Ricursive獲3億美元融資：AI驅(qū)動芯片設(shè)計，周期從數(shù)年壓縮至數(shù)天
單位時間內(nèi)驗證想法的數(shù)量，對AI發(fā)展至關(guān)重要。但與互聯(lián)網(wǎng)時代相比，AI時代驗證想法的成本高得多，主要源于算力硬件。
當前主流AI算力硬件來自NVIDIA，其CUDA生態(tài)成熟，但芯片迭代慢、成本高昂。NVIDIA之外，Google的TPU生態(tài)發(fā)展較好，已基于TPU算力基礎(chǔ)設(shè)施訓練出Gemini 3.0 Pro這類頂尖模型。
TPU背后有項引人注目的技術(shù)——AlphaChip，這是芯片設(shè)計領(lǐng)域的AI系統(tǒng)。傳統(tǒng)方法設(shè)計尖端數(shù)據(jù)中心處理器需數(shù)年，而AlphaChip能在六小時內(nèi)完成部分半導體組件設(shè)計。它參與了Google TPU過去4代的設(shè)計，還被聯(lián)發(fā)科等外部半導體公司采用。
AlphaChip的核心設(shè)計者Anna Goldie和Azalia Mirhoseini不久前創(chuàng)立了Ricursive Intelligence，致力于為下一代AI構(gòu)建計算基礎(chǔ)，利用AI和分布式計算大幅縮短芯片開發(fā)周期，消除硬件瓶頸，讓定制化芯片觸手可及。
這家公司成立于2025年12月初，當時以7.5億美元估值完成3500萬美元種子輪融資，由紅杉資本領(lǐng)投。近日，它又完成Lightspeed Venture Partners領(lǐng)投的3億美元A輪融資，投后估值達40億美元，參投方包括DST Global、NVentures、Felicis Ventures、49 Palms Ventures、Radical AI及紅杉資本。
AlphaChip助力多代TPU設(shè)計后，創(chuàng)造者推動定制化芯片普惠
傳統(tǒng)半導體設(shè)計有兩大痛點：流程緩慢、成本高昂。成熟制程節(jié)點設(shè)計需12-24個月，5nm或3nm等前沿制程則需18-36個月；7nm芯片平均成本2-2.5億美元，5nm為4.5-5億美元，3nm高達6-6.5億美元。
設(shè)計成本中，50-70%是人力成本，5-15%用于電子設(shè)計自動化（EDA）工具。高昂成本下，芯片設(shè)計或制造延遲會給行業(yè)帶來巨大損失，比如摩根士丹利2024年8月簡報指出，NVIDIA Blackwell芯片數(shù)月延遲可能僅2025年就造成超100億美元收入損失。
芯片設(shè)計成本主要來自人力和EDA工具。傳統(tǒng)EDA工具許可費用昂貴，且設(shè)計時需大量專業(yè)人士反復(fù)迭代實現(xiàn)“設(shè)計收斂”——打造滿足所有約束條件、達成預(yù)期目標的集成電路。若有工具能將設(shè)計時間縮至數(shù)天而非2-3年，同時降低成本，芯片迭代速度將大幅加快，定制芯片成本降低，AI發(fā)展與半導體能力的鴻溝將被填平。
Ricursive Intelligence的創(chuàng)始人Anna和Azalia在Google時就做了這件事。2018年，Google Brain的“登月計劃”中，她們嘗試用AI設(shè)計芯片，與Jeff Dean想法一致便啟動項目。她們瞄準布局規(guī)劃方向，這是將芯片組件放置到硅片的過程，需優(yōu)化數(shù)百萬節(jié)點，確保PPA（功耗、性能、面積）及廠商工藝限制達標。
她們與Google TPU團隊緊密合作，每周展示數(shù)據(jù)：TPU團隊用商業(yè)工具生成布局，她們展示AI生成的布局，需證明每一項指標更優(yōu)才會被采用。最終，她們的芯片布局推進到實際產(chǎn)品，完成流片等環(huán)節(jié)，成果就是AlphaChip。
