Ricursive押注让AI模型与芯片设计协同进化

Ricursive Intelligence正把自己定位为一家希望通过改变芯片设计方式，来缓解计算资源压力不断上升的公司。按照这家初创公司的说法，芯片开发不应再被视为一个缓慢、分段、彼此割裂的工程流程；相反，它正在构建能够设计芯片的AI系统，让这些系统从每一轮设计迭代中学习，并在下一轮中继续改进。根据公司自身表述，其更长期的目标还不止于此：它希望让AI模型与承载这些模型运行的硬件协同进化，使二者彼此影响、彼此塑造。

这一愿景来自联合创始人Anna Goldie和Azalia Mirhoseini，她们此前曾主导Google的AlphaChip项目。根据EE Times的报道，Ricursive由AlphaChip项目的两位负责人创立，已筹集3.35亿美元资金。TechCrunch援引两位创始人在TechCrunch Disrupt大会上的发言称，这家公司押注于更高效的芯片设计可以帮助应对Goldie所说的“即将到来的算力危机”。报道中给出的动机很直接：算力需求预计将大幅增长，而仅仅依靠成倍扩建数据中心容量，未必是一个现实可行的答案。

从AlphaChip到更广泛的设计命题

两位创始人在这一领域的可信度，很大程度上建立在她们此前的工作之上。EE Times称，2018年开发的AlphaChip，是最早被用于解决真实世界工程问题的强化学习方法之一。它曾被用于Google TPU四代产品中的宏单元布局，而且按照同一消息来源的说法，也被包括MediaTek在内的外部公司采用。TechCrunch还补充了一个常被创始人提及的例子：一种呈圆形、类似“甜甜圈”的芯片组件排布方式，最初曾让工程师感到意外，但后来被描述为成功案例。

Ricursive表示，它目前的工作已超越那个早期项目。EE Times报道，Goldie称，公司当前研究相比AlphaChip，在所覆盖的芯片设计流程广度、其认为能够实现的性能提升，以及设计速度方面，都走得更远。该报道还称，Goldie确认Ricursive不会许可、也不会使用Google的知识产权。这一区分十分重要，因为Ricursive试图把自己定位成一个可在整个行业内运作的独立平台，而不是Alphabet体系的延伸。

两家媒体在公司的核心论点上大体一致：AI可以通过探索那些人工团队或标准流程不易触及的设计空间，来挑战传统芯片设计方法。TechCrunch称，两位创始人正在优化的是整颗芯片，而不是把它切分成几十个更小的模块分别处理；她们认为，这能让AI生成更复杂、更精细的布局，甚至包括波浪状的图案。这被描述为对传统方法的一种偏离，不过现有消息来源并未提供独立基准测试，来验证这些被宣称的收益。

分阶段推进：从服务到端到端自动化

EE Times对Ricursive路线图的描述最为详细，并将其概括为一个三阶段推进方案。在第一阶段，公司表示将为芯片企业承担部分芯片设计工作，重点是加速物理设计与设计验证。其公开目标是缩短从架构设计到GDSII的路径；GDSII是用于生成可投产版图的格式。换句话说，Ricursive首先想切入那些最耗时、最依赖反复迭代的环节，以证明自身方法在实际工业流程中能够带来速度改进。

• 第一阶段：为第三方承担芯片设计中的部分环节，尤其是物理设计和验证。
• 第二阶段：构建端到端模型，能够读取工作负载并输出可用于制造的GDSII文件。
• 第三阶段：协同设计或协同进化模型、工作负载和硬件，其中可能包括Ricursive自己的芯片和模型。

根据EE Times的说法，在第二阶段，Ricursive希望把这些步骤整合为一个端到端模型：输入是工作负载，输出则是可直接制造的芯片设计。公司认为，这将使针对特定工作负载的快速芯片创建变得切实可行，尤其适用于AI加速器，但也不限于这一用途。TechCrunch用更通俗的方式重复了这一想法：如果芯片设计周期能从许多个月压缩到大约一周，那么面向太空、AR、VR或生物计算等应用的更专用化芯片，就可能在经济上变得说得通。不过，这一时间表在报道中仍主要体现为创始人的愿景，而非已经完成的展示；现有来源并没有证明Ricursive已经以这种速度完成了端到端芯片创建。

