文章重點
- Google DeepMind前研究員Anna Goldie與Azalia Mirhoseini共同創辦Ricursive Intelligence，專注AI驅動的晶片設計自動化
- 公司成立僅兩個月便完成3億美元A輪融資，估值達40億美元，由Lightspeed Venture Partners領投，Sequoia、DST Global、NVentures等跟投
- 四個月內累計融資3.35億美元，創下AI晶片設計領域的融資速度紀錄
- 兩位創辦人正是AlphaChip的核心研發者——該系統能在數小時內完成人類工程師需要數月才能完成的晶片佈局設計
- Nvidia旗下NVentures的參投意味深長，暗示即便是晶片巨頭也認為AI設計晶片是不可逆轉的趨勢
從DeepMind實驗室到40億美元初創：一場蓄謀已久的出走
2023年6月，一篇發表在《Nature》期刊的論文震動了半導體產業。論文展示了一個名為AlphaChip的AI系統，能夠在數小時內完成晶片佈局設計——這項工作通常需要人類工程師團隊花費數周甚至數月。論文的兩位核心作者，正是Anna Goldie和Azalia Mirhoseini，當時她們都是Google DeepMind的資深研究科學家。
AlphaChip採用深度強化學習方法，將晶片佈局問題轉化為一種類似棋盤遊戲的策略優化問題。系統將數以百萬計的電路元件視為「棋子」，晶片表面視為「棋盤」，然後通過數百萬次模擬找到最優的擺放策略。結果不僅速度遠超人類，在功耗、面積和信號延遲等關鍵指標上也往往優於資深工程師的手工設計。
然而，在DeepMind內部，AlphaChip的商業化路徑始終不夠清晰。Google自身並非晶片設計公司（儘管有自研TPU），而DeepMind的核心使命是通用人工智能研究，而非面向半導體產業的垂直應用。對Goldie和Mirhoseini來說，要真正釋放AI晶片設計的潛力，離開大公司的體制、建立一家專注於此的獨立企業，或許是唯一的選擇。
2025年底，兩人正式離開DeepMind，創辦了Ricursive Intelligence。名字中的「Ricursive」（遞歸）暗示了公司的核心理念：用AI設計出更好的晶片，而更好的晶片又能運行更強大的AI——一個自我增強的遞歸循環。
資本狂潮背後的冷靜邏輯：為什麼投資者如此急切？
3億美元的A輪融資、40億美元的估值、成立僅兩個月——這些數字在任何行業都足以令人側目。但如果深入理解半導體產業當前面臨的根本性瓶頸，投資者的急切便不難理解。
首先是設計週期的問題。一顆先進晶片從概念到流片（tapeout），通常需要2至4年的開發週期。在這段時間裏，數百名工程師需要完成架構設計、邏輯綜合、物理佈局、時序分析、功耗優化等無數步驟。每一步都涉及在互相矛盾的設計約束之間尋找最佳平衡——這正是AI擅長的領域。
其次是人才短缺。全球半導體產業正面臨嚴重的工程人才缺口。根據美國半導體行業協會（SIA）的數據，僅美國就預計到2030年短缺約30萬名半導體相關人才。而培養一名資深晶片設計工程師通常需要10至15年。AI自動化設計工具不是替代人類工程師的威脅，而是解決人才瓶頸的必要手段。
第三是AI算力需求的爆炸性增長。從GPT到Gemini到Claude，每一代大型語言模型對算力的需求都在以數量級的速度增長。如果晶片設計的速度跟不上AI模型對算力的需求增長，整個AI產業都將面臨基礎設施層面的瓶頸。Ricursive Intelligence的核心價值主張，就是用AI打破這個瓶頸——讓下一代AI晶片的設計速度跟上AI應用的發展速度。
投資陣容的戰略意義
此輪融資的投資者名單本身就是一份戰略地圖。Lightspeed Venture Partners領投，該基金近年在AI基礎設施領域押下重注；Sequoia Capital的參與代表了矽谷頂級風投對AI晶片設計賽道的認可；DST Global的加入意味着國際資本的背書。而最引人注目的是NVentures——Nvidia的企業風險投資基金。Nvidia作為全球最大的AI晶片公司，其投資部門參與一家AI晶片設計初創公司的融資，發出了一個明確信號：即便是晶片設計領域的王者，也認為AI自動化設計是不可逆轉的趨勢，寧可成為這個浪潮的投資者而非被顛覆者。
AlphaChip的遺產：從學術突破到商業野心
要理解Ricursive Intelligence的技術潛力，必須回顧AlphaChip在DeepMind的發展歷程及其已被驗證的成果。
