Le nouveau laboratoire de Richard Socher « Recursive AI » vise une valorisation de 4 milliards de dollars pour construire une superintelligence auto-améliorante (self-improving superintelligence)

Dans une démarche qui signale un retour à la recherche fondamentale pour l'une des figures les plus en vue de l'IA de la Silicon Valley, Richard Socher serait en discussions avancées pour lever des capitaux pour une nouvelle entreprise, Recursive AI. Selon des rapports circulant en janvier 2026, la startup recherche une valorisation avant investissement d'environ 4 milliards de dollars, GV (Google Ventures) et Greycroft étant prêts à diriger le tour.

Ce développement marque un moment significatif dans le paysage de l'IA de 2026, recentrant l'attention des guerres d'applications des deux dernières années vers la quête de l'intelligence artificielle générale (Intelligence Artificielle Générale, Artificial General Intelligence, AGI). Contrairement à la précédente entreprise de Socher, You.com, qui se concentrait sur la recherche grand public et la productivité des entreprises, Recursive AI vise à s'attaquer au problème de la récursion de l'intelligence — construire des systèmes d'IA capables d'automatiser leur propre recherche et développement sans intervention humaine.

Le retour à la recherche approfondie

Richard Socher, pionnier du traitement du langage naturel (Natural Language Processing, NLP), et ancien Chief Scientist chez Salesforce, a longtemps été un défenseur vocal d'approches différentes de l'intelligence. Alors que son travail chez You.com défiait la domination de Google sur la recherche par des réponses d'IA riches en citations, Recursive AI semble être un retour à ses racines dans l'innovation académique et la deep-tech.

La valorisation rapportée de 4 milliards de dollars est frappante pour une nouvelle entité, mais elle reflète la nature hyper-compétitive du marché du capital-risque en 2026. Avec OpenAI prétendument recherchant des valorisations supérieures à 800 milliards de dollars et Anthropic ayant franchi le seuil des 350 milliards, les investisseurs chassent agressivement des paris « contrarians » promettant des percées architecturales plutôt que seulement de l'échelle.

Le cœur de la thèse de Recursive AI repose sur les systèmes auto-améliorants. Les modèles de base (foundation models), malgré leur taille, reposent en grande partie sur des données sélectionnées par des humains et des recettes d'entraînement conçues par des humains. Recursive AI vise à boucler la boucle, en créant des modèles capables de concevoir leurs propres algorithmes successeurs. Ce concept, souvent théorique, a gagné du terrain fin 2025 alors que les retours d'investissement d'une simple augmentation de la puissance de calcul pour les Transformers commençaient à montrer des rendements marginaux décroissants.

Contexte du marché : la montée des laboratoires d'IA « mid-cap »

L'environnement de financement au début de 2026 s'est bifurqué. D'un côté, les titans (OpenAI, Google DeepMind, Anthropic) consomment d'énormes quantités de capitaux pour l'infrastructure. De l'autre, une nouvelle couche de laboratoires de recherche « agiles » émerge, dirigée par des chercheurs vedettes et valorisée entre 3 milliards et 10 milliards de dollars.

Recursive AI rejoint une cohorte spécifique de startups de haut pedigree levant des capitaux ce mois-ci. Le tableau ci-dessous présente comment la nouvelle entreprise de Socher se compare à ses contemporaines dans le paysage des financements de janvier 2026.

Table : Principales levées de fonds et valorisations des startups d'IA (janvier 2026)

Remarque : Les valorisations reflètent les chiffres pré-money rapportés ou des tours post-money récents en date de fin janvier 2026.

La thèse : automatiser le chercheur

La différenciation de Recursive AI réside dans sa méthodologie spécifique. Alors que les concurrents se concentrent sur les « lois d'échelle » — l'idée que plus de données et de calcul mènent inévitablement à de meilleures performances — le nouveau laboratoire de Socher parierait sur le métapprentissage (métapprentissage, meta-learning) et l'auto-amélioration récursive (auto-amélioration récursive, recursive self-improvement).

Le postulat est que, pour que l'IA atteigne la superintelligence, elle doit passer d'un produit de l'ingénierie humaine à devenir l'ingénieur lui-même. Cela implique :

• Recherche d'architecture automatisée (Automated Architecture Search, NAS) : des systèmes d'IA capables de redesigner leurs propres structures de réseaux de neurones pour être plus efficaces.
• Génération de données synthétiques (Synthetic Data Generation) : création de données d'entraînement haute fidélité pour surmonter le « mur des données » que beaucoup de modèles de langage de grande taille (LLMs) ont frappé en 2025.
• Apprentissage par curriculum (Curriculum Learning) : des systèmes qui décident de manière autonome quoi apprendre et dans quel ordre, imitant la psychologie du développement humain.

Des sources proches du dossier suggèrent que l'implication de GV est particulièrement notable. Alors que Google continue d'intégrer les percées de DeepMind dans Gemini, l'intérêt de la branche venture suggère une stratégie de couverture — investir dans des architectures alternatives qui pourraient dépasser les modèles basés sur les Transformers actuels.

Sentiment des investisseurs et risques

Pour des investisseurs comme Greycroft et GV, le pari sur Richard Socher est un pari sur le pedigree. La thèse de doctorat de Socher à Stanford sur le deep learning récursif a été fondatrice pour le domaine. Sa vente de MetaMind à Salesforce en 2016 a démontré sa capacité à commercialiser la deep tech. Cependant, le prix de 4 milliards de dollars pour ce qui est essentiellement un laboratoire de recherche comporte des risques importants.

Principaux défis pour Recursive AI :

1. Coûts de calcul : Même avec des architectures efficaces, entraîner des modèles auto-améliorants nécessite des fermes massives de GPU. Recursive AI devra se battre pour des allocations face à des géants valorisés à des billions de dollars.
2. Sécurité et alignement : Les systèmes auto-améliorants sont théoriquement la forme d'IA la plus dangereuse. Si un système peut réécrire son propre code, garantir qu'il respecte des contraintes de sécurité humaines devient exponentiellement plus difficile — un problème que les initiatives de Superintelligence sûre (Safe Superintelligence, SSI) ont eu du mal à résoudre.
3. Guerre des talents : Recruter les meilleurs chercheurs en 2026 nécessite des packages de compensation rivalisant avec ceux d'athlètes professionnels. La réputation de Socher aidera, mais le vivier de talents est fini.

Conclusion

Alors que l'industrie de l'IA mûrit en 2026, le récit du « modèle unique pour les gouverner tous » se fragmente. Des laboratoires spécialisés se focalisant sur l'intelligence spatiale (World Labs), les algorithmes évolutionnaires (Sakana), et maintenant l'amélioration récursive (Recursive AI) définissent la prochaine vague d'innovation.

L'entrée de Richard Socher dans cette arène avec une possible caisse de guerre de 4 milliards de dollars suggère que l'industrie croit encore être aux débuts du développement de l'IA. Si Recursive AI réussit à automatiser le processus de recherche lui-même, les valorisations actuelles des géants de l'IA pourraient sembler modestes rétrospectivement. À l'inverse, si les obstacles techniques de la récursion s'avèrent insurmontables, ce sera un cas d'école très médiatisé sur les limites de la science financée par capital-risque.