Ricursive也在试图界定自己与既有电子设计自动化行业之间的关系。EE Times称，两位创始人强调，这家初创公司不是一家EDA公司，不会与EDA公司竞争，也不会使用标准EDA工具链。相反，她们把自己的工作描述为端到端芯片设计。这是一种颇具雄心的表述，因为它所暗示的不只是优化某个子问题，而是要重塑芯片从工作负载需求走向可制造版图的整体过程。

这场推介的核心：协同进化的设想

公司最具辨识度的主张，也许正是其第三阶段愿景。EE Times称，Ricursive最终希望让模型、工作负载和硬件实现紧密的协同设计。其核心论点是：如果计算架构能够针对模型架构进行定制，就有可能获得显著的性能收益；但这一切成立的前提，是实现周期必须足够快，快到硬件不会在造出来之前就已经落后。在这种叙述中，定制芯片不只是最终产物，更是一个反馈回路的一部分，而这个回路的目标，是反过来加速模型本身的开发。

也正是在这里，Ricursive的叙事开始从一家芯片设计初创公司，转向更接近前沿AI公司的叙事。EE Times报道，Mirhoseini曾表示，“这不是用于芯片设计的AI，这就是AI”，并将长期目标描述为打造一个前沿AI系统。公司称，它正在使用普遍可获得的网络数据、开源芯片数据以及合成数据来训练模型。据报道，它也在与芯片公司就真实设计开展合作，以测试早期结果并收集反馈；与此同时，两位创始人也承认，开源芯片数据并不能代表商业芯片设计的真实情况。

这一论证的核心，是两位创始人所描述的一个近乎“僵局”的瓶颈。在她们看来，AI研究者通常围绕现有硬件的限制来设计模型，而芯片制造商则必须提前数年去猜测未来的工作负载。Ricursive给出的答案，是用Goldie在EE Times引述中的原话来说，要“极大地收紧这个循环”。公司认为，如果这个循环真的能够被缩短，那么无论芯片架构还是神经网络架构，都可能摆脱当前被视为局部最优的状态，转向截然不同的设计。

已知之处与仍未确定的问题

这项已宣布的战略本身相当清晰，但仍有若干产业层面的未知数。首先，两家媒体基本上都主要转述了创始人对于Ricursive想做什么的说明；它们都没有提供独立证据，证明这种完整的端到端方法已经在量产环境中得到验证。其次，尽管公司表示它正在与芯片企业合作，也在建立晶圆制造相关关系，以帮助客户生产定制芯片，但现有报道并未点名制造伙伴、流片项目或客户名称。

第三，Ricursive决定把自己定位在标准EDA工具链之外，这也带来了现实层面的疑问，而现有报道尚未解答这些问题。如果公司不采用标准工具链，它依然必须适应验证、可制造性以及客户信任等现实要求。根据EE Times，两位创始人认为，独立性会让其他芯片厂商在共享数据时感到更安心；但市场是否接受这一命题，现有来源还没有给出证明。

此外，在承诺能生成不同寻常的布局，与真正交付可广泛制造的产品之间，仍存在明显差距。TechCrunch报道了有关非常规芯片图案和整芯片优化的说法，但文章同时指出，两位创始人计划在未来披露更多内容，这意味着部分技术证据尚未公开。换言之，这一方法在宣布时语气相当自信，但其中若干最关键的证明点，看起来仍有待后续补充。

对企业而言，更实际的结论并不是“AI设计芯片已经可以立刻取代现有采购或工程规划”。从这些来源来看，真正发生变化的是：一家初创公司正在提出一种新的可能性——如果某家公司已经拥有规模化运行的工作负载，却没有自建芯片团队，Ricursive表示，它最终希望帮助这类公司把工作负载更快地转化为定制硬件，比传统流程更省时间。如果这条路径可行，它或许会扩大专用芯片的可及性，并缩短从软件需求到硬件落地的距离；但在目前阶段，企业更适合把它看作一种正在形成中的产业提案，而不是已经确立的新标准。