AI芯片设计新纪元：Ricursive Intelligence引领定制化芯片革命

在极短的时间内验证想法，对于AI的发展至关重要。然而，与互联网时代相比，AI时代验证想法的成本大幅上升，这主要归因于算力硬件的制约。

当前，NVIDIA凭借其CUDA生态占据主流AI算力硬件市场，但算力芯片迭代缓慢且成本持续攀升。另一方面，Google的TPU生态发展势头强劲，已在TPU架构上训练出如Gemini 3.0 Pro这样的顶尖模型。

在TPU背后，AlphaChip技术尤为引人注目。它是一个AI系统，专注于芯片设计领域。传统方法设计尖端的数据中心处理器需数年，而AlphaChip能在六小时内完成部分半导体组件的设计。它已参与Google TPU过去四代的设计，并被联发科等外部半导体公司采用。

AlphaChip的核心设计师Anna Goldie和Azalia Mirhoseini于近期创立了一家名为Ricursive Intelligence的创业公司。该公司致力于利用AI和分布式计算，大幅缩短芯片开发周期，消除AI发展的硬件瓶颈，使定制化芯片更加普及。

Ricursive Intelligence成立于2025年12月，以7.5亿美元的估值完成了3500万美元的种子轮融资，由Sequoia Capital领投。最近，它又完成了由Lightspeed Venture Partners领投的3亿美元A轮融资，投后估值达到40亿美元。

从AlphaChip到多代Google TPU：定制化芯片的普惠之路

传统半导体设计面临两大挑战：设计流程冗长且成本高昂。成熟制程节点设计需12-24个月，而前沿制程如5nm或3nm则需18-36个月。7nm芯片的平均设计成本为2-2.5亿美元，5nm为4.5-5亿美元，3nm更是高达6-6.5亿美元。

设计成本中，50-70%是人力成本，另有5-15%用于电子设计自动化(EDA)工具。当设计或制造延迟时，整个行业都会遭受重大损失。例如，Morgan Stanley在2024年8月的报告中指出，NVIDIA Blackwell芯片的延迟可能在2025年就造成超过100亿美元的收入损失。

面对这些挑战，Ricursive Intelligence的创始人Anna Goldie和Azalia Mirhoseini在Google已着手解决这些问题。她们自2018年起在Google Brain的“登月计划”项目中尝试用AI进行芯片设计，与Jeff Dean不谋而合，开始了这一项目。

她们专注于布局规划（Floorplanning），即将芯片组件放置到硅片上的过程。这一过程的复杂性在于输入问题规模的巨大，涉及数百万个节点的优化和放置。她们与Google的TPU团队紧密合作，展示AI生成的布局优势，最终将成果应用于实际产品中，创造了AlphaChip。

构建“AI赋能芯片设计，芯片设计反哺AI”的递归循环

Ricursive Intelligence中的“Ricursive”意为递归。这反映了Anna和Azalia发现的一种“AI赋能芯片设计，芯片设计反哺AI”的递归循环：AlphaChip在TPU上训练后用于设计下一代TPU，再用新一代TPU训练下一版AlphaChip，以此不断迭代。

公司规划了三个发展阶段：第一阶段是攻克芯片设计的关键瓶颈，将流程缩短至数周；第二阶段是实现端到端的设计；第三阶段是进行垂直整合，构建自己的芯片和设计更好的AI模型。

当芯片设计成本下降时，AI行业创新能力将极大释放

在AI时代，顶尖公司的人才密度更高，想法并不稀缺，但验证想法的主要成本来自算力硬件。

AI算力的缺乏限制了创新。首先是在模型层面，每次训练模型的算力成本让模型迭代缓慢；其次是AI硬件终端层面，芯片的设计直接影响硬件终端的体积、续航和性能。

如果定制化的AI芯片设计成本降低到一定程度且设计时间缩短到几天，将对整个AI行业的创新能力产生巨大影响。例如，云端AI可以针对不同类型和大小的企业负载设计定制芯片；在AI硬件终端方面，产品定义将更加自由。