Ricursive Intelligence AI 芯片设计瞄准算力危机，但量产验证仍在后面

Ricursive Intelligence 表示，其 AI 芯片设计系统能够在不同项目间学习，挑战一个至今仍需耗时六个月至两年的流程。这家初创公司希望每个完成的设计都能改进用于生成下一个设计的系统。其更大的押注是，更智能的设计，而不只是建设更多数据中心，能够缓解 AI 日益增长的算力需求。

创始人 Anna Goldie 和 Azalia Mirhoseini 于 2026 年 10 月 14 日在 TechCrunch Disrupt 上提出了这一观点。Goldie 表示，行业对算力的需求可能会在五年内至少增长 10,000 倍。这一预测是创始人的主张，并非经独立验证的需求预测。尽管如此，它仍解释了 Ricursive 为何聚焦于提升芯片、带宽、晶圆和制造产能各环节的效率。

这不只是又一次为现有工程软件添加助手的尝试。Ricursive 希望自动化设计流程中更大范围的工作，并最终将 AI 模型直接与为其优化的硬件连接起来。这一雄心超越了其创始人此前在 Google 开发的 AlphaChip，也直面一个已经在引入 AI 的成熟电子设计自动化行业。

Ricursive Intelligence AI 芯片设计超越单个布局优化

关键变化在于，Ricursive 试图将成功的芯片设计转化为训练经验，用于打造能力不断增强的设计系统。

在 Disrupt 的演讲中，两位创始人介绍了一套能够设计芯片、评估结果，并将所学应用于后续设计的软件。他们在 10 月的舞台发言中，将这一反馈循环置于公司战略的核心。

其底层方法借鉴强化学习，即系统根据与结果相关联的奖励来改进决策。在芯片设计中，这些结果可包括性能、能耗、面积、拥塞情况，以及设计是否满足制造约束。

设计智能体可以放置组件，获得质量评分，调整模型，然后再次尝试。Ricursive 表示，该过程还应能在项目之间迁移知识。如果这一点得以实现，系统便不必将每一款新芯片都视为彼此孤立的优化任务。

这一差异很重要，因为现代芯片并非单一难题。工程师必须协调架构、逻辑、验证、物理布局、布线、时序、功耗、热特性和制造规则。一个维度的改进可能会在其他环节引发失败。

传统团队通过将芯片划分为多个模块来管理这种复杂性。专家会先优化这些模块，再将其集成到更大的系统中。这一流程限制了任何个人或工具在同一时间必须考虑的交互数量。

Ricursive 正在探索覆盖整颗芯片的更广泛优化。Goldie 和 Mirhoseini 表示，他们的系统可以发现偏离常见矩形模式的布局。他们列举了工程师未必会自然选择的圆形和波浪形排列。

不寻常的几何形状本身并没有价值。设计只有在通过验证、达到预期性能并能够可靠制造时才有意义。不过，陌生布局说明了自动化探索为何受到关注。软件能够测试人类团队可能在评估前就会排除的配置。

两位创始人此前已参与过一个范围更窄的量产案例。在 Google Brain，他们协助创建了 AlphaChip，这是一套用于宏单元布局的强化学习系统。宏单元布局决定大型电路模块在详细布线将其连接起来之前的位置。

Google 表示，AlphaChip 曾为其多代 Tensor Processing Units 的布局作出贡献。其 AlphaChip 概述称，该系统使用图神经网络来理解相互连接的芯片组件之间的关系。

这段经历让 Ricursive 比只提出概念的初创公司更具可信度。但它并不能证明该公司能够自动化完整的商业设计流程。平面规划很困难，但端到端芯片交付还包括许多额外阶段和签核要求。

Ricursive 的公开路线图承认了这一差距。该公司正从选定的物理设计和验证任务入手，之后才会尝试覆盖整个流程的系统。因此，其近期产品比递归改进硬件和 AI 的愿景更为有限。

这家初创公司表示，其最终系统将能够接收一个工作负载并生成 GDSII 文件，即交付制造的最终版图格式。该输出必须编码制造芯片所需的物理几何信息。

达到这一阶段，将使 Ricursive 从优化服务提供商转变为更接近外包设计运营方的角色。客户无需组建完整的内部半导体团队，只需指定工作负载和性能目标。

这正是该公司提出的从“fabless”到“designless”的转变。无晶圆厂公司负责设计芯片，但将制造外包。在 Ricursive 的模式中，客户也将外包大部分设计工作，同时保留对产品需求的控制权。

