Ricursive Intelligence AI 칩 설계, 컴퓨팅 위기 해소 겨냥… 다음 과제는 양산 검증

Ricursive Intelligence는 자사의 AI 칩 설계 시스템이 프로젝트 간 학습을 수행할 수 있다고 말한다. 이는 여전히 6개월에서 2년이 걸리는 공정에 도전하는 주장이다. 이 스타트업은 완료된 각각의 설계가 다음 설계를 만드는 시스템을 개선하게 하려 한다. 더 큰 베팅은 데이터센터를 단순히 더 늘리는 대신, 더 똑똑한 설계를 통해 AI의 증가하는 컴퓨팅 수요를 완화할 수 있다는 것이다.

공동 창업자인 Anna Goldie와 Azalia Mirhoseini는 2026년 10월 14일 TechCrunch Disrupt에서 이 주장을 발표했다. Goldie는 업계의 컴퓨팅 수요가 5년 안에 최소 1만 배 증가할 수 있다고 말했다. 이는 독립적으로 확립된 수요 전망이 아니라 창업자의 주장이다. 그럼에도 Ricursive가 칩, 대역폭, 웨이퍼, 제조 역량 전반의 효율성에 집중하는 이유를 설명해 준다.

이는 기존 엔지니어링 소프트웨어에 보조 기능을 추가하려는 또 하나의 시도가 아니다. Ricursive는 설계 흐름의 더 큰 부분을 자동화하고, 궁극적으로는 AI 모델을 이에 최적화된 하드웨어와 직접 연결하려 한다. 이는 창업자들이 이전에 개발한 Google의 AlphaChip을 넘어서는 야심이며, 이미 AI를 도입하고 있는 기존 전자설계자동화 업계와의 경쟁을 의미한다.

Ricursive Intelligence AI 칩 설계, 개별 레이아웃을 넘어서다

핵심 변화는 Ricursive가 성공적인 칩 설계를 점점 더 유능해지는 설계 시스템의 학습 경험으로 전환하려 한다는 점이다.

Disrupt 발표에서 창업자들은 칩을 설계하고, 결과를 평가하며, 이를 통해 배운 내용을 이후 설계에 적용하는 소프트웨어를 설명했다. 이들의 10월 무대 발언은 이러한 피드백 루프를 회사 전략의 중심에 놓았다.

기저 방법론은 결과에 연결된 보상을 통해 의사결정을 개선하는 시스템인 강화학습에 기반한다. 칩 설계에서 이러한 결과에는 성능, 에너지 사용량, 면적, 혼잡도, 제조 제약 충족 여부가 포함될 수 있다.

설계 에이전트는 구성요소를 배치하고 품질 점수를 받은 뒤 모델을 조정하여 다시 시도할 수 있다. Ricursive는 이 과정이 프로젝트 간 지식도 이전해야 한다고 말한다. 이것이 작동한다면, 시스템은 모든 새 칩을 고립된 최적화 과제로 시작하지 않게 된다.

이 구분이 중요한 이유는 현대 칩이 하나의 퍼즐이 아니기 때문이다. 엔지니어들은 아키텍처, 로직, 검증, 물리적 배치, 배선, 타이밍, 전력, 열 특성, 제조 규칙을 조율해야 한다. 한 차원의 개선이 다른 곳에서 실패를 일으킬 수 있다.

전통적인 팀은 칩을 블록으로 나누어 이러한 복잡성을 관리한다. 전문가는 이들 블록을 더 큰 시스템으로 통합하기 전에 최적화한다. 이 과정은 한 번에 고려해야 하는 상호작용의 수를 개인이나 도구가 감당할 수 있는 수준으로 제한한다.

Ricursive는 칩 전체에 걸친 더 폭넓은 최적화를 탐색하고 있다. Goldie와 Mirhoseini는 자사 시스템이 익숙한 직사각형 패턴에서 벗어난 레이아웃을 찾을 수 있다고 말했다. 두 사람은 엔지니어가 자연스럽게 선택하지 않을 수 있는 원형 및 물결 형태의 배열을 예로 들었다.

