Ricursive获3亿美元融资：AI驱动芯片设计，周期从数年压缩至数天
单位时间内验证想法的数量，对AI发展至关重要。但与互联网时代相比，AI时代验证想法的成本高得多，主要源于算力硬件。
当前主流AI算力硬件来自NVIDIA，其CUDA生态成熟，但芯片迭代慢、成本高昂。NVIDIA之外，Google的TPU生态发展较好，已基于TPU算力基础设施训练出Gemini 3.0 Pro这类顶尖模型。
TPU背后有项引人注目的技术——AlphaChip，这是芯片设计领域的AI系统。传统方法设计尖端数据中心处理器需数年，而AlphaChip能在六小时内完成部分半导体组件设计。它参与了Google TPU过去4代的设计，还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Ricursive Intelligence，致力于为下一代AI构建计算基础，利用AI和分布式计算大幅缩短芯片开发周期，消除硬件瓶颈，让定制化芯片触手可及。
这家公司成立于2025年12月初，当时以7.5亿美元估值完成3500万美元种子轮融资，由红杉资本领投。近日，它又完成Lightspeed Venture Partners领投的3亿美元A轮融资，投后估值达40亿美元，参投方包括DST Global、NVentures、Felicis Ventures、49 Palms Ventures、Radical AI及红杉资本。
AlphaChip助力多代TPU设计后，创造者推动定制化芯片普惠
传统半导体设计有两大痛点：流程缓慢、成本高昂。成熟制程节点设计需12-24个月，5nm或3nm等前沿制程则需18-36个月；7nm芯片平均成本2-2.5亿美元，5nm为4.5-5亿美元，3nm高达6-6.5亿美元。
设计成本中，50-70%是人力成本，5-15%用于电子设计自动化（EDA）工具。高昂成本下，芯片设计或制造延迟会给行业带来巨大损失，比如摩根士丹利2024年8月简报指出，NVIDIA Blackwell芯片数月延迟可能仅2025年就造成超100亿美元收入损失。
芯片设计成本主要来自人力和EDA工具。传统EDA工具许可费用昂贵，且设计时需大量专业人士反复迭代实现“设计收敛”——打造满足所有约束条件、达成预期目标的集成电路。若有工具能将设计时间缩至数天而非2-3年，同时降低成本，芯片迭代速度将大幅加快，定制芯片成本降低，AI发展与半导体能力的鸿沟将被填平。
Ricursive Intelligence的创始人Anna和Azalia在Google时就做了这件事。2018年，Google Brain的“登月计划”中，她们尝试用AI设计芯片，与Jeff Dean想法一致便启动项目。她们瞄准布局规划方向，这是将芯片组件放置到硅片的过程，需优化数百万节点，确保PPA（功耗、性能、面积）及厂商工艺限制达标。
她们与Google TPU团队紧密合作，每周展示数据：TPU团队用商业工具生成布局，她们展示AI生成的布局，需证明每一项指标更优才会被采用。最终，她们的芯片布局推进到实际产品，完成流片等环节，成果就是AlphaChip。
AlphaChip应用于TPU v5e及之后每一代TPU，覆盖更多芯片区块和更大面积。过程中，她们发现类似Alpha Go“第37手”的现象：人类倾向规整网格结构，而AlphaChip设计更具“有机感”，有时弯曲却能减少线长、降低功耗和时序违例。算法上，AI自我改进特性随解决问题增多而增强，能处理远超人类一生触及的芯片优化问题。
看到这种迹象后，Anna和Azalia认为创业时机成熟，便组建团队创业。团队仅10人左右，成员来自Google DeepMind、Anthropic、Apple和Cadence（EDA软件巨头），涵盖AI、系统和芯片设计领域。
打造“AI赋能芯片设计，芯片设计反哺AI”的递归循环
Ricursive Intelligence的“Ricursive”意为递归，源于Anna和Azalia做AlphaChip时发现的循环：AlphaChip在TPU上训练，用于设计下一代TPU，再用新一代TPU训练下一版AlphaChip，不断迭代。
公司规划了三个发展阶段：第一阶段攻克关键瓶颈，将流程显著缩至数周，AI短时间生成大量数据点，让人类探索需求；第二阶段实现端到端设计，给定工作负载完成从设计到生成GDSII文件（代工厂制造最终格式）的全流程；第三阶段垂直整合，构建自己的芯片、训练模型，完成“AI赋能芯片设计，芯片设计反哺AI”的递归循环。
Anna和Azalia的愿景是将“Fabless”（无晶圆厂）模式推进到“Designless（无设计）”模式，即外包制造和设计流程，直接将想法转化为可制造的设计方案。当前芯片设计市场由Cadence和Synopsys主导，年收入50-60亿美元，市值约900-1000亿美元，Ricursive若能颠覆它们，想象空间巨大。其本质是将芯片设计全流程自动化，解锁新颖设计和硬件创新浪潮。
芯片设计成本下降，释放AI行业创新能力
AI时代顶尖公司人才密度高，想法不稀缺，验证成本主要来自算力硬件。算力缺乏对创新的限制有两方面：模型层面，训练和推理算力成本导致迭代慢、推广难；AI硬件终端层面，芯片影响体积、续航和“智力”，限制产品设计。
若定制化AI芯片设计成本降低、时间缩至几天，将极大释放AI行业创新能力。云端可针对不同企业负载设计定制芯片，终端产品定义时形态、大小和功能设计更自由，不必再微妙平衡体积、性能和续航。
AlphaChip是基于强化学习的Agent，关键是搭建环境和设定奖励信号，对数据有要求但也可使用合成数据。中国公司追赶Cadence积累不足，但打造AI设计Agent的目标并不遥远。
本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com