AlphaChip應(yīng)用于TPU v5e及之后每一代TPU，覆蓋更多芯片區(qū)塊和更大面積。過程中，她們發(fā)現(xiàn)類似Alpha Go“第37手”的現(xiàn)象：人類傾向規(guī)整網(wǎng)格結(jié)構(gòu)，而AlphaChip設(shè)計更具“有機感”，有時彎曲卻能減少線長、降低功耗和時序違例。算法上，AI自我改進特性隨解決問題增多而增強，能處理遠超人類一生觸及的芯片優(yōu)化問題。
看到這種跡象后，Anna和Azalia認為創(chuàng)業(yè)時機成熟，便組建團隊創(chuàng)業(yè)。團隊僅10人左右，成員來自Google DeepMind、Anthropic、Apple和Cadence（EDA軟件巨頭），涵蓋AI、系統(tǒng)和芯片設(shè)計領(lǐng)域。
打造“AI賦能芯片設(shè)計，芯片設(shè)計反哺AI”的遞歸循環(huán)
Ricursive Intelligence的“Ricursive”意為遞歸，源于Anna和Azalia做AlphaChip時發(fā)現(xiàn)的循環(huán)：AlphaChip在TPU上訓練，用于設(shè)計下一代TPU，再用新一代TPU訓練下一版AlphaChip，不斷迭代。
公司規(guī)劃了三個發(fā)展階段：第一階段攻克關(guān)鍵瓶頸，將流程顯著縮至數(shù)周，AI短時間生成大量數(shù)據(jù)點，讓人類探索需求；第二階段實現(xiàn)端到端設(shè)計，給定工作負載完成從設(shè)計到生成GDSII文件（代工廠制造最終格式）的全流程；第三階段垂直整合，構(gòu)建自己的芯片、訓練模型，完成“AI賦能芯片設(shè)計，芯片設(shè)計反哺AI”的遞歸循環(huán)。
Anna和Azalia的愿景是將“Fabless”（無晶圓廠）模式推進到“Designless（無設(shè)計）”模式，即外包制造和設(shè)計流程，直接將想法轉(zhuǎn)化為可制造的設(shè)計方案。當前芯片設(shè)計市場由Cadence和Synopsys主導，年收入50-60億美元，市值約900-1000億美元，Ricursive若能顛覆它們，想象空間巨大。其本質(zhì)是將芯片設(shè)計全流程自動化，解鎖新穎設(shè)計和硬件創(chuàng)新浪潮。
芯片設(shè)計成本下降，釋放AI行業(yè)創(chuàng)新能力
AI時代頂尖公司人才密度高，想法不稀缺，驗證成本主要來自算力硬件。算力缺乏對創(chuàng)新的限制有兩方面：模型層面，訓練和推理算力成本導致迭代慢、推廣難；AI硬件終端層面，芯片影響體積、續(xù)航和“智力”，限制產(chǎn)品設(shè)計。
若定制化AI芯片設(shè)計成本降低、時間縮至幾天，將極大釋放AI行業(yè)創(chuàng)新能力。云端可針對不同企業(yè)負載設(shè)計定制芯片，終端產(chǎn)品定義時形態(tài)、大小和功能設(shè)計更自由，不必再微妙平衡體積、性能和續(xù)航。
AlphaChip是基于強化學習的Agent，關(guān)鍵是搭建環(huán)境和設(shè)定獎勵信號，對數(shù)據(jù)有要求但也可使用合成數(shù)據(jù)。中國公司追趕Cadence積累不足，但打造AI設(shè)計Agent的目標并不遙遠。
本文來自微信公眾號 “阿爾法公社”（ID：alphastartups），作者：發(fā)現(xiàn)非凡創(chuàng)業(yè)者的，36氪經(jīng)授權(quán)發(fā)布。
本文僅代表作者觀點，版權(quán)歸原創(chuàng)者所有，如需轉(zhuǎn)載請在文中注明來源及作者名字。
免責聲明：本文系轉(zhuǎn)載編輯文章，僅作分享之用。如分享內(nèi)容、圖片侵犯到您的版權(quán)或非授權(quán)發(fā)布，請及時與我們聯(lián)系進行審核處理或刪除，您可以發(fā)送材料至郵箱：service@tojoy.com