AlphaChip並非紙上談兵的學術項目。Google已經在其多代TPU（Tensor Processing Unit）晶片的設計中使用了AlphaChip的技術。根據DeepMind公開的數據，AlphaChip生成的晶片佈局在面積利用率、功耗效率和時序性能等指標上，均達到甚至超過了資深人類工程師的水平。更關鍵的是，它將佈局設計的時間從數周壓縮到數小時，這意味着工程團隊可以在相同的時間內探索更多的設計方案，找到更優的解決方案。
然而，AlphaChip在DeepMind的應用範圍始終局限於Google自家的TPU設計。Ricursive Intelligence的野心顯然遠大於此——將AI晶片設計能力商業化，服務於整個半導體產業。從手機處理器到汽車晶片，從數據中心GPU到物聯網微控制器，每一類晶片的設計都可能從AI自動化中受益。
當然，從DeepMind的內部工具到面向整個產業的商業產品，這中間還有巨大的鴻溝需要跨越。AlphaChip針對的是Google TPU的特定架構和設計流程，而不同晶片公司使用不同的設計工具鏈（如Synopsys、Cadence的EDA工具）、遵循不同的設計規範、面對不同的製造工藝約束。Ricursive Intelligence需要建立一個足夠通用的AI設計平台，能夠適應這種巨大的多樣性——這也是3.35億美元融資的用途之一。
半導體EDA產業的地殼運動：Synopsys與Cadence的應對
Ricursive Intelligence的崛起對現有的電子設計自動化（EDA）產業格局構成了直接挑戰。EDA是半導體設計不可或缺的工具鏈，而這個市場長期被兩家公司寡頭壟斷：Synopsys和Cadence Design Systems，兩者合計佔據全球EDA市場約70%的份額。
這兩家公司並非對AI趨勢毫無準備。Synopsys早在2020年就推出了DSO.ai（Design Space Optimization AI），用AI優化晶片設計中的參數搜索過程。Cadence也在其Cerebrus平台中整合了機器學習功能。但這些工具本質上是在傳統EDA流程中嵌入AI輔助功能，而非從根本上重新定義晶片設計的方法論。
Ricursive Intelligence的潛在威脅在於，如果AI能夠端到端地完成從架構探索到物理佈局的整個設計流程，那麼傳統EDA工具的角色可能被大幅削弱。當然，這種場景在短期內不太可能實現——晶片設計的複雜性意味着AI不太可能在所有環節都取代人類專業判斷。但即使AI只是在佈局優化、時序收斂、功耗分析等特定環節提供數量級的效率提升，就已足以重塑EDA產業的競爭格局。
值得注意的是，Synopsys在2024年曾試圖以350億美元收購Ansys，意在構建涵蓋設計、仿真、驗證的全棧工具鏈。這一收購本身就反映了EDA巨頭對AI顛覆的焦慮——通過擴大產品線來提高防禦壁壘。Ricursive Intelligence的出現，將進一步加劇這種焦慮。
遞歸循環的深層意涵：AI為AI設計晶片
Ricursive Intelligence的公司名稱蘊含的「遞歸」概念，指向了一個更深層的哲學和技術命題：當AI足夠強大到能夠設計出讓自己變得更強大的硬體，會發生什麼？
這不是科幻小說的情節，而是一個正在逐步成為現實的技術路線圖。目前的循環是這樣的：人類設計AI晶片（如Nvidia的H100/B200/Rubin系列）→ 這些晶片訓練出更強大的AI模型 → 更強大的AI模型被用來輔助設計下一代晶片。Ricursive Intelligence的目標是大幅加速這個循環中的最後一步——讓AI在晶片設計中的參與度從「輔助」提升到「主導」。
如果這個遞歸循環真的能夠顯著加速，其影響將遠超半導體產業本身。晶片設計週期的壓縮意味着AI算力的增長速度可能突破當前的物理和工程限制。目前，算力增長主要受制於三個因素：摩爾定律的放緩（製程微縮的物理極限）、設計複雜度的爆炸（更多電晶體意味着更複雜的設計挑戰）、以及製造產能的限制。Ricursive Intelligence瞄準的是第二個瓶頸——如果AI能將設計週期壓縮50%以上，那麼同樣的工程資源就能在相同時間內迭代更多代的晶片設計，等效於加速了摩爾定律的節奏。
這也解釋了為什麼Nvidia的NVentures會參與投資。對Nvidia來說，更快的晶片設計迭代速度直接意味着更快地推出下一代GPU產品。即使Ricursive Intelligence的技術最終被Nvidia內部採用而非取代Nvidia，這項投資的戰略回報也是巨大的。
「遞歸改進」的歷史先例
AI加速自身硬體發展並非全新概念。在軟體領域，「自舉」（bootstrapping）——用一個編譯器來編譯自身的改進版本——是計算機科學的經典範式。在硬體領域，Intel從1990年代開始就使用自家處理器來運行晶片設計軟體，但那本質上只是「用晶片運行設計工具」，而非「用AI智能地設計晶片」。Ricursive Intelligence的願景是後者——不僅用算力加速設計流程，更用AI的智能來優化設計決策本身。這種「AI設計AI晶片」的遞歸循環，一旦真正啟動，其加速效應可能超出線性預期。
