Ricursive präsentiert das gemeinsame Weiterentwickeln von KI-Modellen und Chipdesign

Ricursive Intelligence stellt sich als Unternehmen dar, das die wachsende Belastung der Rechenressourcen verringern will, indem es die Art verändert, wie Chips entwickelt werden. Anstatt die Chipentwicklung als langsamen, stark aufgeteilten Ingenieurprozess zu behandeln, sagt das Start-up, es baue KI-Systeme, die Chips entwerfen, aus jeder Entwurfsiteration lernen und die nächste Runde verbessern. Das längerfristige Ziel geht nach Angaben des Unternehmens noch weiter: KI-Modelle und die Hardware, auf der sie laufen, gemeinsam weiterzuentwickeln, sodass beide Seiten einander beeinflussen.

Diese Vision stammt von den Gründerinnen Anna Goldie und Azalia Mirhoseini, die zuvor Arbeiten an Googles AlphaChip-Projekt geleitet haben. Laut EE Times wurde Ricursive von den beiden Leiterinnen von AlphaChip gegründet und hat 335 Millionen US-Dollar eingesammelt. TechCrunch beschreibt unter Berufung auf Aussagen der Gründerinnen auf der Bühne der TechCrunch Disrupt, dass das Unternehmen darauf wettet, ein effizienteres Chipdesign könne helfen, das zu bewältigen, was Goldie als bevorstehende Rechenkrise bezeichnete. Die genannte Motivation ist einfach: Die Nachfrage nach Rechenleistung dürfte stark steigen, während die bloße Vervielfachung von Rechenzentrumskapazitäten keine praktikable Antwort sein muss.

Von AlphaChip zu einer breiteren Designthese

Die Glaubwürdigkeit der Gründerinnen in diesem Bereich stützt sich stark auf ihre frühere Arbeit. EE Times berichtet, AlphaChip, 2018 entwickelt, sei einer der ersten Ansätze mit Reinforcement Learning gewesen, die zur Lösung eines realen Ingenieurproblems eingesetzt wurden. Es wurde für die Makroplatzierung über vier Generationen von Googles TPUs hinweg genutzt und laut derselben Quelle auch extern von Unternehmen wie MediaTek übernommen. TechCrunch ergänzt ein Beispiel, das von den Gründerinnen häufig angeführt wird: eine kreisförmige, „donutförmige“ Anordnung von Chipkomponenten, die Ingenieurinnen und Ingenieure zunächst überraschte, später aber als erfolgreich dargestellt wurde.

Ricursive erklärt, die aktuelle Arbeit gehe über dieses frühere Projekt hinaus. EE Times berichtet, Goldie habe gesagt, die Arbeit des Unternehmens reiche weiter als AlphaChip, sowohl in der Breite des abgedeckten Chipdesign-Ablaufs als auch bei den Leistungsverbesserungen, die man für erreichbar halte, und beim Tempo. Im selben Bericht heißt es außerdem, Goldie habe bestätigt, dass Ricursive weder geistiges Eigentum von Google lizenzieren noch nutzen werde. Diese Unterscheidung ist wichtig, weil das Unternehmen sich als unabhängige Plattform für die gesamte Branche positionieren will und nicht als Erweiterung von Alphabet.

Die beiden Quellen stimmen im Kernargument des Unternehmens weitgehend überein: KI kann traditionelle Methoden des Chipdesigns herausfordern, indem sie Designräume durchsucht, die menschliche Teams oder Standardabläufe womöglich nicht so leicht erkunden. TechCrunch berichtet, die Gründerinnen optimierten ganze Chips, anstatt sie in Dutzende kleinere Blöcke aufzuteilen. Ihrer Ansicht nach kann die KI dadurch komplexere Layouts erzeugen, darunter wellenartige Muster. Das wird als Abkehr von konventionellen Methoden präsentiert, auch wenn die Quellen keine unabhängigen Vergleichswerte für die behaupteten Fortschritte liefern.