특이한 기하 구조 자체에 가치는 없다. 설계는 검증을 통과하고, 의도한 성능을 달성하며, 안정적으로 제조될 수 있을 때에만 의미가 있다. 하지만 낯선 레이아웃은 자동화 탐색이 관심을 끄는 이유를 보여 준다. 소프트웨어는 인간 팀이라면 평가하기 전에 배제할 수 있는 구성도 시험할 수 있다.

창업자들은 이미 더 좁은 범위의 양산 사례에서 작업한 경험이 있다. Google Brain에서 이들은 매크로 배치를 위한 강화학습 시스템인 AlphaChip 개발을 도왔다. 매크로 배치는 세부 배선이 연결되기 전에 대형 회로 블록이 놓일 위치를 결정한다.

Google은 AlphaChip이 여러 세대의 Tensor Processing Units 레이아웃에 기여했다고 말한다. Google의 AlphaChip 개요에 따르면, 이 시스템은 그래프 신경망을 사용해 연결된 칩 구성요소 간 관계를 이해한다.

이러한 이력은 개념만 제시하는 스타트업보다 Ricursive에 더 큰 신뢰성을 부여한다. 그러나 회사가 완전한 상업용 설계 흐름을 자동화할 수 있음을 증명하지는 않는다. 플로어플래닝은 어렵지만, 엔드투엔드 칩 제공에는 더 많은 단계와 사인오프 요건이 포함된다.

Ricursive의 공개 로드맵은 이 격차를 인정한다. 회사는 전체 흐름을 아우르는 시스템을 시도하기 전에 일부 물리 설계 및 검증 작업부터 시작하고 있다. 따라서 단기 제품은 하드웨어와 AI를 재귀적으로 개선한다는 비전보다 범위가 더 제한적이다.

이 스타트업은 궁극적인 시스템이 워크로드를 받아 제조에 전달되는 최종 레이아웃 형식인 GDSII 파일을 생성할 것이라고 말한다. 이 출력물에는 칩 제조에 필요한 물리적 기하 정보가 인코딩되어야 한다.

그 단계에 도달하면 Ricursive는 최적화 제공업체에서 외주 설계 운영에 가까운 존재로 바뀌게 된다. 고객은 완전한 내부 반도체 팀을 구축하지 않고도 워크로드와 성능 목표를 지정할 수 있다.

이는 회사가 제안하는 “fabless”에서 “designless”로의 전환이다. Fabless 기업은 칩을 설계하지만 제조는 외부에 맡긴다. Ricursive의 모델에서는 고객이 제품 요구사항에 대한 통제권을 유지하면서 설계 작업의 상당 부분도 외주화한다.

이 설명은 검증된 제품 현황이 아니라 아직 도달해야 할 목표다. Ricursive는 생산 고객을 공개적으로 밝히지 않았으며, 플랫폼이 생성한 독립 평가 기반의 엔드투엔드 칩도 공개하지 않았다. 이 누락된 증거가 앞으로의 핵심 시험대를 규정한다.

컴퓨팅 위기는 설계 속도를 전략적 제약으로 만든다

Ricursive는 오늘날의 데이터센터를 늘리고 현재의 칩 아키텍처를 반복하는 방식만으로는 AI의 컴퓨팅 문제를 지속 가능하게 해결할 수 없다고 보고 있다.

Goldie는 반도체 설계만이 아니라 수요 측면에서 문제를 설명했다. 더 많은 AI 애플리케이션에는 더 큰 훈련 및 추론 역량이 필요하다. 더 대규모인 배포는 전력, 네트워크 대역폭, 메모리, 칩, 냉각 장비, 제조 역량도 추가로 소비한다.

더 많은 인프라를 구축하는 일은 여전히 업계 해법의 일부다. 클라우드 제공업체는 데이터센터를 확장하고, 칩 제조업체는 가속기 생산량을 늘리며, 파운드리는 첨단 생산에 투자하고 있다. Ricursive는 이러한 노력에 효율성의 병행 개선이 필요하다고 주장한다.

이 주장은 일정의 불일치에서 출발한다. AI 소프트웨어는 몇 주 만에 바뀔 수 있지만, 복잡한 맞춤형 칩은 설계와 검증에 수개월이 걸릴 수 있다. 하나의 워크로드를 위해 만든 하드웨어는 기반 모델 아키텍처가 바뀐 뒤에야 도착할 수 있다.

