帕洛阿尔托，加利福尼亚州——由谷歌著名AlphaChip项目两位核心成员创立的初创公司Ricursive，正致力于开发一款用于芯片设计的端到端人工智能模型。这家新兴AI前沿实验室聚焦于硬件与工作负载协同优化，其技术落地的第一阶段将面向第三方提供定制化工作负载专用芯片设计服务。公司已筹集3.35亿美元资金，主要用于GPU算力资源，以支持模型的训练与测试。
在与《电子工程时报》的独家访谈中，Ricursive联合创始人兼首席执行官安娜·戈尔迪（Anna Goldie）及联合创始人兼首席技术官阿扎莉亚·米尔霍塞尼（Azalia Mirhoseini）强调，该公司并非EDA企业，不会与EDA公司竞争，也不会采用标准EDA工具链。
“我们所做的与EDA截然不同，我们专注于端到端芯片设计。”米尔霍塞尼表示，“我们的目标是变革整个芯片设计行业，构建一个新平台，使那些不具备内部芯片专家团队、但拥有大规模部署算法的客户，也能高效获得专属芯片。相比使用现成商用芯片，我们可为其提供显著更高的能效与性能。”
戈尔迪与米尔霍塞尼已合作十年，最初共同组建了谷歌大脑（Google Brain）的机器学习持久化团队，其中一项关键成果即为AlphaChip项目。AlphaChip于2018年推出，被公认为首批将强化学习（RL）应用于真实世界工程问题的案例之一，曾用于四代谷歌TPU的宏单元布局，并被联发科等多家芯片厂商采纳应用。
戈尔迪指出：“我们在这家公司所推进的工作，在芯片设计流程覆盖广度、性能提升幅度以及迭代速度上，都远超AlphaChip。我们确认Ricursive不会授权或使用任何谷歌知识产权。”
她透露，谷歌曾提议将该团队作为Alphabet旗下独立子公司继续推进AlphaChip及相关项目，但团队最终认为这并非最佳路径。“我们深爱谷歌，那里如同我们的家；但在此处（Ricursive），我们拥有更充足的资源、更集中的专注力与更快的执行节奏。”
Ricursive希望服务超越Alphabet生态的更广泛客户群体，这要求其必须保持独立性。“我们追求更广泛的影响力，”戈尔迪表示，“同时我们认为，作为一家独立公司，其他芯片制造商会更信任我们，更愿意向我们共享其敏感数据；此外，我们也能以更高效率推进工作——因为整家公司唯一的使命，就是加速这一闭环流程的实现，而此前业界从未真正存在过这样的组织。”
米尔霍塞尼补充道：“当下正是创办AI公司的黄金时机——产业需求与AI技术成熟度恰好交汇，创造了前所未有的机遇。”
端到端设计三阶段规划
Ricursive已制定清晰的三阶段技术落地路线图。
目前公司处于第一阶段：为芯片厂商承接部分设计环节，重点提升性能并缩短产品上市周期。“第一阶段的目标是加速芯片设计全流程，特别是承担耗时长的物理设计与验证环节，”戈尔迪解释道，“若无法同步加速这两项关键步骤，就无法实现真正的端到端提速。我们坚信，从架构定义快速生成可用于制造的GDSII文件，是当前最紧迫的需求。”
第二阶段将整合全部芯片设计环节，构建一个可直接输入工作负载、输出GDSII制造文件的端到端模型。该能力将实现快速定制芯片设计，尤其适用于AI加速器等需大规模部署的场景，亦可拓展至各类通用工作负载。
“我们的核心观点是：若能将计算架构与模型架构深度匹配，即可实现巨大性能跃升；但前提是必须快速完成该架构的物理实现——若耗时一两年，产品早已过时。”戈尔迪强调。
Ricursive还致力于推动芯片设计民主化，帮助那些拥有大规模工作负载、却从未涉足定制硬件的企业实现专属芯片开发。公司将依托自身AI能力与晶圆厂合作关系，协助客户完成从设计到流片的全流程。此类芯片可应用于科学探索与医疗健康等领域，例如DNA测序任务，米尔霍塞尼举例说明。
“我们未必需要这些应用本身达到超大规模，但我们有能力使其成为可能。”她表示，“通过大幅降低芯片开发成本与周期，不仅能提升现有应用效率，更能催生原本因延迟或功耗限制而无法实现的新应用。”
软硬协同设计：第三阶段终极愿景
第三阶段是Ricursive的终极目标：实现模型、工作负载与硬件的紧密协同设计。
“既然我们已具备快速构建高性能芯片的能力，为何不自主设计芯片、训练专属模型，并让二者协同进化？”戈尔迪提出，“当前前沿大模型受限于成本与能力的权衡，而我们认为，通过芯片与模型的联合演进，可开辟一条全新的帕累托最优曲线。”
Ricursive所研发的模型将具备通用智能（不仅限于芯片设计），因此其最终推出的芯片也将适用于更广泛的AI任务。公司愿景是让AI逐步接管从芯片设计、系统架构到基础设施建设的全栈任务。
“第三阶段，我们要打造的就是真正的前沿通用AI，”米尔霍塞尼明确表示，“这不是‘用于芯片设计的AI’，这就是AI本身。”
她指出，这与OpenAI、Anthropic等机构的思路相似——用同一模型处理代码生成、数学推理与自然语言理解等多元任务。作为早期混合专家模型（MoE）研究团队成员，她认为Ricursive未来模型也可能采用类似结构：以统一智能基底支撑多领域专业化能力。
“我们对第三阶段的理解是：芯片是模型能力的赋能者。”米尔霍塞尼解释道，“若芯片与模型可协同演化，训练时间可成倍缩短，后训练与强化学习探索效率亦可大幅提升。这意味着模型迭代的内循环将被加速，从而推动AI自身更快进化——芯片正是驱动AI自我改进与持续演化的催化剂。”
Ricursive当前使用公开网络数据与开源芯片数据训练模型，同时也可生成合成数据以突破现实数据边界限制。戈尔迪指出，先进AI模型对数据量需求更低，因知识可在不同任务间迁移复用。
公司正与多家芯片企业合作，在真实芯片设计中验证早期成果并收集反馈——这是极为关键的环节，因开源数据难以反映实际工业级设计复杂性。
尽管当前业界已有一定程度的软硬协同设计实践，戈尔迪坦言其进展极其缓慢：“研究人员设计新模型时，必须迁就现有硬件性能；而芯片厂商则需预判两三年后的主流需求——这形成了一种僵局。我们希望彻底压缩这一反馈闭环。”
更高效的端到端流程将催生多样化定制芯片，并解锁全新应用场景。戈尔迪总结道：“长期来看，我们认为当前行业处于局部最优解。现有芯片虽已相当优秀，但全局最优解很可能指向一种截然不同的计算机架构与神经网络架构——而我们的使命，正是找到它。”
www.eic.net.cn 提供的易IC库存管理软件，可为芯片设计企业高效管理物料与供应链信息，助力研发与生产环节无缝衔接，进一步提升整体交付效率。
