另辟蹊径，AI重构芯片设计全流程

初创企业Ricursive由谷歌知名AlphaChip项目两位核心负责人联合创立，目标是研发一套芯片设计全流程人工智能模型。这家新兴人工智能前沿实验室专注于硬件与业务负载协同优化，现阶段首要业务是为第三方定制适配特定业务负载的芯片。该公司已完成3.35亿美元融资，资金将主要用于购置GPU算力，支撑模型的训练与测试工作。

在接受采访时，Ricursive联合创始人兼CEO Anna Goldie、联合创始人兼CTO Azalia Mirhoseini明确表示，公司并非电子设计自动化（EDA）企业，不会与EDA厂商展开竞争，也不会使用主流EDA工具链。

“我们所做的工作和EDA截然不同，我们打造的是芯片全流程设计体系。”Azalia Mirhoseini说道，“我们希望重塑整个芯片设计行业，搭建全新平台。有些企业拥有规模化运行的算法，但内部没有专业芯片设计团队，我们可以为其定制芯片。相比使用通用现成芯片，定制方案能大幅提升运行效率。”

Goldie与Mirhoseini已共事十年，二人曾在谷歌大脑团队牵头组建机器学习持续性技术小组，AlphaChip便是该团队的代表性项目。AlphaChip诞生于2018年，是业内首批将强化学习技术落地解决实际工程问题的成果之一。该技术先后应用于四代谷歌张量处理器（TPU）的宏单元布局工作，也被联发科等外部芯片企业采用。

Anna Goldie表示，无论是覆盖的芯片设计流程、实现的性能提升，还是整体研发速度，Ricursive如今的技术成果都远超当年的AlphaChip。她同时确认，Ricursive不会授权或使用任何谷歌知识产权。

Goldie透露，谷歌曾提议将二人的团队拆分为Alphabet集团旗下独立子公司，继续推进AlphaChip及相关项目研发，但她们认为这只是折中方案。“我们在谷歌成长，对这里有着很深的感情。”她说道，“但在Ricursive，我们能获得更充足的资源、更纯粹的研发方向，整体推进速度也快得多。”

Goldie称，Ricursive希望将芯片设计服务拓展至Alphabet集团之外，而保持独立运营是实现这一目标的前提。“我们希望创造更广泛的行业价值。”她解释道，“作为独立企业，一方面能收获其他芯片厂商的信任，放心向我们提供相关数据；另一方面，我们的核心使命就是提速芯片设计、打通技术闭环，因此整体运转效率更高。业内此前从未出现过这样的企业模式。”

Mirhoseini补充道，当下正是创立人工智能企业的绝佳时机，行业需求与人工智能技术发展现状相结合，催生了难得的发展机遇。

Ricursive规划了三阶段技术落地路线。

目前公司正推进第一阶段工作，承接芯片企业的部分设计环节，帮助产品提升性能、缩短上市周期。“第一阶段的核心目标是提速芯片设计流程，主攻耗时最长的物理设计与设计验证环节。”Anna Goldie表示，“如果这两大环节无法提效，芯片全流程设计就无从谈起。我们认为，实现从架构设计到可直接投产的GDSII文件快速落地，有着至关重要的意义。”

第二阶段，公司将整合芯片设计全环节，打造端到端一体化模型：输入业务负载需求，即可直接输出可用于流片生产的GDSII文件，实现快速定制芯片设计。这类定制方案在大规模部署的人工智能加速器领域价值尤为突出，同时也可适配各类业务场景。“我们的核心理念是，让计算架构与算法模型架构深度匹配，以此实现性能的跨越式提升。而想要释放全部性能潜力，就必须实现架构的快速落地。”Goldie说，“如果整个流程耗时一两年，最终成品便会失去市场价值。”

Ricursive还希望降低芯片设计门槛，赋能一类特殊企业：这类企业拥有规模化业务负载，但此前从未考虑自研定制硬件。公司将依托自研AI技术以及与晶圆厂的合作资源，为客户完成芯片设计，助力其顺利推出定制芯片。Mirhoseini举例，该模式可应用于科学研究、医疗健康等领域，例如DNA测序相关芯片研发。“部分应用场景暂时无需大规模落地，但我们的技术能够让其成为现实。”她说道，“通过压缩芯片研发成本与周期，不仅能提升现有应用的运行效率，还能催生全新应用场景——不少应用原本会受延迟、功耗等限制而无法落地。”

第三阶段是Ricursive的终极目标：实现算法模型、业务负载与硬件三者深度协同设计、同步迭代。“既然我们能够快速打造高性能芯片，为何不自主研发芯片、训练专属模型，并让二者协同演进？”Goldie表示，前沿模型始终需要在成本与性能之间做权衡，而通过芯片与模型协同迭代，我们有望开辟全新的帕累托最优发展曲线。

Ricursive研发的人工智能模型具备通用能力，并非仅局限于芯片设计场景，因此最终打造的芯片也可适配各类通用人工智能业务负载。公司的长远构想是，让人工智能最终覆盖从芯片设计、系统搭建到基础设施搭建的全产业链。

“到第三阶段，我们的目标是打造顶尖通用人工智能。”Mirhoseini说道，“推动芯片与人工智能协同进化，这并非一款服务于芯片设计的专用AI，而是真正意义上的通用AI。”

她表示，这一思路与OpenAI、Anthropic的发展方向相似，两家企业均依靠单一通用模型，实现代码生成、数学运算、自然语言处理等多项能力。Mirhoseini曾参与首创混合专家模型的团队，她透露，Ricursive未来的模型也会采用类似架构：底层为通用智能底座，在此基础上延伸出各类专业能力。

“在我们的规划里，芯片是模型发展的助推器。”Mirhoseini解释道，“芯片与模型协同迭代，能数倍缩短模型训练时长，也能大幅加快训练后调优、强化学习等环节的研发节奏。整个新模型的研发闭环将全面提速，进而推动人工智能实现更快的自我迭代与进化。这就是我们将芯片视作AI升级催化剂的原因。”

Ricursive一方面使用公开网络数据、开源芯片数据训练模型，同时也会生成并运用合成数据，突破现有公开数据的局限。Goldie提到，先进人工智能模型具备知识迁移能力，对数据量的要求相对更低。

目前，Ricursive正与多家芯片企业合作，在真实芯片项目中验证技术成果并收集反馈。她指出，开源数据无法完全还原真实设计场景，来自一线客户的反馈极具参考价值。

如今行业内虽已出现硬件与业务负载协同设计的尝试，但整体推进节奏极为缓慢。研发新算法模型的团队需要兼顾现有硬件的运行效率，而芯片厂商则要预判两三年后的主流应用需求，双方陷入发展僵局。

“这是一个死循环。”Goldie说道，“我们希望彻底打破现状，大幅缩短整个协同研发的周期。”她认为，高效的全流程设计体系，能够催生多样化定制芯片，孵化全新应用。“从长远来看，目前行业只是达到了阶段性最优水平。当下的芯片产品虽表现不俗，但我们相信，行业全局最优解会是截然不同的计算机架构与神经网络架构，而这正是我们想要探索的方向。”