一块芯片从设计到流片，通常需要数百名工程师耗费数年时间。而英伟达每推迟一天发货，就意味着约2.25亿美元的机会成本从指缝间流走。
这不是危言耸听，这是Anna Goldie在Sequoia活动现场引用的行业数字。她和联合创始人Azalia Mirhoseini站在台上，用十分钟讲清楚了一件事：芯片设计这个人类最精密的工程活动，正在被AI从根部重塑。
她们的公司叫Ricursive（原名Recursive Intelligence）。这个名字本身就是一个宣言。
一个在Nature发表、却在真实芯片上跑起来的研究
故事要从2018年说起。
那一年，Anna和Azalia在Google Brain启动了一个项目：用深度强化学习来解决芯片布局问题。所谓芯片布局，就是把数十亿个标准单元和晶体管放置在一块芯片画布上，再将它们全部连线——这是物理设计中最复杂、最耗时的环节之一。
她们训练了一个强化学习智能体。它学会了在芯片画布上做决策：这个模块放哪里，走线怎么绕，时序约束如何满足。
结果让人意外。这个智能体生成的布局，性能超过了人类专家。
更关键的是：它不只是一个论文结果。这项工作以「AlphaChip」之名发表在《Nature》上，但它真正的重量来自另一个事实——它被用在了Google真实的芯片流片上。谷歌最近四代TPU（AI加速器芯片）、Axion数据中心CPU、Pixel手机芯片、自动驾驶芯片，以及联发科的外部采用，AlphaChip的布局方案都在其中。
一个研究项目，从实验室直接跑进了支撑全球AI基础设施的硅片里。
Anna事后回忆，物理设计工程师第一次看到AI生成的布局时，反应是「震惊」。人类专家习惯做整齐、规则、网格状的排列；而AI生成的布局看起来像有机体——弯曲的、流动的、近似自然生长的形状。但这些「奇怪」的形状，恰好最小化了走线长度，提升了信号速度。
美，来自约束的极限解。
递归飞轮：AI设计芯片，芯片加速AI
Ricursive公司的核心命题，用Anna的原话来说是：「芯片是AI的燃料，我们应该用AI来设计、优化和自动化芯片设计流程，从而在AI与其物理基底之间形成一个递归的自我改进闭环。」
这句话值得拆开来看。
AI模型需要算力，算力来自芯片。如果AI能够设计出更好的芯片，新芯片就能训练出更强的AI，更强的AI又能设计出下一代更好的芯片——这个循环一旦启动，就不会自己停下来。
这正是「Recursive Intelligence」这个名字的由来：递归，不是程序语言里的概念，而是一种物理层面的自我增强机制。
但要让这个飞轮真正转起来，有一个绕不过去的瓶颈：现有的芯片设计工具，太慢了。
把工具提速100,000倍，才能喂饱AI
Azalia在演讲中展示了传统芯片设计流程的全貌：从架构设计，到物理设计，再到最终签核（sign-off）发送给晶圆厂——每一个环节都有商业EDA工具在跑，每次优化迭代可能需要数天时间。
「这些工具有时候一次优化迭代就要跑好几天。」
问题在于：AI模型的本质是在反馈循环中学习。强化学习智能体需要试错，需要高频迭代，需要快速获得奖励信号。如果每次仿真都要等几天，AI根本没有机会学习。
Ricursive的解法是：在用AI之前，先把工具本身重建一遍。
她们以静态时序分析（STA，Static Timing Analysis）为例——这是物理设计中最关键也最耗时的组件之一，用于验证芯片在特定时钟频率下能否正确工作。Ricursive自研了一个STA引擎，与商业工具保持高度一致的精度，同时将速度提升了1000倍。
1000倍的速度意味着什么？意味着AI可以在一天之内完成人类工程师需要三年才能尝试的优化路径数量。强化学习的外循环（outer loop）因此被彻底解锁：AI围绕这个快速工具不断调整策略，性能曲线在迭代中持续陡升。
这不是「把AI嵌入旧工具」的思路，而是「为AI重建整个工具链」。
三个阶段，从加速到颠覆
Ricursive对自己的路径有清晰的阶段规划。