这一描述仍是目标，而非经过验证的产品状态。Ricursive 尚未公开确定量产客户，也未披露由其平台生成并经独立评估的端到端芯片。这一缺失的证据构成了其未来面临的核心考验。

算力危机让设计速度成为战略约束

Ricursive 押注，AI 的算力问题无法仅靠成倍扩建当今的数据中心、重复沿用当今的芯片架构来实现可持续解决。

Goldie 从需求而非单纯的半导体设计角度阐述了这一问题。更多 AI 应用需要更多训练和推理能力。更大规模的部署还会消耗额外的电力、网络带宽、内存、芯片、冷却设备和制造产能。

建设更多基础设施仍是行业答案的一部分。云服务提供商正在扩建数据中心，芯片制造商正提高加速器产量，晶圆代工厂也在投资先进生产能力。Ricursive 认为，这些努力还需要并行推进效率提升。

这一论点始于时间上的不匹配。AI 软件可以在数周内变化，而复杂定制芯片的设计和验证可能需要数月。为某一工作负载打造的硬件，可能在底层模型架构已发生变化后才交付。

Goldie 表示，当一颗芯片需要六个月、一年或两年才能设计完成时，公司必须高度审慎地进行选择。更短的周期可以让面向更广泛工作负载的专用硅芯片变得切实可行。

定制硅芯片能够移除特定应用不需要的功能。它还可以围绕更窄的运行特征来安排计算、内存和通信资源。与通用硬件相比，这些改变可以提高吞吐量或能效。

商业上的约束在于，专用化通常需要大量工程资源，以及足够的部署规模来证明项目合理性。即使是为小型工作负载设计的芯片，仍要承担验证、制造、封装和软件成本。

Ricursive 的主张是，自动化会改变这一计算。如果设计变得更快、劳动密集度更低，组织就可以考虑为更狭窄的应用打造芯片。两位创始人提到，太空系统、增强现实、虚拟现实和生物计算可能成为应用领域。

该公司还曾讨论科学和医疗健康工作负载，包括 DNA 测序。这类应用可能具有标准加速器无法高效应对的特殊数据路径或延迟要求。

这并不意味着每个应用都需要定制芯片。软件灵活性往往比峰值效率更重要，特别是在工作负载仍不断变化时。通用 GPU 也受益于成熟的编程工具、广泛的可获得性和庞大的开发者社区。

因此，Ricursive 必须让定制设计足够快，以抵消专用化带来的风险。它还需要支持围绕每颗芯片构建的软件栈。如果客户还要面对数月的编译器和应用开发工作，快速的物理布局价值有限。

该公司的递归理念试图解决另一项瓶颈。AI 模型通常围绕已存在的硬件设计。与此同时，芯片架构师必须预测在硬件交付时，哪些模型结构将变得重要。

Goldie 曾将这种关系称为僵局。研究人员针对当前机器优化模型，而硬件团队则必须为无法直接观察的未来软件制定计划。更快的设计将加强两类团队之间的反馈。

Ricursive 最终希望共同设计模型、工作负载和硬件。AI 系统将搜索能够良好协同的模型架构和硅芯片架构。新芯片随后可以加速用于设计其后继产品的系统。

这正是公司名称背后的递归循环，也是其 自我改进系统定位的核心。更好的设计软件能够产出更好的硬件。更好的硬件则为训练下一代设计系统提供更高效的算力。

这一循环听起来很有吸引力，因为它将硬件从固定约束转变为学习过程的一部分。然而，这一循环中的每一次迭代仍会遭遇实体生产的限制。制造排期、封装、测试和设备产能并不会以软件的速度推进。

AI 芯片设计只能缩短受工程工作支配的周期部分。它无法消除晶圆加工、制造认证或供应链限制。这一边界使 Ricursive 的主张聚焦于缓解算力危机，而非解决其中的每一个环节。

