能自主设计芯片的AI：Ricursive的安娜·戈尔迪与阿扎莉娅·米尔侯赛尼

Ricursive Intelligence 的核心论点本身就是递归式的：AI 依赖芯片，因此也应该用 AI 来设计和优化训练及运行 AI 的芯片。创始人将芯片设计定位为 AI 基础设施中的一个重大瓶颈，同时也是一个高杠杆点，并主张更快、原生面向 AI 的设计工具可以缩短产品上市时间、提升芯片性能，并最终实现针对特定工作负载对硬件进行更广泛的定制。他们的路线图从加速现有芯片设计工作流，发展到提供一个可根据工作负载输入设计定制芯片的平台，最终走向通过将芯片与模型协同构建来实现垂直整合。

关键洞察

1. 该公司瞄准的是半导体开发中的高价值瓶颈： 他们指出，当前芯片开发中有两个特别漫长且昂贵的阶段：物理设计和设计验证。根据演讲内容，每个阶段都可能耗时长达一年，并需要数百甚至数千名专家参与。他们还强调进度延误在经济上的严重性，并援引一个估算称，即使一款重要 AI 芯片仅延迟一天，也可能带来极大的机会成本。

   这为什么重要： 这解释了为什么即使是部分自动化也可能极具价值：缩短设计周期不仅仅是效率提升，还可能成为芯片厂商在快速变化的 AI 市场中竞争的重要经济杠杆。

2. 他们的核心赌注不仅是用 AI 做设计，而是重建工具链以让 AI 真正发挥作用： 他们表示，并不是简单地在现有 EDA 流程之上叠加一层 AI，而是在重新设计核心工具，使其运行速度大幅提升，因为 AI 系统需要快速反馈回路才能高效优化。举例来说，他们提到一个静态时序分析引擎，据称与商用工具具有高度相关性，同时运行速度快 1,000 倍；更广泛地说，他们描述的目标是让工具整体快 100,000 倍。

   这为什么重要： 其战略意义在于，AI 在工程工作流中的表现可能不仅取决于模型本身，还同样取决于模拟器/评估器的速度。如果这一点成立，那么优势可能来自于掌握高速内循环基础设施，而不仅仅是模型质量。

3. 他们将此前在现实世界中的部署视为 AI 至少在芯片设计部分环节胜过人类的证据： 创始人表示，他们此前的 AlphaChip 工作使用深度强化学习生成芯片布局，并已应用于真实流片中，包括多代 Google TPU、Axion CPU、Pixel 手机、自动驾驶汽车芯片，以及对外部客户 MediaTek 的应用。他们还指出，AI 生成的布局往往比人工生成的规则布局更弯曲、更有机，并称这可以减少连线长度并提升性能。

   这为什么重要： 这是他们最强的可信度信号：其主张不仅仅是 AI 在理论上可以辅助设计，而是它已经被用于量产芯片。布局在形态上的这种差异也表明，AI 可能发现人类设计师较少采用的、非直觉性的解决方案。

4. 公司的三阶段路线图从工具走向平台，再走向全栈竞争者： 第一阶段是加速现有芯片设计。第二阶段是让芯片设计民主化，即将工作负载作为输入，并推动整个流程直至输出可用于 GDS2 的结果。第三阶段则是垂直整合：如果他们能够快速设计出优秀芯片，就可以构建自己的芯片、训练自己的模型，并让两者共同演化。

   这为什么重要： 这表明，该公司可能最初会作为现有企业的基础设施供应商切入，但最终希望获取 AI 技术栈中更大的一部分价值。对于客户和合作伙伴而言，这既意味着上行空间，也意味着未来潜在的渠道冲突。

5. 他们的长期市场论点是，AI 基础设施将分化为大量定制芯片： 他们认为，未来的 AI 工作负载将需要更高的性能，而实现这种性能的一条路径是定制化，而不是依赖少数通用的主流推理芯片。他们的目标是推动一场面向工作负载专用芯片的“寒武纪大爆发”，针对前沿级性能、低功耗或高吞吐等不同目标进行优化。

   这为什么重要： 如果这一观点正确，那么未来的关键控制点可能会从生产少数几种主导性芯片架构，转移到以低成本、快速方式创造大量专用设计的能力上。这将扩大设计自动化平台的潜在市场空间。

6. 他们将算力视为芯片设计中的一个新的经济调节旋钮： 在回应关于专用芯片经济性的问题时，他们认为，扩展算力可以缩短设计运行时间并提升设计质量，实际上为设计流程引入了一个新的、可控的权衡维度。他们还表示，在 AI 工作负载的规模下，即使是芯片的小幅改进也可能具有显著的经济意义。

   这为什么重要： 这意味着他们的商业模式可能依赖于在设计阶段投入更多算力，以换取部署阶段远超投入的下游价值。这与传统设计流程的优化逻辑不同，后者往往将迭代成本本身视为主要约束。

战略影响

• 如果 Ricursive 的工具确如其描述那样有效，现有芯片公司可能会首先采用原生面向 AI 的设计基础设施，以压缩设计周期，而不是立即推动激进的架构变革。
• 他们关于内循环速度的主张越可信，相比那些仅在现有 EDA 工具之上微调模型的公司，他们的护城河就可能越稳固。
• 他们第二阶段的愿景意味着，芯片设计可能会从少数顶级公司专属的专业服务，转变为任何拥有足够工作负载规模的公司都可使用的平台能力。
• 垂直整合是一个重要的战略信号：在 AI 硬件领域成功的基础设施供应商，可能会演变为芯片和模型服务领域的直接竞争者。

值得关注的信号

• 是否有证据表明其加速工具被用于真实生产流程，而不仅仅是演示级基准测试。
• 对其所声称的速度提升和保真度的独立验证，尤其是在静态时序分析和其他核心物理设计步骤方面。
• 客户是否仅将该系统用于布局/优化，还是会在更广泛的工作流阶段信任它，尤其是在验证和接近签核的任务中。
• 是否出现迹象表明，对于没有大型内部半导体团队的公司，基于工作负载进行芯片设计也能实现可操作化。

注意事项

• 该演讲是创始人展示，因此其中的说法带有宣传性质，且在这份转录中未经过独立验证。
• 若干重要主张是定性或高层级的，包括工具快 100,000 倍的目标、STA 快 1,000 倍的说法，以及定制化的经济意义；转录内容并未提供方法论、基准测试条件或外部验证。
• 所提到的部署历史指向此前的 AlphaChip 工作及相关应用说法，但转录内容并未清晰区分哪些成果属于过去已实现的工作，哪些是 Ricursive 当前产品已经具备的能力。