Ein gestaffelter Rollout von Dienstleistungen bis zur Ende-zu-Ende-Automatisierung

EE Times liefert die detaillierteste Beschreibung der Roadmap von Ricursive und ordnet sie als Einführung in drei Phasen ein. In Phase eins will das Unternehmen nach eigener Darstellung Teile des Chipdesigns für Chipfirmen übernehmen, mit Schwerpunkt auf der Beschleunigung von Physical Design und Designverifikation. Das erklärte Ziel ist es, den Weg von der Architektur bis zu GDSII zu verkürzen, also zu dem Format für produktionsreife Layouts.

• Phase eins: Dritte bei ausgewählten Teilen des Chipdesigns unterstützen, insbesondere bei Physical Design und Verifikation.
• Phase zwei: Ein Ende-zu-Ende-Modell aufbauen, das Workloads aufnehmen und GDSII-Dateien für die Fertigung ausgeben kann.
• Phase drei: Modelle, Workloads und Hardware gemeinsam entwerfen oder gemeinsam weiterentwickeln, möglicherweise einschließlich eigener Chips und Modelle von Ricursive.

In Phase zwei will Ricursive laut EE Times diese Schritte zu einem Ende-zu-Ende-Modell zusammenführen, das Workloads als Eingabe übernimmt und produktionsreife Chipdesigns ausgibt. Das Unternehmen argumentiert, dies könne eine schnelle Erstellung workload-spezifischer Chips praktikabel machen, insbesondere für KI-Beschleuniger, aber auch für andere Anwendungen. TechCrunch greift diese Idee in einfacheren Worten auf: Wenn sich Chipdesign von vielen Monaten auf ungefähr eine Woche verkürzen ließe, könnten stärker spezialisierte Chips für Anwendungen wie Raumfahrt, AR, VR oder biologisches Rechnen finanziell plausibel werden. Dieser Zeitrahmen wird von den Gründerinnen allerdings als Zielvorstellung präsentiert; die Quellen zeigen nicht, dass Ricursive bereits eine Ende-zu-Ende-Chiperstellung in diesem Tempo demonstriert hat.

Ricursive versucht zudem, sich gegenüber dem etablierten Sektor der elektronischen Designautomatisierung abzugrenzen. EE Times zufolge betonten die Gründerinnen, das Start-up sei kein EDA-Unternehmen, werde nicht mit EDA-Unternehmen konkurrieren und keine standardmäßigen EDA-Toolchains einsetzen. Stattdessen beschreiben sie ihre Arbeit als Ende-zu-Ende-Chipdesign. Das ist ein anspruchsvoller Rahmen, weil er nicht nur die Optimierung eines Teilproblems impliziert, sondern eine Überarbeitung des gesamten Prozesses, durch den Chips von Workload-Anforderungen zu herstellbaren Layouts gelangen.

Die Idee der gemeinsamen Weiterentwicklung im Zentrum des Auftritts

Die markanteste Behauptung des Unternehmens dürfte seine Vision für Phase drei sein. EE Times berichtet, Ricursive wolle letztlich Modelle, Workloads und Hardware eng gemeinsam entwerfen. Die These lautet, dass erhebliche Leistungsgewinne möglich sein könnten, wenn die Rechenarchitektur an die Modellarchitektur angepasst wird, allerdings nur dann, wenn der Implementierungszyklus schnell genug ist, damit die Hardware nicht veraltet ist, bevor sie gebaut wird. In dieser Darstellung sind kundenspezifische Chips nicht nur ein Produktresultat, sondern Teil einer Rückkopplungsschleife, die die Modellentwicklung selbst beschleunigen soll.

An diesem Punkt verschiebt sich die Erzählung von Ricursive von der eines Chipdesign-Start-ups hin zu der eines Frontier-AI-Unternehmens. EE Times berichtet, Mirhoseini habe gesagt: „Das ist keine KI für Chipdesign, das ist einfach KI“, und als langfristiges Ziel den Aufbau eines Frontier-KI-Systems beschrieben. Das Unternehmen erklärt, es trainiere sein Modell mit allgemein verfügbaren Webdaten, Open-Source-Chipdaten und synthetischen Daten. Zudem arbeite es Berichten zufolge mit Chipunternehmen an realen Designs, um frühe Ergebnisse zu testen und Rückmeldungen zu sammeln; die Gründerinnen räumen dabei ein, dass Open-Source-Chipdaten nicht repräsentativ für kommerzielle Designs sind.

