# Recursion Is The Next Scaling Law In AI

- Channel: [Y Combinator](https://www.youtube.com/channel/UCcefcZRL2oaA_uBNeo5UOWg)
- Published: 2026-05-01
- Source video: [Watch on YouTube](https://youtube.com/watch?v=DGtUUMNYLcc)
- Read on ReadTube: https://www.read.tube/p/videos/DGtUUMNYLcc
- Language: Simplified Chinese

## Summary

**递归：下一代规模法则**

这段视频讨论了递归如何成为人工智能新的扩展规律，核心观点是：与其单纯把模型做得更大，不如在推理阶段通过递归让模型获得更强的推理能力。视频重点介绍了两篇 2025 年的论文，分别是分层推理模型和微型递归模型，说明它们如何用多层递归、共享权重和更高效的反向传播方式，在很小参数量下解决数独、迷宫和比赛类难题。

这期视频的核心观点是：递归可能成为 AI 的下一条扩展规律。与其只靠把模型做得越来越大，不如在推理时反复复用同一组参数，让模型在潜在空间里逐步“想”出答案，这样可以显著增强推理能力，尤其适合数独、迷宫、ARC 这类需要多步搜索和状态维护的不可压缩任务。

视频重点对比了两篇 2025 年的工作。HRM 通过高低两层递归和外层精炼循环，在很小参数量下取得了很强成绩；其关键不在于更深或更复杂，而在于递归式的状态精炼。TRM 进一步把结构简化为共享参数的单一网络，同时保留递归深度，并用更有效的训练方式处理反向传播，结果用更小的模型取得了更好的性能。两者共同说明：递归比单纯扩大参数更能直接提升推理。

不过，这种方法目前仍主要针对特定任务，而不是通用大模型。作者认为真正有前景的方向，是把递归推理与大模型的通用表示能力结合起来：大模型负责学到强大的潜在表示，递归模块负责在其中进行高效、多步的推理。