眼下的压力主要落在建设大型、稳定 AI 服务的组织身上。这些买家已经在加速器和能源上投入巨资。他们同时具备评估定制硅芯片所需的动力和工作负载规模。

成熟芯片制造商同样面临压力，尽管它们仍可能是客户，而非单纯的竞争对手。Ricursive 表示，Nvidia、AMD、Intel 和其他半导体公司都可以使用其平台。Nvidia 也是这家初创公司的投资者。

这种关系表明，这一市场并不符合简单的初创公司对抗既有企业的叙事。Ricursive 目前并未销售与之竞争的通用加速器。它销售的是一种拟议中的更快芯片创建方式。

如果这一模式奏效，芯片公司可以利用它提升设计能力。云服务提供商可以利用它构建针对特定工作负载的硬件。半导体行业之外的公司则可以考虑过去需要组建不切实际的内部团队才能实现的硅芯片。

真正的较量是端到端自动化与 AI 辅助 EDA

Ricursive 面临的决定性挑战不在于 AI 是否应进入芯片设计，而在于它能否替代比成熟设计工具所自动化部分更多的工作流程。

电子设计自动化，即 EDA，涵盖工程师用于创建和验证芯片的软件。Cadence 和 Synopsys 花费数十年构建了围绕专业阶段、制造规则和签核流程的工具。

两家公司都已在使用机器学习和生成式 AI。Synopsys 推出了一套 AI 驱动的 EDA 套件，覆盖设计优化、分析、验证和工程辅助。

Cadence 表示，其 Cerebrus 平台将 AI 应用于多模块片上系统的实现。该公司称，早期的一款 Cerebrus 产品已参与超过 1,000 个量产设计。

Nvidia 也开发了 ChipNeMo，这是一种面向特定领域适配的语言模型，已用于评估工程问答、EDA 脚本生成和缺陷摘要等任务。这些探索表明，AI 辅助芯片开发已成为行业发展方向。

多数现有产品仍保留既有工作流程。它们帮助工程师配置工具、探索设计方案、生成脚本、识别问题，或优化特定阶段。人工团队依然掌控流程及其专业软件。

Ricursive 表示，它追求的是不同的终局。Goldie 和 Mirhoseini 向 EE Times 表示，他们的公司并非 EDA 供应商，也不计划依赖标准工具链。其三阶段路线图将从部分设计任务逐步推进至从工作负载直接生成 GDSII。

第一阶段聚焦于造成长时间延误的物理设计和验证工作。Ricursive 计划与芯片公司合作，改进真实项目中的部分环节。

第二阶段将这些环节整合为端到端模型。拟议中的系统会把客户工作负载转换为可进入制造环节的设计。届时，“无设计”将从一句口号变为可落地的服务。

第三阶段进一步扩大目标。Ricursive 希望让自身模型与芯片协同进化，打造能够加速训练、强化学习以及后续设计探索的硬件。

因此，竞争本质上是架构层面的。现有 EDA 供应商正在向成熟流程中加入日益自主的能力；Ricursive 则希望让学习系统吸收更多流程，并跨越现有工具彼此割裂的边界进行优化。

成熟方案拥有显著优势。芯片公司熟悉其工具，晶圆厂认证其流程，资深工程师也知道如何排查故障。客户还需要确信，设计能够满足随制造工艺而变化的规则。

Ricursive 的潜在优势在于全局优化。一个能够跨架构、逻辑、验证和物理实现进行推理的系统，可以寻找那些被局部优化阶段忽略的权衡。

例如，传统流程可能会在后续阶段暴露成本之前，就冻结某项设计决策。端到端模型则可以回头重新审视这一早期选择。理论上，它能够同时探索模型架构与芯片架构。

困难在于，搜索空间会迅速扩张。每增加一个阶段，都会带来新的约束、交互关系和失效模式。一个生成出漂亮布局规划的系统，仍可能在时序、功耗、测试覆盖率或制造检查方面失败。

训练数据带来了另一项差异。与语言模型可获得的信息相比，公开芯片数据十分稀缺。商业设计具有保密性、工艺特异性，并且往往受客户协议约束。

Ricursive 表示，它使用公开网络数据、开源芯片数据和合成示例。它还称，正与芯片公司在真实设计上合作，因为公开数据无法代表商业项目的复杂性。

获取客户项目可改善模型，但也会引发隔离性和知识产权方面的问题。芯片制造商会希望获得明确保证：机密设计经验不会泄露到为另一位客户进行的工作中。

学习系统还需要可信的奖励机制。早期布局质量可以通过代理指标估算，但最终性能要在后续布线和分析完成后才会显现。误导性的奖励可能让模型只会优化分数，却无法改善最终芯片。

