单位时间内验证想法的数量，对于AI的发展至关重要。但相比于互联网时代，AI时代验证想法的成本要高很多，而这个成本的来源主要来自于算力硬件。

现有的主流AI算力硬件来自于NVIDIA，它有CUDA生态，但算力芯片迭代慢，且成本越来越高昂。在NVIDIA的生态之外，发展最好的是Google的TPU生态，Google已经在TPU搭建的算力基础设施上训练出了Gemini 3.0 Pro这种Sota级别的模型。

而在TPU背后，有一项技术引人注意，就是AlphaChip，它是一个芯片设计领域的AI系统。使用传统方法，设计一款尖端的数据中心处理器可能需要数年时间，而AlphaChip能在六小时内完成部分半导体组件的设计。AlphaChip参与了Google TPU过去4代的设计，并已被联发科等外部半导体公司采用。

AlphaChip的核心设计者Anna Goldie和Azalia Mirhoseini不久前创立了一家创业公司，它做的事情是为下一代人工智能构建计算基础，利用AI和分布式计算，大幅缩短芯片的开发周期，消除制约AI发展的硬件瓶颈，让定制化芯片变得触手可及。

这家叫Ricursive Intelligence的公司创立于2025年12月初，当时它以7.5亿美元的估值完成了3500万美元的种子轮融资，Sequoia Capital领投。

近日，它又完成由Lightspeed Venture Partners领投的3亿美元A轮融资，投后估值40亿美元。参投方还包括DST Global、NVentures 、Felicis Ventures、49 Palms Ventures、Radical AI及Sequoia Capital。

将AlphaChip应用于多代Google TPU后，它的创造者要让定制化芯片普惠

传统的半导体设计，有两大痛点：设计流程缓慢，设计成本高昂。

设计流程的时间，成熟制程节点需要12-24个月，而5nm或3nm等前沿制程则需18-36个月。

设计成本，7nm芯片的平均成本为2-2.5亿美元，5nm为4.5-5亿美元，3nm则高达6-6.5亿美元。

而在设计成本中，50-70%是人力成本，另有5-15%的支出用于电子设计自动化 (EDA) 工具。

基于这种高昂的成本，当芯片的设计或制造出现延迟时，也会让行业大受损失。例如Morgan Stanley在2024年8月的一份简报指出，NVIDIA Blackwell芯片数月的延迟可能仅在2025年就造成超过100亿美元的收入损失。

可以看到，芯片的设计成本主要来自人力和EDA工具。一方面，传统EDA工具有昂贵的许可费用，另一方面，在设计芯片时，需要大量专业人士在半导体设计上反复迭代，试图实现“设计收敛”——即打造出一种既满足所有必要约束条件，又达成预期目标的集成电路。

如果有一种工具能让芯片设计的时间缩短到数天，而非2-3年，同时让芯片设计的成本不再是数亿美元，会怎么样？那么芯片的迭代速度将大大加快，定制芯片的成本也会降低，AI发展与半导体能力之间的鸿沟将被填平。

这件事情，Ricursive Intelligence的创始人Anna Goldie和Azalia Mirhoseini在Google已经做了很长时间。

Ricursive Intelligence的创始人Anna Goldie和Azalia Mirhoseini，图源：Ricursive Intelligence官方视频截图

2018年，Google Brain有一个名为“登月计划”的项目，Ricursive的两位创始人当时就想尝试用AI进行芯片设计，结果这个想法与Jeff Dean不谋而合，于是她们开始了这个项目。

她们经过探索，瞄准了布局规划（Floorplanning）这个方向，布局规划是将芯片组件放置到硅片上的过程。这个过程的复杂性源于输入问题规模的巨大，比如对于芯片上的一个区块 (block)，需要优化的可能包含数百万个节点，所有这些节点都需要被放置和布线。而且必须确保约束条件，比如PPA（功耗、性能、面积）得到优化，并满足台积电等厂商给出的极小工艺节点尺寸下的所有限制。

她们与Google的TPU团队紧密合作，每周都向TPU团队展示数据。具体做法是，TPU团队用商业工具生成自己的布局，然后她们展示自己用AI生成的布局，她们需要证明自己的布局在每一个指标上都更优秀，TPU团队才会选择它。

