Recursive di richard socher: la startup ai da 4 miliardi scommette sull’auto-miglioramento

Startup Recursive punta all’intelligenza artificiale auto-migliorante con una valutazione di 4 miliardi di dollari, promettendo di rivoluzionare il settore e sollevando interrogativi etici sulla trasparenza e il controllo del codice.

C’è una certa eleganza ricorsiva, quasi matematica, in quello che sta accadendo nella Silicon Valley in questo inizio di 2026. Non mi riferisco solo all’architettura delle reti neurali, ma al modo in cui il capitale di rischio sta alimentando promesse che, a loro volta, promettono di generare altro capitale senza intervento umano.

La notizia che scuote i feed tecnici in queste ore riguarda Richard Socher e la sua nuova creatura, Recursive.

Secondo indiscrezioni ormai confermate da più parti, la startup ha avviato trattative per raccogliere centinaia di milioni di dollari a una valutazione di 4 miliardi. Una cifra che fino a due anni fa avrebbe fatto gridare alla bolla speculativa per un’azienda in fase così precoce, ma che oggi, nel post-GPT-5, appare quasi conservativa.

Socher non è un nome nuovo per chi mastica codice e NLP (Natural Language Processing): dopo aver venduto MetaMind a Salesforce e averne guidato la ricerca scientifica per anni, torna sul mercato non con un “prodotto”, ma con un paradigma.

L’obiettivo dichiarato non è costruire un altro chatbot o un wrapper sopra le API di qualcun altro. La missione è l’intelligenza artificiale che si auto-migliora.

E qui, per chi scrive codice, la faccenda si fa tremendamente interessante e, al contempo, preoccupante.

L’illusione del ciclo infinito

Dal punto di vista ingegneristico, il concetto di “self-improving AI” è il Santo Graal informatico, paragonabile al momento in cui un compilatore diventa abbastanza sofisticato da compilare il proprio codice sorgente.

Tuttavia, applicare questo concetto ai Large Language Models (LLM) è esponenzialmente più complesso. Non stiamo parlando del classico fine-tuning o del Reinforcement Learning from Human Feedback (RLHF), dove l’uomo è il collo di bottiglia che valuta l’output.

Recursive vuole automatizzare il valutatore stesso.

L’idea è creare sistemi che possano analizzare il proprio codice, la propria architettura o i propri dati di addestramento, e proporre modifiche che ne aumentino l’efficienza o le capacità. Immaginate un ciclo while(true) dove all’interno avviene non solo l’inferenza, ma l’ottimizzazione degli iperparametri e, potenzialmente, la riscrittura dei pesi della rete.

Se funziona, si ottiene un effetto “flywheel”: ogni iterazione rende il modello più intelligente, che a sua volta diventa più bravo a rendere se stesso ancora più intelligente.

Tecnicamente, questo si avvicina ai concetti di AutoML spinti all’estremo, ma con una capacità di astrazione che l’AutoML tradizionale non ha mai avuto. Il rischio, ben noto a chiunque abbia addestrato una rete generativa, è il collasso o la divergenza.

Senza una ground truth esterna (la realtà, o un validatore umano), un sistema che impara dai propri output tende a degradare, amplificando allucinazioni ed errori statistici. Socher sta scommettendo 4 miliardi sul fatto di aver trovato una funzione di perdita (loss function) capace di guidare questo processo senza supervisione umana costante.

Oltre il semplice AutoML

Questa mossa si inserisce in un contesto di mercato frenetico. Solo pochi giorni fa, un’altra startup, Humans&, ha raccolto quasi mezzo miliardo con una valutazione simile.

Siamo di fronte a una ridefinizione del “seed round”: non si finanziano più esperimenti da garage, ma laboratori di ricerca pesante che richiedono cluster di GPU grandi quanto stadi di calcio fin dal giorno zero.

La differenza sostanziale tra Recursive e i giganti come OpenAI o Anthropic potrebbe risiedere proprio nell’efficienza. Se i modelli attuali scalano aggiungendo “forza bruta” (più parametri, più dati, più watt), l’approccio ricorsivo punta all’eleganza algoritmica.

Se un’IA può ottimizzare la propria architettura, potrebbe teoricamente raggiungere livelli di superintelligenza con una frazione del compute necessario oggi.

È una scommessa sull’architettura, non sui dati.

Ed è qui che la visione tecnica di Socher pesa. Avere un background solido nella ricerca pura, piuttosto che nel semplice product management, suggerisce che sotto il cofano di Recursive non ci sia solo marketing, ma probabilmente una nuova classe di algoritmi di ottimizzazione che vanno oltre la discesa del gradiente stocastico standard.

La scommessa sulla singolarità ingegneristica

C’è però un aspetto critico che va sottolineato. La trasparenza.

In un settore che sta diventando sempre più closed source, con pesi dei modelli custoditi come segreti di stato, un sistema che si auto-modifica diventa una “black box” al quadrato. Se già oggi facciamo fatica a interpretare perché un LLM risponda in un certo modo, come faremo a debuggare un sistema che ha riscritto la propria logica interna durante la notte?

La valutazione di 4 miliardi è quindi un prezzo che il mercato paga non per il software attuale, ma per l’opzione sul futuro. Gli investitori stanno essenzialmente scommettendo che Recursive possa innescare una singolarità controllata all’interno dei propri server.

È un approccio affascinante per un developer: l’idea che il codice possa trascendere il suo creatore. Tuttavia, rimane il dubbio che stiamo finanziando la costruzione di una scatola nera di cui, forse, non avremo mai le chiavi.

Se la promessa di Socher è reale, potremmo essere vicini al limite fisico di quanto l’ingegneria umana possa spingersi prima di dover passare il testimone alle macchine stesse.

Se è solo hype, sarà il null pointer exception più costoso della storia.

Siamo pronti a fidarci di un codice che non siamo più in grado di leggere?