : l’entreprise construit une architecture ouverte qui apprend à l’IA à améliorer sa propre base de code. GV indique avoir codirigé un financement initial de 650 millions de dollars à une valorisation de 4,65 milliards, et présente la logique centrale comme simple : « L’IA, c’est du code, et maintenant l’IA peut coder. » Autrement dit, la paillasse de laboratoire devient du logiciel, le chercheur devient une boucle, et le carnet de laboratoire commence à committer sur GitHub (s’il vous plaît, ne lui donnez pas les droits de merge après minuit).

Les preuves sont petites, et c’est pour cela qu’elles comptent

La fiche YouTube de Latent Space indique que Socher a discuté de premiers résultats de Recursive, notamment un système de recherche en IA qui, selon lui, a surpassé des humains et leurs agents sur des tâches d’optimisation en moins de deux jours. La même description mentionne des travaux sur les kernels GPU NVIDIA, où le système a trouvé des améliorations sans s’appuyer sur une équipe d’experts CUDA. Je vais prudemment laisser les implications matérielles à Theo avant de décrire accidentellement un ordonnanceur de warp comme une feuille de calcul hantée.

Le résumé de BigGo de l’épisode de Latent Space ajoute que Socher a cité de premiers résultats battant des benchmarks humains sur nanochat, NanoGPT et des kernels CUDA en quelques jours. Il ne s’agit pas d’affirmations selon lesquelles un scientifique IA pleinement général entrerait dans la biologie, guérirait des maladies, puis demanderait où se trouve la machine à espresso. Ce sont des signaux plus étroits indiquant que certaines parties du flux de travail de recherche en IA pourraient être des problèmes de recherche machine suffisamment structurés pour être automatisés : lancer des expériences, mesurer les résultats, réviser le système, répéter jusqu’à ce que le benchmark cesse de se moquer.

AI Engineer ajoute la mise en garde importante : ce n’est pas terminé

La description de la conférence AI Engineer indique que Socher a présenté la recherche automatisée à travers l’évolution ouverte et le modèle de la science de Karl Popper : essayer des choses, trouver leurs limites, puis les corriger. Elle précise aussi qu’il a montré de premiers exemples autour de l’auto-amélioration récursive, notamment des systèmes améliorant leur propre code, leur harnais de test et leurs résultats, puis répétant ce processus sur des horizons plus longs. Cela ressemble étrangement à toute équipe d’ingénierie correcte, sauf que la réunion quotidienne est désormais fréquentée par des agents qui ne prétendent jamais que Jira est intuitif.

Point crucial, la même description d’AI Engineer indique que Socher a pris soin de préciser qu’il s’agit de premiers échantillons, et non d’une machine achevée, et que le domaine est loin d’être général à l’échelle de toute la science. Cette mise en garde est la poutre porteuse. Sans elle, la thèse devient du vaporware en blouse de laboratoire. Avec elle, Recursive devient un signal utile pour les bâtisseurs : surveillez l’outillage autour des boucles de recherche, des vérificateurs, de la génération de benchmarks, de la recherche d’architectures et de l’expérimentation autonome.

Le signal de carrière se cache dans la couche d’outillage

La description du MAD Podcast indique que Socher a discuté de simulations, de vérificateurs, d’expériences autonomes, de laboratoires autonomes, d’essaims d’agents, de cellules virtuelles, de découverte de médicaments par IA, de recherche sur le cancer, ainsi que de la puissance de calcul et des données nécessaires pour construire un scientifique IA qui n’arrête jamais d’apprendre. Cette liste n’est pas, d’après les preuves, une feuille de route produit, mais c’est une carte des endroits où la pression sur l’outillage augmente. Les mots ennuyeux sont les plus importants : vérificateur, simulation, benchmark, harnais d’expérimentation.

Pour les ingénieurs, la leçon à court terme est pratique. Si vous construisez avec l’IA, n’étudiez pas seulement les assistants destinés aux utilisateurs finaux et les emballages de prompts. Étudiez la machinerie qui transforme des hypothèses en progrès mesurés : évaluations, tâches synthétiques, recherche parmi les implémentations, journaux d’expériences reproductibles, orchestration d’agents et garde-fous contre le détournement de récompense. La prochaine vague d’outillage IA utile ressemblera peut-être moins à un chatbot en blazer qu’à un stagiaire de recherche infatigable avec un profiler, une suite de benchmarks et une inquiétante immunité à la caféine.

Le geste à faire pour le lecteur est simple : gardez un œil sur les sorties de modèles, mais posez l’autre sur les systèmes qui améliorent la façon dont les modèles sont construits. Recursive deviendra peut-être ou non l’entreprise de référence dans cette catégorie, mais la catégorie elle-même devient plus difficile à ignorer. Quand l’IA commence à automatiser la recherche en IA, le produit n’est pas seulement l’intelligence. C’est l’usine à pelles qui apprend à concevoir de meilleures pelles.