Goldie는 칩 설계에 6개월, 1년 또는 2년이 걸린다면 기업은 매우 신중하게 선택해야 한다고 말했다. 더 짧은 주기는 더 폭넓은 워크로드에서 특화 실리콘을 현실적인 선택지로 만들 수 있다.

맞춤형 실리콘은 특정 애플리케이션에 필요하지 않은 기능을 제거할 수 있다. 또한 더 좁은 운영 프로파일에 맞춰 연산, 메모리, 통신 자원을 배치할 수 있다. 이러한 변화는 범용 하드웨어와 비교해 처리량이나 에너지 효율성을 개선할 수 있다.

상업적 제약은 특화 설계에 대체로 상당한 엔지니어링 자원과 프로젝트를 정당화할 수 있는 충분한 배포 규모가 필요하다는 점이다. 작은 워크로드용으로 설계한 칩에도 검증, 제조, 패키징, 소프트웨어 비용은 그대로 발생한다.

Ricursive의 제안은 자동화가 이 계산을 바꾼다는 것이다. 설계가 더 빨라지고 노동집약도가 낮아지면, 조직은 더 좁은 애플리케이션용 칩을 고려할 수 있다. 창업자들은 우주 시스템, 증강현실, 가상현실, 생물학적 컴퓨팅을 가능한 분야로 언급했다.

회사는 DNA 시퀀싱을 포함한 과학 및 헬스케어 워크로드도 다른 자리에서 논의했다. 이러한 애플리케이션은 표준 가속기가 효율적으로 처리하지 못하는 특이한 데이터 경로나 지연시간 요구사항을 가질 수 있다.

그렇다고 모든 애플리케이션에 맞춤형 칩이 필요하다는 뜻은 아니다. 특히 워크로드가 변화하는 동안에는 최고 수준의 효율성보다 소프트웨어 유연성이 더 중요할 때가 많다. 범용 GPU는 성숙한 프로그래밍 도구, 폭넓은 가용성, 대규모 개발자 커뮤니티의 이점도 누린다.

따라서 Ricursive는 특화 설계의 위험을 상쇄할 만큼 맞춤형 설계를 빠르게 만들어야 한다. 또한 각 칩을 둘러싼 소프트웨어 스택도 지원해야 한다. 고객이 컴파일러와 애플리케이션 작업에 수개월을 써야 한다면 빠른 물리 레이아웃의 가치는 제한적이다.

회사의 재귀적 아이디어는 또 다른 병목을 해결하려 한다. AI 모델은 일반적으로 이미 존재하는 하드웨어를 중심으로 설계된다. 반면 칩 아키텍트는 하드웨어가 출시될 시점에 어떤 모델 구조가 중요할지 예측해야 한다.

Goldie는 이 관계를 교착 상태라고 불렀다. 연구자들은 현재 장비에 맞춰 모델을 최적화하고, 하드웨어 팀은 직접 관찰할 수 없는 미래 소프트웨어를 계획한다. 더 빠른 설계는 두 집단 간 피드백을 강화할 수 있다.

Ricursive는 궁극적으로 모델, 워크로드, 하드웨어를 공동 설계하려 한다. AI 시스템은 함께 잘 작동하는 모델 아키텍처와 실리콘 아키텍처를 탐색하게 된다. 그러면 새 칩은 그 후속 칩을 설계하는 데 쓰이는 시스템을 가속할 수 있다.

이는 회사명과 자기 개선 시스템 포지셔닝의 기반이 되는 재귀적 루프다. 더 나은 설계 소프트웨어는 더 나은 하드웨어를 생산한다. 더 나은 하드웨어는 다음 설계 시스템을 훈련하기 위한 더 효율적인 컴퓨팅을 제공한다.

이 루프가 설득력 있게 들리는 이유는 하드웨어를 고정된 제약조건에서 학습 과정의 일부로 바꾸기 때문이다. 그러나 이 루프를 한 번 거칠 때마다 물리적 생산 단계는 여전히 마주해야 한다. 제조 일정, 패키징, 테스트, 장비 역량은 소프트웨어 속도로 움직이지 않는다.