Im Zentrum des Arguments steht ein Engpass, den die Gründerinnen als Pattsituation beschreiben. KI-Forschende entwerfen ihrer Ansicht nach Modelle rund um die Grenzen aktueller Hardware, während Chiphersteller versuchen, künftige Workloads Jahre im Voraus zu antizipieren. Ricursives Antwort darauf ist es, „diese Schleife drastisch zu verkürzen“, in den von EE Times zitierten Worten von Goldie. Wenn sich diese Schleife verkürzen lässt, so das Unternehmen, könnten sich sowohl Chiparchitekturen als auch neuronale Architekturen von dem entfernen, was es als lokales Optimum betrachtet, und sich hin zu sehr anderen Designs bewegen.

Was bekannt ist und was ungewiss bleibt

Die angekündigte Strategie ist klar, doch mehrere industriepraktische Unbekannte bleiben bestehen. Erstens geben beide Quellen im Wesentlichen die Darstellung der Gründerinnen dazu wieder, was Ricursive erreichen will; keine von beiden liefert unabhängige Belege dafür, dass der vollständige Ende-zu-Ende-Ansatz bereits im Produktionseinsatz bewiesen wurde. Zweitens sagt das Unternehmen zwar, es arbeite mit Chipfirmen und Foundry-Beziehungen zusammen, um Kundinnen und Kunden bei der Herstellung kundenspezifischer Chips zu helfen, doch die Quellen nennen weder Fertigungspartner noch Tape-outs oder Kundschaft.

Drittens wirft Ricursives Entscheidung, sich außerhalb standardmäßiger EDA-Toolchains zu positionieren, praktische Fragen auf, die die verfügbare Berichterstattung nicht beantwortet. Wenn das Unternehmen keine Standard-Toolchains nutzt, muss es sich dennoch in die Realitäten von Verifikation, Herstellbarkeit und Kundenvertrauen einfügen. Laut EE Times argumentieren die Gründerinnen, Unabhängigkeit sollte andere Chiphersteller eher dazu bewegen, Daten zu teilen; ob der Markt dieses Versprechen akzeptiert, zeigen die Quellen bislang jedoch nicht.

Hinzu kommt eine Lücke zwischen dem Versprechen ungewöhnlicher Layouts und der Lieferung breit herstellbarer Produkte. TechCrunch berichtet über Behauptungen zu unkonventionellen Chipmustern und zur Optimierung ganzer Chips, doch der Artikel sagt auch, die Gründerinnen wollten künftig mehr dazu veröffentlichen. Das deutet darauf hin, dass ein Teil der technischen Belege noch nicht öffentlich gemacht wurde. Anders gesagt: Der Ansatz wird mit großer Zuversicht angekündigt, aber einige seiner wichtigsten Nachweise scheinen weiterhin auszustehen.

Für Unternehmen im englischsprachigen Raum lautet die praktische Schlussfolgerung nicht, dass von KI entworfene Chips plötzlich bestehende Beschaffungs- oder Engineering-Pläne ersetzen können. Auf Grundlage dieser Quellen ändert sich vielmehr Folgendes: Ein Start-up schlägt eine neue Option vor. Wenn ein Unternehmen einen Workload in großem Maßstab betreibt, aber kein eigenes Chipteam hat, sagt Ricursive, es wolle langfristig dabei helfen, diesen Workload schneller in kundenspezifische Hardware zu überführen, als es traditionelle Prozesse erlauben. Falls das funktioniert, könnte es den Zugang zu spezialisierten Chips erweitern und den Weg von Softwareanforderungen zur Hardwareumsetzung verkürzen. Vorerst sollten Unternehmen dies jedoch als entstehendes industrielles Angebot betrachten und nicht als bereits etablierten neuen Standard.