因此，Ricursive 的方法必须将学习与经过验证的下游结果连接起来。这不只是生成看似合理的版图，还需要来自完整设计、签核工具，以及最终流片硅片的反馈。

现有厂商不会原地不动。Cadence 和 Synopsys 可以在保留既有验证基础设施的同时，加入协调更多步骤的智能体。它们也拥有客户关系和量产工作流程的接入能力。

Ricursive 并不需要立刻取代这些公司。其早期部署可以在积累证据的同时补充客户现有工具。不过，若成熟平台能在认证流程内实现类似的自主性，其所宣称的差异化空间就会收窄。

决定性的比较将取决于实际成果。客户将衡量设计时间、工程师工时、功耗、性能、面积、验证质量以及硅片表现。吸引人的演示无法解答这些问题。

量产硅片是递归循环无法绕过的考验

在客户能够将完成的硅片与通过成熟工程流程产出的设计进行比较之前，Ricursive 的愿景仍未得到验证。

这家初创公司为这一考验准备了可观资源。它表示，已从 Sequoia、Lightspeed、DST 和 NVentures 等投资者处筹集 3.35 亿美元。此前有报道称，该公司成立仅四个月后估值便达到 40 亿美元。

投资者支持让 Ricursive 能够获得训练设计模型所需的算力和工程人才，但也提高了预期。公司必须从备受尊敬的创始团队和具有影响力的过往项目，迈向可重复的商业成果。

AlphaChip 既提供了证据，也带来了警示。Google 表示，该系统生成的布局已用于多代 TPU。MediaTek 也被确认为这一技术的外部采用者。

与此同时，研究人员对最初 AlphaChip 评估的某些方面及其可复现性提出了质疑。批评者质疑了基准测试、基线、指标以及对专有数据的访问。Google 和 AlphaChip 作者为这项工作辩护，并公布了更多细节。

这场争议并未抹去已报告的量产应用，但它说明了为何有关“超人类”设计能力的广泛主张需要谨慎比较。结果可能取决于基准、目标、可用算力，以及 AI 生成输出之后进行了多少传统优化。