AI 칩 설계는 엔지니어링 작업에 의해 좌우되는 주기의 일부만 단축할 수 있다. 웨이퍼 공정, 제조 인증, 공급망 제약을 없앨 수는 없다. 이 경계 때문에 Ricursive의 제안은 컴퓨팅 위기를 완화하는 데 초점이 맞춰져 있으며, 그 모든 부분을 해결하는 것은 아니다.

즉각적인 압박은 크고 안정적인 AI 서비스를 구축하는 조직에 가해진다. 이들 구매자는 이미 가속기와 에너지에 막대한 비용을 지출한다. 맞춤형 실리콘을 평가하는 데 필요한 동기와 워크로드 규모를 모두 갖추고 있다.

기존 칩 제조업체도 압박을 받지만, 단순한 경쟁자라기보다 잠재 고객으로 남아 있다. Ricursive는 Nvidia, AMD, Intel 및 다른 반도체 기업이 자사 플랫폼을 사용할 수 있다고 말한다. Nvidia는 이 스타트업의 투자자이기도 하다.

이 관계는 이 시장이 단순한 스타트업 대 기존 기업 구도로 설명되지 않는 이유를 보여 준다. Ricursive는 현재 경쟁 범용 가속기를 판매하는 것이 아니다. 더 빠르게 칩을 만들기 위한 방법을 제안하고 있다.

모델이 작동한다면 칩 기업은 이를 설계 역량 확대에 사용할 수 있다. 클라우드 제공업체는 워크로드 특화 하드웨어를 구축하는 데 활용할 수 있다. 반도체 업계 밖의 기업도 이전에는 비현실적인 내부 팀이 필요했던 실리콘을 고려할 수 있다.

진짜 경쟁은 엔드투엔드 자동화와 AI 보조 EDA의 대결이다

Ricursive의 핵심 과제는 AI가 칩 설계에 적합한지 여부가 아니라, 기존 설계 도구가 자동화하는 것보다 더 많은 워크플로를 대체할 수 있는지 여부다.

전자설계자동화(EDA)는 엔지니어가 칩을 만들고 검증하는 데 사용하는 소프트웨어를 포괄한다. Cadence와 Synopsys는 전문화된 단계, 제조 규칙, 사인오프 프로세스를 중심으로 수십 년간 도구를 구축해 왔다.

두 회사는 이미 머신러닝과 생성형 AI를 활용하고 있다. Synopsys는 설계 최적화, 분석, 검증, 엔지니어링 지원을 아우르는 AI 기반 EDA 제품군을 판매한다.

Cadence는 자사의 Cerebrus 플랫폼이 멀티 블록 시스템온칩 구현에 AI를 적용한다고 설명한다. 이 회사는 이전 Cerebrus 제품이 1,000건이 넘는 양산 설계에 참여했다고 밝혔다.

Nvidia 역시 엔지니어링 질의응답, EDA 스크립트 생성, 버그 요약을 위해 평가된 도메인 맞춤형 언어 모델 ChipNeMo를 개발했다. 이러한 시도는 AI 보조 칩 개발이 이미 업계의 흐름임을 보여준다.

기존 제품 대부분은 현재의 워크플로를 유지한다. 엔지니어가 도구를 구성하고, 설계를 탐색하며, 스크립트를 생성하고, 문제를 식별하거나 특정 단계를 최적화하도록 돕는다. 프로세스와 특수 소프트웨어의 통제권은 인간 팀에 남아 있다.

Ricursive는 다른 최종 목표를 추구한다고 말한다. Goldie와 Mirhoseini는 EE Times에 자사는 EDA 공급업체가 아니며 표준 툴체인에 의존할 계획도 없다고 밝혔다. 이들의 3단계 로드맵은 일부 설계 작업에서 시작해 워크로드를 GDSII로 변환하는 단계로 나아간다.

1단계는 긴 지연을 유발하는 물리 설계 및 검증 작업에 집중한다. Ricursive는 칩 기업들과 협력해 실제 프로젝트의 일부를 개선할 계획이다.

