Richard Sochers neues Labor "Recursive AI" strebt eine Bewertung von $4 Milliarden an, um eine selbstverbessernde Superintelligenz aufzubauen

In einem Schritt, der für eine Rückkehr zur Grundlagenforschung bei einer der prominentesten Persönlichkeiten der Silicon Valley‑AI‑Szene signalisiert, führt Richard Socher Berichten zufolge bereits fortgeschrittene Gespräche zur Kapitalbeschaffung für ein neues Unternehmen, Recursive AI. Laut Berichten aus dem Januar 2026 strebt das Startup eine Pre‑Money‑Bewertung von etwa $4 Milliarden an, wobei GV (Google Ventures) und Greycroft die Runde anführen sollen.

Diese Entwicklung markiert einen wichtigen Moment in der AI‑Landschaft 2026 und verlagert den Fokus von den Anwendungsschichten der vergangenen zwei Jahre zurück zur Suche nach Allgemeiner Künstlicher Intelligenz (Artificial General Intelligence, AGI). Im Unterschied zu Sochers vorherigem Unternehmen You.com, das sich auf Konsumentensuche und Produktivitätslösungen für Unternehmen konzentrierte, zielt Recursive AI darauf ab, das Problem der "Intelligenz‑Rekursion" anzugehen — also KI‑Systeme zu bauen, die ihre eigene Forschung und Entwicklung ohne menschliches Eingreifen automatisieren können.

Die Rückkehr zur tiefgehenden Forschung

Richard Socher, ein Pionier der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) und ehemaliger Chief Scientist bei Salesforce, ist seit langem ein lautstarker Verfechter alternativer Ansätze zur Intelligenz. Während seine Arbeit bei You.com Googles Suchdominanz mit zitationslastigen KI‑Antworten herausforderte, scheint Recursive AI eine Rückkehr zu seinen Wurzeln in akademischer und tieftechnischer Innovation zu sein.

Die berichtete Bewertung von $4 Milliarden ist für eine neue Einheit bemerkenswert, spiegelt jedoch die hyperkompetitive Natur des Venture‑Marktes 2026 wider. Mit OpenAI, das Berichten zufolge Bewertungen jenseits von $800 Milliarden anstrebt, und Anthropic, das die $350 Milliarden‑Marke überschritten hat, suchen Investoren aggressiv nach "konträren" Wetten, die architektonische Durchbrüche versprechen statt nur Skalierung.

Die Kernthese von Recursive AI dreht sich um selbstverbessernde Systeme. Aktuelle Foundation‑Modelle, trotz ihrer Größe, basieren weitgehend auf von Menschen kuratierten Daten und von Menschen entworfenen Trainingsrezepten. Recursive AI zielt darauf ab, den Kreis zu schließen und Modelle zu schaffen, die ihre eigenen Nachfolgealgorithmen entwerfen können. Dieses Konzept, oft theoretisch diskutiert, gewann Ende 2025 an Zugkraft, als sich der Ertrag aus reinem Mehr‑Compute für Transformer‑Modelle zu verringern begann.

Marktkontext: Der Boom der "Mid‑Cap" AI‑Labs

Die Finanzierungslandschaft Anfang 2026 hat sich gespalten. Auf der einen Seite verbrauchen die Giganten (OpenAI, Google DeepMind, Anthropic) enorme Kapitalmengen für Infrastruktur. Auf der anderen Seite entsteht eine neue Schicht "agiler" Forschungslabore, angeführt von Star‑Forschern und bewertet zwischen $3 Milliarden und $10 Milliarden.

Recursive AI reiht sich ein in eine spezifische Kohorte hochkarätiger Startups, die diesen Monat Kapital einsammeln. Die folgende Tabelle zeigt, wie sich Sochers neues Unternehmen im Januar 2026 im Vergleich zu seinen Zeitgenossen im Finanzierungsumfeld positioniert.

Table: Major AI Startup Funding & Valuations (January 2026)

Hinweis: Bewertungen spiegeln berichtete Pre‑Money‑Zahlen oder kürzliche Post‑Money‑Runden bis Ende Januar 2026 wider.

