Recursive Superintelligence startet mit 650 Millionen Dollar für sich selbst verbessernde KI

Worum es geht

Am 13. Mai 2026 hat das von Richard Socher und Tim Rocktäschel mitgegründete Startup Recursive Superintelligence den Stealth-Modus verlassen. Die Erstfinanzierung umfasst 650 Millionen Dollar bei einer Post-Money-Bewertung von 4,65 Milliarden Dollar. Lead-Investoren sind laut Tech.eu und SiliconAngle GV (ehemals Google Ventures) und Greycroft, mit Beteiligung von AMD Ventures und NVIDIA. Das Unternehmen hat Büros in San Francisco und London und beschäftigt mehr als 25 Forscher und Ingenieure. Ein öffentlicher Produkt-Launch ist für Mitte 2026 geplant.

Was Recursive Superintelligence tatsächlich vorhat

Das Unternehmen verfolgt einen klaren, aber kontroversen Ansatz: rekursive Selbstverbesserung. Statt jeweils ein neues Modell von Hand zu trainieren, sollen KI-Systeme die eigenen Trainingsalgorithmen, Architekturen und Datenpipelines optimieren. Unite.AI zitiert die Gründer mit dem Ziel, "Open-Ended-Algorithmen" zu bauen, die endlose Innovation antreiben. Konkret heißt das, dass das System Hypothesen über bessere Modelle aufstellt, Experimente plant, Trainingsläufe startet und Ergebnisse zurück in den nächsten Verbesserungszyklus speist.

Wer steht dahinter

Richard Socher war zuvor Chief Scientist bei Salesforce und CEO von You.com. Tim Rocktäschel ist Professor für KI am University College London und kommt von Google DeepMind. Beide haben Forschungsschwerpunkte in Reinforcement Learning, Sprachmodellen und automatisierter Modellsuche.

Wofür 650 Millionen reichen sollen

the-decoder berichtet, dass die Mittel hauptsächlich in Rechenkapazität, Forschungspersonal und ein erstes geschlossenes Beta-Programm fließen. Mit AMD und NVIDIA als Mit-Investoren ist Recursive in einer ungewöhnlichen Position: beide Chip-Lieferanten am Tisch, was Verhandlungsmacht bei der Beschaffung von GPUs und Accelerators verspricht.

Warum das wichtig ist

Selbstverbessernde KI ist seit den 1960er-Jahren ein Forschungsthema und gilt vielen Sicherheitsforschern als zentrale Frage in der Debatte um fortgeschrittene KI. Wenn ein Modell seinen Nachfolger entwerfen kann, beschleunigt sich die Entwicklung potenziell stark. Gleichzeitig steigt das Risiko, dass das Modell Ziele optimiert, die nicht im Sinne des Betreibers sind. Recursive Superintelligence öffnet damit ein Forschungsfeld, das bisher hauptsächlich in den Sicherheitsteams von OpenAI, Anthropic und Google DeepMind stattfand, für ein eigenständiges Unternehmen mit dezidiertem Auftrag.

Einfach erklärt

Stell dir einen Klavierschüler vor, der nach einer Übungsstunde die eigenen Übungspläne überarbeitet. Beim nächsten Üben lernt er schneller. Beim übernächsten Mal überarbeitet er die Methode, mit der er Übungspläne überarbeitet. Mit jeder Runde wird er ein bisschen besser darin, besser zu werden. Recursive Superintelligence will diesen Trick auf KI-Modelle übertragen.

Praktisches Beispiel

Ein deutsches Pharma-Unternehmen testet im Labor neue Wirkstoff-Kandidaten. Heute braucht ein KI-Modell, das vielversprechende Moleküle vorhersagt, mehrere Monate Anpassung durch ein Forschungsteam, bevor es für eine neue Substanzklasse zuverlässig wird. Ein selbstverbesserndes System könnte stattdessen eigene Trainingspläne entwerfen, sie nachts ausführen und morgens ein angepasstes Modell präsentieren. Wenn das funktioniert, fällt der Engpass beim Modell, nicht mehr beim Forschungsteam. Wenn es nicht funktioniert, hat das Unternehmen viel Rechenzeit für wenig Fortschritt verbrannt. Ob Recursive den Schritt aus der Theorie wirklich schafft, wird sich erst nach dem öffentlichen Launch im Mittel- bis Spätsommer 2026 zeigen.

Einordnung und Grenzen

• Sehr früher Zeitpunkt. Außer Pressemitteilungen, einem Whitepaper und Personalien gibt es noch keine validierten Ergebnisse. Bewertungen in dieser Größenordnung beruhen weitgehend auf Vertrauen in Team und Investoren.
• Sicherheitsfragen werden zentral. Selbstverbesserung ist genau das Szenario, vor dem Sicherheitsforscher seit Jahren warnen. Recursive muss zeigen, wie es Alignment und Kontrollen umsetzt, bevor das Modell Sprünge macht.
• Wettbewerb mit großen Laboren. OpenAI, Anthropic und DeepMind arbeiten ebenfalls an automatisierter Modellentwicklung. Recursive muss zeigen, warum 25 Forscher in zwei Büros gegen tausend in San Francisco bestehen können.

SEO- und GEO-Schlüsselbegriffe

Recursive Superintelligence, Richard Socher, Tim Rocktäschel, Self-Improving AI, AGI, GV, Greycroft, NVIDIA, AMD, Stealth Exit, AI Safety, Open-Ended Algorithms, Mai 2026, Frontier AI