2단계에서는 이러한 단계를 엔드투엔드 모델로 결합한다. 제안된 시스템은 고객 워크로드를 제조 준비가 된 설계로 변환하게 된다. 이 단계에서 “designless”는 구호가 아닌 실질적인 서비스가 된다.

3단계는 목표를 다시 확장한다. Ricursive는 자체 모델과 칩을 함께 진화시켜 학습, 강화학습, 이후의 설계 탐색을 가속하는 하드웨어를 만들고자 한다.

따라서 경쟁의 핵심은 아키텍처다. 기존 EDA 공급업체들은 신뢰받는 흐름에 점점 더 자율적인 기능을 추가하고 있다. Ricursive는 학습된 시스템이 흐름의 더 많은 부분을 흡수하고, 기존 도구가 별개로 다루는 경계 전반을 최적화하기를 바란다.

기존 접근 방식에는 상당한 장점이 있다. 칩 기업들은 해당 도구를 이해하고, 파운드리는 그 프로세스를 인증하며, 숙련 엔지니어들은 실패를 조사하는 방법을 안다. 고객은 설계가 제조 공정마다 달라지는 규칙을 충족한다는 확신도 필요하다.

Ricursive의 잠재적 장점은 전역 최적화에 있다. 아키텍처, 로직, 검증, 물리 구현 전반을 추론하는 시스템은 국소적으로 최적화된 단계가 놓치는 절충안을 추구할 수 있다.

예를 들어 기존 워크플로에서는 후속 단계에서 비용이 드러나기 전에 하나의 설계 결정을 확정할 수 있다. 엔드투엔드 모델은 그 이전 선택을 다시 검토할 수 있다. 원칙적으로는 모델 아키텍처와 칩 아키텍처를 함께 탐색할 수도 있다.

문제는 탐색 공간이 빠르게 커진다는 점이다. 새 단계가 추가될 때마다 제약, 상호작용, 실패 모드도 늘어난다. 매력적인 플로어플랜을 생성한 시스템이라도 타이밍, 전력, 테스트 커버리지 또는 제조 검사를 통과하지 못할 수 있다.

학습 데이터도 또 다른 차이를 만든다. 공개 칩 데이터는 언어 모델에 활용 가능한 정보에 비해 부족하다. 상용 설계는 기밀이고 공정별 특성이 있으며, 흔히 고객 계약의 적용을 받는다.

Ricursive는 공개 웹 데이터, 오픈소스 칩 데이터, 합성 사례를 활용한다고 말한다. 공개 데이터가 상용 수준의 복잡성을 대변하지 못하기 때문에 실제 설계를 두고 칩 기업들과 협력하고 있다고도 밝혔다.

고객 접근성은 모델 개선에 도움이 될 수 있지만, 격리와 지식재산권 문제를 낳는다. 칩 제조업체들은 기밀 설계 경험이 다른 고객을 위한 작업으로 유출되지 않는다는 명확한 보장을 원할 것이다.

학습 시스템에는 신뢰할 수 있는 보상도 필요하다. 초기 배치 품질은 대리 지표로 추정할 수 있지만, 최종 성능은 후속 배선과 분석 이후에 드러난다. 오해를 부르는 보상은 완성된 칩을 개선하지 못한 채 점수만 최적화하도록 모델을 학습시킬 수 있다.

따라서 Ricursive의 접근 방식은 학습과 검증된 하류 결과를 연결해야 한다. 그저 그럴듯한 레이아웃을 생성하는 것만으로는 부족하다. 완전한 설계, 사인오프 도구, 궁극적으로는 제작된 실리콘에서 나오는 피드백이 필요하다.

기존 기업들의 대응도 멈추지 않을 것이다. Cadence와 Synopsys는 기존 검증 인프라를 유지하면서 더 많은 단계를 조율하는 에이전트를 추가할 수 있다. 이들은 고객 관계와 양산 워크플로에 대한 접근성도 보유하고 있다.

Ricursive가 즉시 이들 기업을 대체할 필요는 없다. 초기 도입은 증거를 축적하는 동안 고객 도구를 보완할 수 있다. 다만 기존 플랫폼이 인증된 흐름 안에서 비슷한 수준의 자율성을 달성한다면, Ricursive가 주장하는 차별성은 약해진다.

