编者按：当大模型还在为 token 算力焦头烂额时，另一条战线已经悄然推进——让 AI 反过来设计承载它的芯片。在 TechCrunch Disrupt 2026 的舞台上，两位曾把强化学习带入芯片物理设计的科学家，将正面回答这个问题。
一场关于“闭环”的对话
TechCrunch 官方消息显示，Ricursive Intelligence 联合创始人 Anna Goldie 与 Azalia Mirhoseini 将登上 TechCrunch Disrupt 2026 的 Disrupt Stage，围绕“AI 与芯片开发之间的闭环如何合拢”展开对谈。议题直指一个正在逼近的拐点：当 AI 不再只是芯片的使用者，而开始参与甚至主导芯片设计本身，整个半导体产业的节奏会被如何改写。
Disrupt 是 TechCrunch 的旗舰科技大会，历来是全球创业者、投资人与技术领袖密集交锋的场合。本次对谈被安排在核心的 Disrupt Stage，意味着主办方将其视为“下一个平台级变革”级别的议题。官方同时提示，门票优惠（最高可省 200 美元）在当日结束前有效。
当 AI 开始设计自己的硬件，“设计—制造—训练”这条链条就不再是单向的，而可能演化为一个自我加速的回路。
两位主角：把强化学习塞进芯片版图
对熟悉芯片设计自动化的读者来说，Goldie 和 Mirhoseini 并不陌生。二人在谷歌工作期间，主导了将强化学习用于芯片“布局布线”（floorplanning）的著名研究——把芯片上数以亿计的晶体管与宏单元摆放问题，抽象成一个类似围棋的序列决策博弈，让 AI 智能体在数小时内给出人类工程师需要数月打磨的版图方案。这项成果被视为机器学习切入 EDA（电子设计自动化）领域的里程碑式案例，也让“AI 做芯片”从科幻走进了工程现实。
此后二人离开谷歌创立 Ricursive Intelligence，方向正是把这类方法产品化、规模化。公司定位指向芯片设计的“递归式”智能化——用 AI 生成设计方案，再由 AI 评估与迭代，形成循环。这也是本次对谈主题中“闭环”一词的直接来源。
为什么“闭环”比“单点优化”重要得多
现代先进制程芯片的设计周期动辄 18 到 24 个月，涉及架构探索、逻辑综合、物理实现、验证、签核等十几个环节，每个环节都有专用工具和资深专家。AI 此前大多只在单点发力：预测时序、优化功耗、加速验证。
问题在于，单点提速会被其他环节的瓶颈吃掉——某个步骤快 10 倍，整体流程可能只快 15%。所谓“闭环”，是让 AI 同时理解设计意图、物理约束与最终性能反馈，在整条链路上持续自我校正。一旦成立，芯片迭代周期有望被压缩一个数量级，而这正是当下算力军备竞赛最稀缺的资源。
行业背景：需求在推着这件事发生
推动力来自供需两端。一方面，大模型训练与推理对算力的胃口持续膨胀，定制化 AI 芯片（ASIC、NPU、各类加速器）需求爆发，云厂商纷纷自研芯片以降低成本与依赖；另一方面，摩尔定律趋缓、先进制程成本飙升，仅靠制程红利已不足以支撑性能增长，必须从架构创新与设计效率中榨取空间。
与此同时，全球对芯片供应链安全的关注，也让“更快设计出更专用的芯片”上升为战略能力。英伟达、谷歌以及 Synopsys、Cadence 等 EDA 巨头近年在 AI 辅助设计上投入巨大，一批初创公司亦不断涌现。Ricursive 所处的赛道，正是这场竞赛中最前沿、也最不确定的一环。
对谈可能的焦点
结合两位创始人的研究轨迹，Disrupt 舞台上的讨论大概率围绕几条线索展开：AI 设计出的芯片能否超越人类工程师的最优解；“生成方案的可验证性”这一信任难题如何破解；AI 与 EDA 巨头的关系是替代还是嵌入；以及最根本的问题——当设计 AI 的 AI 本身也在被 AI 设计，人类工程师的角色将如何被重新定义。
冷静看待：仍有三道坎
需要提醒的是，这个叙事仍面临明显阻力。其一是可靠性：芯片流片一次成本以千万美元计，任何 AI 生成的方案都必须通过严格的物理验证与形式化检查，容错空间极小。其二是数据与工具壁垒：先进制程的设计数据高度封闭，训练所需的高质量样本难以获取。其三是人才与流程惯性：半导体行业对既有流程的信任是几十年积累的结果，替代不会一蹴而就。
因此，更现实的路径或许是“人机协同”——AI 负责探索海量设计空间，人类负责设定约束与最终签核。仅此一点，已足以显著改变产业格局。
结语
如果说过去十年 AI 的叙事是“用更多芯片训练更强的模型”，那么下一个十年很可能出现反向闭环：“用更强的模型设计更好的芯片”。Goldie 和 Mirhoseini 在 Disrupt 2026 上的对谈，或许就是这个闭环正式合拢前的一次重要预演。
本文编译自 TechCrunch
© 2026 Winzheng.com 赢政天下 | 转载请注明来源并附原文链接