Ricursive：用AI设计芯片，破解算力危机

编者按：当AI开始设计承载AI的芯片，半导体产业的迭代逻辑可能被彻底重写。Ricursive Intelligence想做的，是把“设计—验证—改进”这条以年计的长链条，压缩进一个能够自我学习的闭环。

据TechCrunch记者Aisha Malik报道，初创公司Ricursive Intelligence正押注一条颇具野心的技术路线：用AI来设计芯片。其创始人详细介绍了公司正在开发的系统——一套能够设计芯片、从每一次迭代中学习、并据此改进后续设计的AI，最终目标是让芯片设计流程实现自动化与加速。

这听起来像是一句口号，但放在当下的算力语境里，它指向一个非常具体的痛点。

算力需求狂飙，芯片设计却仍是“重手工”行业

过去几年，大模型的参数规模与训练算力需求以远超摩尔定律的速度膨胀，而支撑这一切的先进制程芯片，其设计流程却依然高度依赖人力：一款旗舰级SoC往往需要数千名工程师协作、耗时18到24个月、投入数亿美元，其中还包括昂贵且不可逆的流片环节。一旦某个设计决策出错，代价可能是数月时间与千万级资金。

更棘手的是，随着制程微缩的边际收益递减，单纯依靠“把晶体管做小”获得的性能提升越来越有限。产业界的注意力因此转向架构创新、chiplet（芯粒）与专用加速器——而这恰恰意味着，芯片设计本身变得比过去任何时候都更复杂、也更需要被加速。

从“一次做对”到“越做越准”的迭代闭环

Ricursive的核心思路，是把芯片设计变成一个可持续学习的循环，而不是一次性的工程交付。系统生成设计候选方案，通过仿真与EDA工具评估其功耗、性能、面积、时序等指标，再把结果反馈给模型，让下一轮生成更接近目标。这种“设计—评估—迭代”的闭环，在方法上接近强化学习与自动化搜索的结合，但它所面对的解空间规模，远大于常规的软件优化问题。

公司名称中的“Recursive”（递归）或许也暗含了这层意图：用AI设计出更好的芯片，更好的芯片再用来训练更强的AI，从而驱动下一轮设计能力的提升。如果这个飞轮真的转起来，它带来的将不只是效率提升，而是能力上的复利。

赛道上已经站满了巨头

AI进入芯片设计并非全新命题。EDA双巨头Synopsys与Cadence近年来持续把AI能力嵌入布局布线、时序优化等环节，谷歌也曾用强化学习优化TPU的芯片布局规划，并发表相关论文。与这些“从工具侧切入”的玩家相比，Ricursive若真要做到端到端的AI芯片设计，走的是更激进、也更难被验证的路线。

它面临的现实门槛同样清晰：流片试错成本极高，AI生成的设计必须经得起形式化验证与物理验证；工程师对“黑箱结论”的信任需要长时间建立；而高质量的设计数据几乎被少数厂商垄断。

结语

芯片设计自动化并非新故事，但把“学习”真正写进设计流程，让每一次失败都成为下一次改进的输入，是这一代AI带来的新可能。Ricursive要回答的问题很朴素：如果设计一款芯片的周期能从两年缩短到几个月，算力危机是否就不再是危机？答案仍待时间检验，但方向本身，已经足够值得关注。

本文编译自TechCrunch