第一阶段，是帮现有芯片厂商提速。当前芯片设计的两大瓶颈——物理设计和设计验证——各自可能消耗长达一年的时间，动辄涉及数百到数千名专家。Ricursive的目标是让这个过程更快、更便宜、更节能。
第二阶段，是民主化芯片设计。Anna描述的图景是：任何公司，只要有一个足够规模的计算工作负载，都可以提交给Ricursive，拿到一块专为这个工作负载定制的芯片，直到GDS2格式——即发往晶圆厂的制造文件。
这个设想的核心在于「无需自己拥有芯片设计团队」。就像fabless（无晶圆厂）模式让英伟达、苹果可以专注于芯片架构设计、把制造外包给台积电一样，Ricursive想要开创「designless」（无设计）模式——让公司专注于应用和模型，把芯片设计本身外包出去。
「我们想成为芯片设计的平台，让公司可以专注于应用层和模型层，我们来提供使这些应用成为可能的计算和硬件。」
第三阶段，则是垂直整合：如果Ricursive已经掌握快速设计高性能芯片的能力，为什么不自己造芯片、训练自己的模型，并将两者协同进化？那时能提供的性价比和能力，将是外部竞争者难以追及的。
「寒武纪大爆发」：为什么定制芯片的时代必然到来
Azalia在演讲中提出了一个判断：当前AI推理市场只有少数几种主流芯片，但未来需要的是一场「芯片寒武纪大爆发」。
理由是：不同的AI工作负载有截然不同的性能需求。训练大模型需要极高的矩阵运算吞吐量；端侧推理需要极低的功耗；实时视频处理需要低延迟；金融风控需要高并发……一块通用芯片不可能在所有维度上都最优。
而自定义芯片（custom silicon）的障碍一直是成本：设计一块专用芯片的代价太高，只有英伟达、苹果、谷歌这样的巨头才负担得起。
Ricursive要打破的，正是这道门槛。
当芯片设计可以被AI自动化，当一个工作负载描述可以直接生成制造文件，「专用芯片」就不再是大公司的特权。任何在特定规模上运行AI工作负载的企业，都能获得为自己量身定制的硅片。
即便只提升1%的性能，对于以前沿模型规模运行推理的公司来说，也是巨大的经济收益。
团队：LLM专家与芯片专家的罕见组合
Ricursive团队的构成本身就颇为反常。
Anna和Azalia各自有横跨Google Brain、Anthropic、DeepMind、斯坦福的履历。但公司的特殊性在于：她们将一批曾参与过Gemini、Grok等顶级大模型研发的LLM专家，与芯片设计领域的深度专家拼在了一起。
这两个群体通常生活在平行宇宙里。LLM工程师不了解EDA工具链的复杂性；芯片设计师不掌握强化学习和大规模模型训练的技巧。把他们放在同一个问题上，才能真正做到「跨栈协同设计」——而这恰恰是Ricursive方法论的核心。
写在最后
一个很容易被忽视的细节：Anna和Azalia将公司命名为「Recursive Intelligence」，然后又将其缩写为「Ricursive」——多了一个字母「i」。
这个「i」，站在Intelligence的位置上，也站在那个无限循环的自我提升结构的核心。
芯片造AI，AI造芯片。这个循环的每一圈，都比上一圈更快、更强。
当AI开始为自己设计大脑，我们可能正在见证一场没有终点的加速。
关键金句
金句1：「芯片是AI的燃料，我们应该用AI来设计和优化芯片，从而在AI与其物理基底之间形成递归的自我改进闭环。」 金句2：「我们想开创'designless'时代——就像台积电让英伟达专注设计一样，让公司专注于应用层，把芯片设计本身交给我们。」 金句3：「我们把工具提速100,000倍，是因为AI模型需要快速迭代的反馈信号——如果每次仿真要等几天，AI根本没有机会学习。」 金句4：「AI生成的芯片布局看起来像有机体，弯曲而流动——物理设计工程师第一次看到时都震惊了，但这些'奇怪'的形状恰好性能最优。」 金句5：「即便只提升1%的芯片性能，对于以前沿模型规模运行推理的公司来说，也是一场巨大的胜利。」