결정적인 비교는 실제 결과를 통해 이뤄질 것이다. 고객은 설계 기간, 엔지니어 투입 시간, 전력, 성능, 면적, 검증 품질, 실리콘 동작을 측정할 것이다. 매력적인 시연만으로는 이러한 의문에 답할 수 없다.

양산 실리콘은 재귀 루프가 건너뛸 수 없는 시험대다

고객이 완성된 실리콘을 기존 엔지니어링 워크플로로 생산된 설계와 비교할 수 있기 전까지 Ricursive의 비전은 검증되지 않은 상태로 남는다.

이 스타트업은 그 시험을 위한 상당한 자원을 확보하고 있다. Sequoia, Lightspeed, DST, NVentures 등을 포함한 투자자로부터 3억3,500만 달러를 조달했다고 밝혔다. 이전 보도에 따르면 설립 4개월 만에 기업가치는 40억 달러에 이르렀다.

투자자 지원으로 Ricursive는 설계 모델 학습에 필요한 컴퓨팅 자원과 엔지니어링 인재를 확보할 수 있다. 동시에 기대치도 높아진다. 이 회사는 존경받는 창업팀과 영향력 있는 선행 프로젝트를 넘어, 반복 가능한 상업적 성과를 보여줘야 한다.

AlphaChip은 근거와 경고를 모두 제공한다. Google은 이 시스템이 여러 TPU 세대에 활용된 레이아웃을 만들었다고 말한다. MediaTek 역시 이 기술의 외부 도입 사례로 언급됐다.

동시에 연구자들은 최초 AlphaChip 평가와 재현성의 일부 측면에 이의를 제기했다. 비판자들은 벤치마크, 기준선, 지표, 독점 데이터 접근성을 문제 삼았다. Google과 AlphaChip 저자들은 연구를 옹호하며 추가 세부 사항을 공개했다.

이 논쟁이 보고된 양산 사용 사례를 없애는 것은 아니다. 다만 “초인적” 설계에 관한 광범위한 주장은 신중한 비교를 필요로 한다는 점을 보여준다. 결과는 벤치마크, 목표, 가용 컴퓨팅 자원, AI 생성 결과물 뒤에 얼마나 많은 기존 최적화가 이어지는지에 따라 달라질 수 있다.

Ricursive의 더 새로운 주장은 범위가 더 넓기 때문에 한층 강력한 근거를 요구한다. 엔드투엔드 시스템은 아키텍처, 구현, 검증, 제조 준비 전반에서 성공해야 한다.

이 회사는 초기 고객을 공개적으로 밝히지 않았다. 완전한 고객 칩에서 나온 상세 성능 데이터도 공개하지 않았다. 창업자들은 전체 칩 패턴에 관해 더 많은 내용을 공개할 계획이라고 말했지만, 그러한 공개는 아직 이뤄지지 않았다.

신뢰할 수 있는 검증은 모델이 무엇을 만들었고 엔지니어가 무엇을 변경했는지 밝혀야 한다. 또한 어떤 도구가 최종 검사를 수행했는지, 그리고 설계가 제조로 넘어가는 시점인 테이프아웃에 도달했는지도 설명해야 한다.

제작된 실리콘은 가장 명확한 증거를 제공한다. 칩은 소프트웨어 검사를 통과하고도 테스트 과정에서 예기치 않은 동작을 드러낼 수 있다. 실제 하드웨어 측정은 예측된 개선이 제조 편차와 실제 워크로드에서도 유지되는지 보여준다.

공정한 비교에는 강력한 기준선도 필요하다. 대안은 낡은 수작업 프로세스가 아니라 최신 EDA 제품을 사용하는 숙련된 팀이어야 한다. 그렇지 않으면 보고된 개선은 고객이 실제로 선택할 수 있는 대안을 반영하지 못한다.

설계 기간 역시 비슷한 주의가 필요하다. 모델이 한 단계를 빠르게 생성하더라도 데이터 준비, 통합, 검증에 수개월이 걸릴 수 있다. 수 주 만에 설계한다는 주장은 완전한 고객 프로세스를 포함해야 한다.