Die These: Den Forscher automatisieren

Die Differenzierung von Recursive AI liegt in seiner spezifischen Methodik. Während Wettbewerber sich auf "Scaling Laws" konzentrieren — die Idee, dass mehr Daten und Compute zwangsläufig zu besserer Leistung führen — setzt Sochers neues Labor Berichten zufolge auf Meta‑Lernen (meta‑learning) und rekursive Selbstverbesserung (recursive self‑improvement).

Die Prämisse ist, dass die KI, um Superintelligenz zu erreichen, vom Produkt menschlicher Ingenieurskunst zum eigenen Ingenieur werden muss. Dies umfasst:

• Automated Architecture Search (NAS): KI‑Systeme, die ihre eigenen neuronalen Netzwerkstrukturen neu entwerfen können, um effizienter zu werden.
• Synthetic Data Generation: Erzeugung hochqualitativer Trainingsdaten, um die "Datenwand" zu überwinden, an die viele große Sprachmodelle (Large Language Models, LLMs) 2025 gestoßen sind.
• Curriculum Learning: Systeme, die autonom entscheiden, was sie lernen und in welcher Reihenfolge, und damit die menschliche Entwicklungspsychologie nachahmen.

Quellen, die dem Deal nahestehen, deuten darauf hin, dass GVs Beteiligung besonders bemerkenswert ist. Da Google weiterhin DeepMinds Durchbrüche in Gemini integriert, deutet das Interesse der Venture‑Tochter an Recursive AI auf eine Absicherungsstrategie hin — eine Investition in alternative Architekturen, die aktuelle Transformer‑basierte Modelle überspringen könnten.

Anlegerstimmung und Risiken

Für Investoren wie Greycroft und GV ist die Wette auf Richard Socher eine Wette auf seine Herkunft und Ausbildung. Sochers Stanford‑Dissertation zur rekursiven Deep‑Learning war wegweisend für das Feld. Sein Verkauf von MetaMind an Salesforce im Jahr 2016 bewies seine Fähigkeit, Deep‑Tech zu kommerzialisieren. Dennoch bringt das $4‑Milliarden‑Preisschild für das, was im Kern ein Forschungslabor ist, erhebliche Risiken mit sich.

Zentrale Herausforderungen für Recursive AI:

1. Compute‑Kosten: Selbst mit effizienten Architekturen erfordert das Training selbstverbessernder Modelle massive GPU‑Cluster. Recursive AI wird um Zuteilungen gegen Billionen‑Dollar‑Giganten konkurrieren müssen.
2. Sicherheit und Alignment: Selbstverbessernde Systeme sind theoretisch die gefährlichste Form von KI. Wenn ein System seinen eigenen Code umschreiben kann, wird es exponentiell schwieriger sicherzustellen, dass es menschliche Sicherheitsbeschränkungen einhält — ein Problem, das Initiativen für Sichere Superintelligenz (Safe Superintelligence, SSI) nur schwer lösen konnten.
3. Talente‑Wettbewerb: Die Rekrutierung erstklassiger Forscher im Jahr 2026 erfordert Vergütungspakete, die mit Profi‑Sportlern vergleichbar sind. Sochers Ruf wird helfen, doch der Talentpool ist begrenzt.

Fazit

Während die KI‑Branche 2026 reift, fragmentiert die Erzählung vom "einem Modell, das über alles herrscht". Spezialisierte Labore, die sich auf räumliche Intelligenz (World Labs), evolutionäre Algorithmen (Sakana) und jetzt rekursive Verbesserung (Recursive AI) konzentrieren, definieren die nächste Innovationswelle.

Richard Sochers Einstieg in dieses Feld mit einem potenziellen Kriegskonto von $4 Milliarden deutet darauf hin, dass die Branche glaubt, wir befänden uns noch in den frühen Innings der KI‑Entwicklung. Wenn Recursive AI es schafft, den Forschungsprozess selbst zu automatisieren, könnten die heutigen Bewertungen der großen KI‑Player im Rückblick bescheiden wirken. Umgekehrt wird es, falls die technischen Hürden der Rekursion unüberwindbar bleiben, ein hochkarätiger Testfall für die Grenzen von venture‑finanzierter Wissenschaft sein.