風險與挑戰：40億估值的壓力測試
儘管Ricursive Intelligence的技術前景和創辦人背景都令人印象深刻，但40億美元的估值——對一家成立僅兩個月、尚無營收的公司——仍然需要經受嚴格的壓力測試。
技術風險：從實驗室到量產的鴻溝。AlphaChip在Google TPU設計中的成功並不保證同樣的方法能無縫遷移到其他晶片架構和設計流程。半導體設計的碎片化程度極高——不同的應用場景（手機、汽車、數據中心）、不同的製程節點（3nm、5nm、7nm）、不同的設計工具鏈，都對AI系統提出了截然不同的要求。構建一個真正通用的AI晶片設計平台，挑戰可能比在DeepMind內部優化單一架構大一個數量級。
市場風險：客戶採納的信任門檻。晶片設計的錯誤代價極其高昂。一次流片的成本在先進製程上可高達數千萬美元，而如果設計缺陷導致晶片返工，損失更是不可估量。在這種高風險環境下，晶片公司對新工具的採納極其謹慎——即使AI工具在測試中表現出色，要讓保守的半導體工程團隊在量產設計中信任AI的判斷，仍然需要漫長的驗證過程和豐富的成功案例積累。
人才風險：留住頂尖AI研究者。Ricursive Intelligence的核心價值在很大程度上繫於Goldie和Mirhoseini的技術專長和研究聲譽。但在當前AI人才爭奪白熱化的市場環境下，頂尖研究者面臨的挖角壓力巨大。3.35億美元的融資中有多少用於人才招募和留任，將是公司能否持續保持技術領先的關鍵。
競爭風險：巨頭的反擊。除了Synopsys和Cadence的既有AI佈局外，Google本身是否會利用AlphaChip的技術推出商業化產品也是一個問號。此外，其他科技巨頭如Microsoft、Meta也在投資內部的AI晶片設計能力。Ricursive Intelligence需要在巨頭反應過來之前建立足夠深的護城河。
知識產權風險：與DeepMind的邊界。Goldie和Mirhoseini在DeepMind期間開發的AlphaChip技術，其知識產權歸屬於Google。Ricursive Intelligence必須確保其技術路線與AlphaChip有足夠的差異化，避免陷入與前東家的法律糾紛。這並非沒有先例——Google曾因類似的知識產權問題與多家前員工創辦的公司產生摩擦。兩位創辦人如何在借鑒過去研究經驗的同時建立獨立的技術體系，是一個需要謹慎處理的微妙平衡。
對香港半導體與AI產業的啟示
Ricursive Intelligence的崛起對香港的科技產業發展提供了多維度的啟示。
首先，AI晶片設計工具的民主化可能為香港的IC設計企業帶來新的機遇。香港科學園和數碼港已有數家專注於特定應用領域IC設計的初創企業，但它們普遍面臨的挑戰是設計人才短缺和開發週期過長。如果Ricursive Intelligence的工具能夠顯著降低晶片設計的門檻和成本，香港的中小型IC設計公司可能迎來一波增長機遇。
其次，Ricursive Intelligence的融資故事再次凸顯了深度技術創業的巨大價值。兩位創辦人在DeepMind期間發表的研究成果，直接轉化為數十億美元的創業估值。這對香港的大學研究機構是一個強烈的信號：真正具有產業應用潛力的前沿研究，其商業價值可能遠超想像。港大、中大、科大等研究型大學在AI和半導體領域都有一定的研究積累，如何建立更有效的技術轉移和創業支持機制，是值得深思的課題。
第三，從大灣區協同發展的角度看，深圳和香港在半導體設計領域存在高度的互補性。深圳擁有龐大的晶片設計產業集群和豐富的硬體製造供應鏈，而香港則具備國際化的人才環境、成熟的知識產權保護體系和便利的國際資本對接渠道。AI晶片設計工具的興起，可能為深港兩地在這一領域的深度合作開闢新的空間。
最後，從更宏觀的地緣政治角度看，AI晶片設計能力正在成為大國科技競爭的新戰場。在全球半導體供應鏈持續重組的背景下，擁有AI輔助晶片設計能力的經濟體將在這場重組中佔據更有利的位置。香港作為中國與國際市場之間的超級連接者，有條件在AI晶片設計工具的研發和應用方面發揮獨特的橋樑角色。
Ricursive Intelligence的故事才剛剛開始。3.35億美元的融資為這家年輕公司提供了充足的「彈藥」，但能否將AlphaChip的學術突破轉化為改變整個半導體產業的商業產品，仍然是一個需要數年才能回答的問題。唯一確定的是，AI驅動的晶片設計已經從一個學術概念變成了一個獲得頂級資本認可的商業賽道——而這個賽道的天花板，可能比大多數人想像的要高得多。