Ricursive 的新主张需要更有力的证据，因为其覆盖范围更大。一个端到端系统必须在架构、实现、验证和制造准备各环节都取得成功。

该公司尚未公开点名其早期客户，也未发布一款完整客户芯片的详细性能数据。创始人表示计划披露更多整芯片模式相关内容，但这些披露尚待公布。

可信的验证应说明模型产出了什么，以及工程师修改了什么。它还应解释由哪些工具执行最终检查，以及结果是否达到了 tape-out，即设计送入制造的节点。

流片硅片提供最清晰的证据。芯片可能通过软件检查，却仍会在测试中暴露意外行为。实体硬件的测量结果能够揭示，预测的收益能否经受制造波动和真实工作负载的考验。

公平比较还需要强有力的基线。替代方案应当是熟练团队使用当前 EDA 产品，而不是陈旧的手工流程。否则，报告中的改进无法反映客户实际面临的选择。

设计时间同样需要谨慎评估。模型可能快速生成某一阶段的结果，但数据准备、集成和验证可能仍要耗费数月。有关数周完成设计的说法，需要涵盖完整的客户流程。

同样的谨慎也适用于跨芯片学习。当项目共享有用模式时，迁移可以改善模型；但当设计采用不同的工艺、架构、约束或知识产权时，迁移也可能面临困难。

在数字 AI 加速器上的结果，并不会自动迁移至模拟电路、射频组件、存储器或安全关键系统。每个领域都有专门的物理规律和验证要求。

Ricursive 即使不能立即覆盖每一类芯片，仍可建立有价值的业务。从数字加速器和可重复的物理设计任务开始，能为公司提供一条更聚焦的量产路径。

这一推进过程也将产生更好的训练信号。每个完成的项目都能暴露模型预测与签核结果之间的偏差。工程师可以在扩展工作流程之前，进一步优化目标和数据。

在这一阶段，人工监督仍将十分重要。工程师必须解读权衡、检查意外结构，并判断模型是否优化了预期要求。

Goldie 认为，自动化将让人们专注于创意和应用，而由 AI 处理执行工作。对于重复性工作，这种分工是合理的；但芯片实现包含会带来产品和安全后果的决策。

客户将需要审计追踪，以解释设计如何变化及其原因。他们还需要能够约束系统、复现结果，并撤销那些会引发下游问题的决策。

安全性带来了另一项要求。处理专有芯片设计的平台将成为高价值目标。其模型、训练数据、客户输入和生成的布局，都需要强有力的隔离和访问控制。

这些担忧并不是反对自动化设计的理由，而是商业采用的条件。半导体客户会在新工具改善结果且不引入不可接受的验证或知识产权风险时采用它们。

因此，Ricursive Intelligence AI 芯片设计论点最有力的版本是务实的，而非投机性的。该系统无需证明失控式的递归改进；它只需帮助客户更快交付更好的硅片。

一款经过独立评估的量产芯片，比多次概念演示更有分量。跨客户的重复结果将表明，学习循环是否能够在单个项目之外持续累积成效。

三个信号将揭示 Ricursive 能否改变芯片开发

客户硅片、端到端证据以及现有厂商的回应，将揭示 Ricursive 正在构建一种新设计模式，还是一个雄心勃勃的优化层。

第一个信号是一个已点名的客户项目达到 tape-out 或获得流片硅片。一项有价值的披露应明确 Ricursive 的角色、工艺节点、自动化的设计阶段，以及剩余的人工工作。

如果该项目报告了经验证的时间、性能、功耗或面积提升，就会强化公司的核心主张。仅限于孤立模块的演示可以支持第一阶段，但不足以支撑无设计愿景。

第二个信号是系统将物理设计与验证连接起来的证据。Ricursive 正确地指出，仅加快布局无法压缩整个进度；验证必须同步推进。

应关注带有文档化基线和完整时序的从工作负载到 GDSII 演示。关键数字并非模型生成答案的速度，而是设计达到可制造状态所需的时间。

可信的结果还应说明失败情况和人工干预。这些细节能够表明，系统是在处理常规迭代，还是确实在协调此前彼此分离的阶段。

第三个信号来自成熟 EDA 供应商和芯片制造商的反应。Cadence 和 Synopsys 已经提供基于 AI 的优化、助手，以及日益智能体化的工作流；它们的产品可以向更广泛的自动化发展。

合作关系将表明 Ricursive 的模型能够补充经过认证的工具。竞争性产品发布则意味着现有厂商将端到端学习视为威胁。来自大型芯片制造商的客户承诺，会提供更强有力的采用信号。

Nvidia 的投资让这一格局尤其值得关注。即使该公司也在开发自己的 AI 工具和芯片，只要 Ricursive 能够扩大半导体设计能力，它同样能从中受益。其他制造商也可能得出相同结论。

对开发者和企业买家而言，其影响不止于芯片行业。更快的定制芯片开发，可能改变哪些 AI 工作负载变得负担得起、哪些模型能够在本地运行，以及专业化产品能够多快触达用户。

更低的设计门槛也可能增加硬件的多样性。这会带来新的优化机会，但也可能令软件支持更加碎片化。开发者应关注，新芯片是否会配备可用的编译器、库和部署工具。

知识工作者将间接受到影响。高效的芯片可以减轻基础设施压力，并让 AI 功能进入能源或延迟限制更严苛的设备。这些益处取决于实际生产部署，而非设计演示。

Ricursive Intelligence 选择了 AI 技术栈中一个难度极高的环节。软件进步正受到能源、制造和硬件开发周期等限制的制约。芯片设计自动化正是从源头处理其中一项限制。

该公司的创始人拥有可信的经验、可观的资金支持，以及一项具体的三阶段计划。但他们面临的挑战也比 AlphaChip 所解决的问题更大。整芯片自动化必须协调众多学科，同时满足严苛的物理约束。

下一个问题并不是 AI 能否参与芯片设计——它已经在参与。问题在于，Ricursive 能否让学习覆盖足够多的工作流，从而压缩完整的开发周期。

关注首个具名量产项目、首个端到端验证结果，以及首个实质性的现有厂商回应。这些信号将共同揭示，这一递归循环能否经受住硅片现实的考验。