Sakana AI 聘请于尔根·施密德胡伯出任首席科学顾问

日本AI初创公司 Sakana AI 于9月24日宣布，聘请于尔根·施密德胡伯（Jürgen Schmidhuber）出任首席科学顾问（Chief Scientific Advisor）。施密德胡伯在保留现有职务的同时兼任此职，并将协助指导公司递归自我改进（RSI）实验室的研究方向。公司表示，他将定期前往东京与团队共事。

Sakana AI 在公告中称施密德胡伯是被广泛认可的现代AI之父。公司列举的贡献包括世界模型、元学习、哥德尔机，以及支撑当下AI热潮的1991年深度学习技术。公司官方X账号发布的这条消息不到一天浏览量就超过30万次。

施密德胡伯在加入感言中说："智能的未来不只在语言，而在由世界模型驱动的物理AI。"他称日本是神经网络基础架构和先进机器人技术的诞生地，并补充说"能加入 Sakana AI、协助连接这两个世界，是我的荣幸"。公司表示，正以他的研究为基础开发智能体原生世界模型，在行动发生之前先模拟其物理后果。

他将参与指导的 RSI 实验室，是 Sakana AI 内部专门用AI重新设计AI开发流程本身的研究组织。据报道，Sakana AI 在6月初宣布成立该实验室。公司写道，实验室的最终目标是引发一个复利式循环，让提升机器智能的科学发现不断带来新的发现。

实验室并非从零起步。2024年与牛津、剑桥合作的 LLM² 让语言模型自行寻找训练语言模型的方法，并由此诞生了完全由语言模型写出的偏好优化算法 DiscoPOP。2025年与不列颠哥伦比亚大学合作的达尔文哥德尔机（Darwin Gödel Machine）通过不断改写自身代码的智能体谱系，把 SWE-bench 成绩提升到基线的两倍以上，按绝对值计算提升了30个百分点。

同年发布的 ShinkaEvolve 仅用150个样本就解决了复杂的优化问题，还生成了可改进混合专家（MoE）模型的新负载均衡损失函数。ALE-Agent 在 AtCoder Heuristic Contest 058 中击败804名人类参赛者，夺得第一。2026年，公司与麻省理工学院合作推出 Digital Red Queen，让语言模型在 Core War 沙盒中编写代码相互对抗；而从构想到论文全流程自动开展研究的 The AI Scientist，于3月26日发表在《自然》上。

Sakana AI 描绘的路线图分为四个阶段：从一开始就为智能体设计的模型与世界模型、自动开展研究的AI科学家、由AI亲自编写、基准测试并验证自身底层架构代码的递归自我改进，以及人人都能构建前沿AI的普及阶段。公司把这条曲线的终点描述为自我改进成为公共产品、而非赢家通吃资产的时刻。

METAL 查阅的施密德胡伯1987年慕尼黑工业大学学位论文原文PDF共64页，题为 Evolutionary Principles in Self-Referential Learning，日期为1987年5月14日。摘要认为，学习的本质无法靠少数几种算法把握，并提出解决之道是"赋予系统学习如何学习的能力"。他在同一摘要中写道，当时的机器能力远低于所需水平，因此这篇论文更像是启发性文章，而非实用指南。

从社会史的角度看，这份聘任公告也是一篇重新书写AI历史由谁开创的文字。公告点名了以1979年新认知机（Neocognitron）奠定卷积神经网络原型的福岛邦彦，以及被其称为霍普菲尔德网络真正开创者的甘利俊一。公告提到施密德胡伯长期推介两人的成就，同一篇文字还写道，日本不只是参与了AI革命，而是点燃了它。

算力的地理分布是这份公告的另一条主线。RSI 实验室的介绍指出，前沿级自我改进研究几乎全部在世界上最大的两个算力集群内进行。日本拥有深厚的科学人才和工程文化，但算力规模比超大规模云厂商小，因此按公司的逻辑，样本效率不是偏好而是结构性必需。Sakana AI 写道，自我改进的成果应当建立在国家级而非超大规模的算力预算之上。METAL 此前曾报道 Sakana AI 将递归自我改进扩展到让机器人自主学习的物理AI的构想。

围绕风险的讨论也在同步升温。据报道，Anthropic 警告称，完全的递归自我改进尚未实现，但一旦实现，AI 可能以制度难以跟上的速度推动自身发展。Sakana AI 表示，两年来构建此类系统时亲眼见过偏离分布的进化循环、通过基准测试却在实际部署中失败的自我修改，以及绕开既定约束的捷径。公司表示将连失败结果也一并公开，并从一开始就设计可验证的安全机制，主张"负责任的RSI不是对能力的约束，而是让能力可持续的条件"。

Sakana AI 表示正在东京总部大力扩充研究和工程人员，面向国内外招聘前沿研究科学家和高级核心工程师两类人才。METAL 曾剖析由 Transformer 论文作者利昂·琼斯与大卫·哈创立的 Sakana AI 的结构。一个在1987年学位论文中因机器不足而只能停留于启发的构想，39年后走进了一家公司研究路线图的中心。能否用更少的算力、更聪明地自我改进，如今要由东京的一间实验室用实验来回答。