칩 전반의 학습에도 같은 주의가 적용된다. 프로젝트들이 유용한 패턴을 공유하면 전이가 모델을 개선할 수 있다. 그러나 설계가 서로 다른 공정, 아키텍처, 제약 또는 지식재산권을 사용할 경우 어려움을 겪을 수도 있다.

디지털 AI 가속기에서 나온 결과가 아날로그 회로, 무선 주파수 부품, 메모리 또는 안전 필수 시스템으로 자동 전이되지는 않는다. 각 분야에는 특수한 물리 특성과 검증 요구사항이 있다.

Ricursive는 즉시 모든 칩 범주를 포괄하지 않더라도 가치 있는 사업을 구축할 수 있다. 디지털 가속기와 반복 가능한 물리 설계 작업부터 시작하면 양산으로 가는 더 좁은 경로를 확보할 수 있다.

이러한 진전은 더 나은 학습 신호도 만들어낼 것이다. 완성된 각 프로젝트는 모델 예측이 사인오프 결과와 어디에서 어긋나는지 보여줄 수 있다. 그러면 엔지니어들은 워크플로를 확장하기 전에 목표와 데이터를 다듬을 수 있다.

이 단계에서는 인간의 감독이 여전히 중요하다. 엔지니어는 절충안을 해석하고, 예상치 못한 구조를 점검하며, 모델이 의도한 요구사항을 최적화했는지 판단해야 한다.

Goldie는 AI가 실행을 처리하는 동안 자동화가 사람들이 아이디어와 응용에 집중하게 할 것이라고 주장한다. 반복 작업에는 그 구분이 타당할 수 있지만, 칩 구현에는 제품 및 안전상 결과를 수반하는 결정이 포함된다.

고객은 설계가 어떻게, 왜 변경됐는지 설명하는 감사 추적을 필요로 한다. 또한 시스템을 제약하고, 결과를 재현하며, 하류 문제를 만드는 결정을 되돌릴 방법도 필요하다.

보안은 또 다른 요구사항을 더한다. 독점 칩 설계를 다루는 플랫폼은 가치 높은 표적이 된다. 모델, 학습 데이터, 고객 입력, 생성된 레이아웃 모두 강력한 분리와 접근 제어가 필요하다.

이러한 우려는 자동화 설계에 반대하는 논거가 아니다. 이는 상업적 도입을 위한 조건이다. 반도체 고객은 용납할 수 없는 검증 또는 지식재산권 위험을 새로 만들지 않으면서 결과를 개선하는 새 도구를 받아들인다.

따라서 Ricursive Intelligence AI 칩 설계 논지의 가장 강력한 버전은 추측이 아니라 실용성에 있다. 이 시스템은 통제 불가능한 재귀적 개선을 입증할 필요가 없다. 고객이 더 나은 실리콘을 더 빨리 출시하도록 도우면 된다.

독립적으로 평가된 양산 칩 한 개는 여러 개의 개념적 시연보다 더 큰 무게를 갖는다. 고객 전반에서 반복된 결과는 학습 루프가 단일 프로젝트를 넘어 누적되는지 보여줄 것이다.

Ricursive가 칩 개발을 바꿀 수 있는지 보여줄 세 가지 신호

고객 실리콘, 엔드투엔드 근거, 기존 기업의 대응은 Ricursive가 새로운 설계 모델을 구축하고 있는지, 아니면 야심 찬 최적화 계층에 그치는지를 보여줄 것이다.

첫 번째 신호는 테이프아웃 또는 제작된 실리콘에 도달하는 실명 고객 프로젝트다. 유용한 공개는 Ricursive의 역할, 공정 노드, 자동화된 설계 단계, 남아 있는 인간의 작업을 구체적으로 명시할 것이다.

해당 프로젝트가 시간, 성능, 전력 또는 면적에서 검증된 개선을 보고한다면 회사의 핵심 주장은 더 강해진다. 고립된 블록에 한정된 시연은 1단계를 뒷받침할 수는 있어도 designless 비전을 입증하지는 못한다.

