AI芯片设计新纪元：Ricursive Intelligence引领成本革命

在限定时间内验证想法的频率对于AI发展的加速至关重要。然而，相较于互联网时代，AI时代的想法验证成本显著增加，而这部分成本主要源于计算硬件的制约。

当前主流AI计算硬件依赖于NVIDIA的CUDA生态，但其计算芯片迭代缓慢且成本持续攀升。而Google的TPU生态在构建算力基础设施方面表现卓越，已训练出如Gemini 3.0 Pro等顶尖模型。

值得一提的是，TPU背后的AlphaChip技术尤为引人关注。作为一个芯片设计领域的AI系统，传统方法设计尖端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。它参与了Google TPU过去4代的设计，并被联发科等半导体公司采用。

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，致力于利用AI和分布式计算为下一代人工智能构建计算基础，显著缩短芯片开发周期，消除硬件瓶颈，使定制化芯片触手可及。

成立于2025年12月的Ricursive Intelligence，在创立之初便以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。随后不久，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40亿美元。

AlphaChip在多代Google TPU中的应用：推动定制化芯片的普及

传统半导体设计面临两大挑战：设计流程冗长且成本高昂。

设计流程耗时长达12-24个月（成熟制程节点）至18-36个月（前沿制程如5nm或3nm）。

设计成本方面，7nm芯片平均成本为2-2.5亿美元，5nm则为4.5-5亿美元，而3nm更是高达6-6.5亿美元。其中，50-70%为人力成本，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，整个行业将遭受巨大损失。例如，Morgan Stanley在2024年8月的报告中指出，NVIDIA Blackwell芯片的延迟可能仅在2025年就造成超过100亿美元的收入损失。

芯片设计成本主要源自人力和EDA工具的高昂费用。传统EDA工具不仅许可费用昂贵，而且设计过程中需要众多专业人士反复迭代。如果有一种工具能将设计时间缩短至数天而非2-3年，同时大幅降低设计成本，那么芯片的迭代速度将大幅提升，定制芯片的成本也会降低，从而填平AI发展与半导体能力之间的鸿沟。

这一愿景正由Ricursive Intelligence的创始人Anna Goldie和Azalia Mirhoseini在Google实现。她们自2018年起便尝试用AI进行芯片设计，与Google Brain的“登月计划”项目不谋而合。

她们专注于布局规划（Floorplanning），即将芯片组件放置在硅片上的过程。此过程极其复杂，涉及数百万个节点的优化和布线，同时必须满足功耗、性能、面积（PPA）等约束条件。

通过与Google TPU团队的紧密合作和持续展示数据，她们最终将AI生成的布局应用于实际产品中，完成了流片等所有环节。这一成果便是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在开发AlphaChip时发现的一种“AI赋能芯片设计，芯片设计反哺AI”的递归循环：AlphaChip在TPU上进行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。

她们为公司规划了三个发展阶段：

第一阶段旨在攻克芯片设计的关键瓶颈，将流程显著缩短至数周。此前每个数据点可能需要人类数周时间生成，但AI能在短时间内生成多个数据点。

第二阶段是实现端到端的设计，即给定工作负载能否完成从头到尾的芯片设计直至生成GDSII文件。

当芯片设计成本降低到一定程度时，将引发定制化芯片的“寒武纪大爆发”，使更多公司有机会根据自身产品需求定制芯片。

当芯片设计成本指数级下降：极大释放AI行业创新能力

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。模型层面的训练成本和推理算力限制都阻碍了AI产品的推广和服务。此外，AI硬件终端的设计也围绕芯片展开，因为芯片直接影响硬件终端的体积、续航及“智力”。

如果定制化AI芯片的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极大释放。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；而AI硬件终端在设计时则能更自由地考虑形态、大小和功能。