最终，她们将自己的芯片布局，一路推进到了实际产品中，完成了流片等所有环节，而她们的成果，就是AlphaChip。

TPU每一次迭代，AlphaChip参与的芯片区块就越多，图源：Google

AlphaChip被应用到从TPU v5e及之后的每一代TPU中，并且应用于越来越多的芯片区块（一块芯片通常包含几十个区块），覆盖了更大的面积。

在这个过程中，她们还发现了类似Alpha Go的“第37手”那种超越人类经验的现象。在芯片设计中，人类倾向于采用网格般的规整结构，而AlphaChip的设计截然不同，其形状更具“有机感”，它设计的芯片布局有时会弯弯曲曲，但是相比规整的结构，这种弯曲的设计，有时就是能减少线长，进而降低功耗和时序违例。

在算法方面，AI这种自我改进的特性，随着解决问题的增多而变得越来越好时，它变得势不可挡：AI可以见识更多的数据点，解决比任何单个人类一生所能触及的还要多得多的芯片优化问题。

当发现这种迹象后，Anna Goldie和Azalia Mirhoseini认为创业的时机已经成熟，于是出来创业。她们组建的团队只有10人左右，但是成员们均来自Google DeepMind、Anthropic、Apple和Cadence（EDA软件巨头），涵盖AI、系统和芯片设计等领域。

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，意思是递归。这其实是Anna和Azalia在做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，然后被用来设计下一代TPU，再用新一代TPU训练下一版AlphaChip，并以此为基础不断迭代。

她们为公司规划了三个发展阶段。

第一阶段，攻克芯片设计的关键瓶颈，将流程显著缩短至数周。此前，每一个数据点原本可能需要人类花费数周时间来生成，但AI能在短时间内生成很多个，这样人类就可以去探索：我们真正想要的是什么？

第二阶段，实现端到端的设计。即给定一个工作负载 (workload)，能否完成从头到尾的芯片设计，一直到生成“GDSII文件”——这是送交台积电等芯片代工厂进行制造的最终格式。

由于芯片设计过程的复杂性，能够负担得起定制化芯片的公司数量非常有限。当芯片设计的成本降低到一定程度，从AI硬件、机器人、自动驾驶汽车到太空探索等各个领域的任何公司，都有机会根据自己产品的需求定制芯片，这将引发定制化芯片的“寒武纪大爆发”。

在第三阶段，进行垂直整合：构建自己的芯片，训练自己的模型，利用AI设计出能更好、更快运行AI的芯片，再用这些芯片创造出能力更强、效率更高的新一代AI，完成“AI赋能芯片设计，芯片设计反哺AI”的递归循环。

Anna和Azalia为Ricursive设定的愿景，是将现在的“Fabless”(无晶圆厂)模式，推进到“Designless(无设计)” 模式。“Fabless”的典型代表就是NVIDIA，它现在是市值最高的科技企业之一。“Designless”，则意味着不仅外包制造，更外包整个芯片设计流程，将一个想法直接转化为可供制造的设计方案。

目前，芯片设计市场由Cadence和Synopsys主导，两家公司的年收入均达50-60亿美元，市值约在900-1000亿美元之间。如果Ricursive能够颠覆它们，本身就已经足够有想象空间。

而Ricursive本质上是将芯片设计从架构设计、RTL、验证到物理设计的全流程自动化，这里的自动化将解锁一些人类从未探索过的新颖芯片设计，更进一步，将解锁一波硬件创新的浪潮。

当芯片设计的成本指数级下降，将极大程度释放AI行业的创新能力

AI时代，顶尖公司们的人才密度相比互联网时代更高，想法并不算稀缺，而验证想法的成本主要成本来自算力硬件。

AI算力的缺乏，对于创新的限制，主要有两方面。

首先是模型层面，每次训练模型的算力成本，让模型的迭代相对缓慢，而当模型训练出以后，推理算力的限制，又让AI产品的推广和服务之类没有那么顺利（好几家头部AI创业公司因为算力不够而出现服务限制或中断）。

其次是AI硬件终端层面，无论是机器人还是智能可穿戴硬件，它们的设计都要围绕芯片展开，因为芯片直接影响了硬件终端的体积、续航以及最重要“智力”。

如果定制化的AI芯片，设计成本降低到一定程度，设计时间缩短到几天，那么将是对整个AI行业创新能力的极大释放。

想象一下，对于云端AI，可以针对不同类型和大小的企业负载，设计定制芯片，更精细化和高效地满足需求。对于AI硬件终端，在产品定义时，形态、大小和功能的设计可以更自由，可以不必再如履薄冰的让体积，性能和续航达到那么微妙的平衡。

AlphaChip本质上是基于强化学习的Agent，构建这类Agent最重要的是搭建环境和设定奖励信号。它对于数据有要求，但是只要环境和奖励信号设定好后，也可以使用合成数据。中国公司要追赶Cadence这样的公司，在积累上略显不足，但是打造AI设计的Agent，似乎追赶的目标就在前方不远处。