두 번째 신호는 시스템이 물리 설계와 검증을 연결한다는 근거다. Ricursive는 배치만 가속해서는 전체 일정을 단축할 수 없다는 점을 정확히 짚었다. 검증도 함께 진전돼야 한다.

문서화된 기준선과 완전한 타이밍 정보를 갖춘 워크로드-투-GDSII 시연을 주목해야 한다. 핵심 수치는 모델이 답을 생성하는 속도가 아니다. 설계가 제조 가능한 상태에 도달하는 데 걸리는 시간이다.

신뢰할 수 있는 결과는 실패와 인간 개입도 설명해야 한다. 이러한 세부 사항은 시스템이 일상적인 반복 작업을 처리하는지, 아니면 이전까지 분리돼 있던 단계를 실제로 조율하는지를 보여준다.

세 번째 신호는 기존 EDA 제공업체와 칩 제조사의 대응이다. Cadence와 Synopsys는 이미 AI 기반 최적화, 어시스턴트, 그리고 점차 에이전트형 워크플로를 제공하고 있다. 이들 제품은 더 폭넓은 자동화로 발전할 수 있다.

파트너십은 Ricursive의 모델이 인증된 도구를 보완한다는 신호가 될 것이다. 경쟁 제품 출시는 기존 업체들이 엔드투엔드 학습을 위협으로 본다는 뜻일 수 있다. 주요 칩 제조사의 고객 약정은 이보다 더 강력한 도입 신호가 될 것이다.

Nvidia의 투자는 이 구도를 특히 흥미롭게 만든다. Ricursive가 반도체 설계 역량을 확장한다면, 이 회사는 자체 AI 도구와 칩을 개발하는 동시에 그 혜택을 얻을 수 있다. 다른 제조사들도 같은 결론에 이를 수 있다.

개발자와 기업 구매자에게 미치는 의미는 칩 산업을 넘어선다. 맞춤형 실리콘의 개발 속도가 빨라지면 어떤 AI 워크로드가 경제성을 갖게 되는지, 어떤 모델이 로컬에서 실행되는지, 특화 제품이 사용자에게 얼마나 신속히 도달하는지가 달라질 수 있다.

설계 장벽이 낮아지면 하드웨어의 다양성도 커질 수 있다. 이는 새로운 최적화 기회를 만들겠지만, 소프트웨어 지원을 파편화할 수도 있다. 개발자는 새 칩이 실용적인 컴파일러, 라이브러리, 배포 도구와 함께 출시되는지 지켜봐야 한다.

지식 노동자는 그 영향을 간접적으로 경험하게 될 것이다. 효율적인 실리콘은 인프라 부담을 줄이고, 에너지 또는 지연 시간 제약이 더 엄격한 기기에서도 AI 기능을 구현할 수 있게 한다. 이러한 이점은 설계 시연이 아니라 실제 프로덕션 배포에 달려 있다.

Ricursive Intelligence는 AI 스택에서 까다로운 지점을 선택했다. 소프트웨어의 발전은 에너지, 제조, 하드웨어 개발 시간의 한계에 부딪히고 있다. 칩 설계 자동화는 이러한 한계 가운데 하나를 근원에서 해결하려는 접근이다.

이 회사의 창업자들은 신뢰할 만한 경험, 상당한 자금 조달, 그리고 구체적인 3단계 계획을 갖추고 있다. 하지만 AlphaChip이 해결한 문제보다 더 큰 도전에도 맞서고 있다. 전체 칩 자동화는 엄격한 물리적 제약을 충족하면서 여러 분야를 조율해야 한다.

다음 질문은 AI가 칩 설계에 기여할 수 있는지 여부가 아니다. AI는 이미 기여하고 있다. 핵심은 Ricursive가 전체 주기를 압축할 만큼 워크플로의 충분한 범위에 걸쳐 학습을 적용할 수 있는지다.

최초로 공개되는 생산 프로젝트, 최초의 엔드투엔드 검증 결과, 그리고 기존 업체의 최초의 의미 있는 대응을 주시해야 한다. 이 신호들이 함께 Ricursive 루프가 실리콘이라는 현실과 맞닿아도 살아남는지를 보여줄 것이다.