AI设计芯片能否破解算力危机？Ricursive创始人的设想

Ricursive Intelligence 联合创始人 Anna Goldie 与 Azalia Mirhoseini 周三登上 TechCrunch Disrupt 的舞台，介绍这家初创公司正在做的事：让 AI 自己生成芯片版图，从每一轮设计中学习，再把下一版做得更好。

她们给出的理由很直接：未来五年的算力需求可能达到今天的上万倍，只靠多盖数据中心填不平这个缺口。AI 设计芯片由此被推到台前。

Goldie 在台上给出的数字是，未来五年算力需求至少增长一万倍，而她认为这个估计“某种程度上还算保守”。

顺着这个数字往下推，结论是不该按同样的倍数去建数据中心。芯片本身要更高效，数据中心里的带宽要用得更充分，晶圆和产线也要用得更省。

她半开玩笑地补了一句，就算把数据中心搬到太空，恐怕抬头也看不到太阳了。把算力设施送上轨道这件事，近两年确实被反复讨论，只是散热、供电和发射成本都还没有答案。

这场赌注的核心在于，算力危机的解法未必只在工厂里，也可能藏在设计效率里。

让 AI 参与设计芯片，难免有人担心这等于把工具交到机器自己手里。Goldie 的说法是，分工正在变成人提供想法和创意，执行交给 AI，芯片设计、软件开发都在这条路上。

她们此前在谷歌参与开发的 AlphaChip 就是例子：这套用强化学习做芯片布局的系统把元件排成一个圆环形，像甜甜圈，工程师起初觉得奇怪，结果却被证明成立。

谷歌此前披露，AlphaChip 生成的布局已用在多代自研 TPU 芯片上。传统流程把芯片切成几十个区块分别优化，她们的思路是整块一起优化，由此产生波浪状一类的复杂图案，更多细节她们表示日后公布。

整块优化的代价是验证难度上升。AI 摆出的版图仍要过时序、功耗、良率和可制造性这几道关，目前主要靠成熟的 EDA 工具链和工程师经验兜底。

芯片设计软件长期集中在少数厂商手里，新工具要进入真实生产流程，得先和既有工具链、签核环节对接，这不是算法跑分能解决的事。

Goldie 说，设计一颗新芯片通常要半年到两年，所以每一颗都得精挑细选用途。

如果周期压到一周，为太空、AR、VR 和生物计算分别定制芯片在经济上就说得通，能耗也能更低。这是芯片设计自动化最实际的卖点：不是炫技，而是让定制变得便宜。

听说设计一颗芯片通常要半年到两年，我立刻想起大学室友的毕设——他画一块小芯片的版图，从开学画到答辩，桌上摊着打印出来的走线图，像铺了一地毛线。他最爱说的一句话是，等仿真跑完就睡；结果那晚电脑风扇响了一整夜，早上吐出一堆波形，红成一片。他自己先笑了，说要是设计芯片能像画图一样快，就给宿舍每人定制一颗，专门跑贪吃蛇。要是那会儿有人告诉他，有一天 AI 一周就能摆完一版布局，他大概只当我们又在夜谈里胡说。

真正的变量可能在工厂那头。晶圆产能、先进封装和光刻排产不会因为设计周期缩短而同步变快，设计提速只意味着更多芯片去抢同一批产能。

对从业者来说，重复的版图与物理设计工作会先被压缩，人力转向架构定义、验证和签核。Goldie 的表述是人负责带来想法，执行交给 AI；这套分工听上去顺理成章，实际能走到哪一步，要看工具能在生产线上跑多远。

“让 AI 设计 AI 芯片”自带一种循环感，也容易被讲成一个好故事。设计提速是真的，制造瓶颈也是真的，两者之间的距离，正是这家公司接下来要证明的部分。