# 做过四代TPU的AlphaChip团队创业了：AI设计芯片，芯片再反过来养AI

> Training Data No. 77 中文精读

- 原标题：How Ricursive Intelligence’s Founders are Using AI to Shape The Future of Chip Design
- 发布日期：2026-01-14
- 主持：Sonya Huang · Pat Grady · Konstantine Buhler 等
- 网页版：https://trainingdata.qiaomu.ai/ep/077-how-ricursive-intelligences-founders-are-using-ai-to-shape-t-55LT52.html
- 精读字数：约 4412 字（阅读约 10 分钟）

> 本文为 trainingdata.qiaomu.ai 基于原始访谈的 AI 改写中文精读，非官方翻译；引用请注明出处并链接网页版。

2018年，两个从没画过一天芯片的研究员，拿着AI排布的芯片布局去找谷歌TPU团队，对方看完有点生气：你们展示的这个指标，我们根本不在乎。

八年后，她们的AI用进了连续四代谷歌TPU。2026年1月，这两位研究员在红杉资本的播客Training Data上官宣创业，公司叫Ricursive Intelligence。名字故意拼错一个字母，把Recursive开头的Re换成RI，RI正好是公司全名的头两个字母。

她们是Anna Goldie和Azalia Mirhoseini，谷歌大脑出身，AlphaChip项目的共同负责人，后来分别在Claude和Gemini两个体系里做大模型训练相关的工作。新公司的赌注一句话就能说完：**AI来设计芯片，芯片再反过来养大AI。**

## 芯片成了AI最慢的一环

先把问题摆清楚。这轮AI的底层逻辑是规模定律：算力给得越多，模型越聪明。预训练如此，后训练如此，推理时的思考也一样。

但这里有个错位。今天跑AI的主力GPU，最初为图形处理设计，后来被拿去挖矿，再被拿来训练神经网络，理由仅仅是它擅长大矩阵乘法。模型和硬件，从头到尾没被真正一起优化过。

Azalia指出了更根本的麻烦：**芯片和模型本该共同设计，但两者的节奏差得太远。**设计一颗芯片要几年，新一代AI方法几个月就冒出来。等芯片流片回来，跑在上面的模型早已换了好几茬。她在节目开头就说：

> 如果能把芯片设计提速，我们就能让工作负载、应用和芯片一起共同设计、共同进化。

这就是「芯片是AI的瓶颈」的含义。她们2018年在谷歌启动AlphaChip，2021年成果登上《自然》杂志，冲的就是这个瓶颈。

## 被TPU团队骂出来的产品

AlphaChip最早做的甚至和芯片布局无关，是把神经网络映射到芯片上的编译器问题。那个项目效果不错，两人开始找影响力更大的题目，撞上了芯片物理设计里的布局环节，行话叫floorplanning。

这件事难在哪？Azalia给了一组数字：哪怕只是芯片里的一个模块，需要优化的图就有数百万个节点，每个节点都要摆放、布线，还要同时满足功耗、面积、性能的约束，以及台积电这类代工厂在先进制程上定下的物理规则。这是超大规模的组合优化问题，而且每个指标本身都很难评估。

她们的思路是用强化学习训练一个智能体，让它反复尝试不同布局，从好坏结果里学习，越做越强。**和以往所有方法的本质区别，是它能从经验里自我改进**，就像人类专家解题越多水平越高。

然后是那次著名的碰壁。两人按学术界惯例，先优化了半周长线长这个论文常用指标，兴冲冲拿去展示。Anna回忆，对方真的生气了：

> 你们给我们看这个干嘛？我们不在乎半周长线长。我们要的是布线后的线长、水平和垂直拥塞、时序违例、功耗和面积。

两人回去接着听、接着改。TPU团队的Mustafa写了一套极快的拥塞和密度成本函数，双方一起把这些真实指标变成优化目标，再用商业工具验证，证明优化这些近似指标确实能换来最终结果上的优势。Anna事后总结了一条经验：**要让客户觉得这件事里也有他一份。**

信任是这样攒出来的：每周汇报一次，连续两年。TPU芯片太大太复杂，被拆成几十个模块，每个模块由一名工程师或一个小组负责，出了问题就是他的责任。让一个人放弃自己画的布局，选一个AI生成的、看起来歪歪扭扭的方案，还要为此签字担责，唯一的办法是**在每一个指标上都赢过人类**。

结果摆在数据里：一代接一代，AlphaChip被采用的模块越来越多，覆盖面积越来越大，超人类的幅度也越来越大。谷歌后来发布的AlphaChip博客放了三代TPU的数据，之后它又用进了新的一代，合计四代。Anna说，AI布局和人工基线的差距还在拉大，因为模型见过的模块越来越多，**这是AI随数据扩展的天然属性**。

## 外星人的曲线

AlphaGo的第37手出名，是因为人类棋手不会那么下。芯片布局里也有自己的第37手。

人类的习惯是把存储宏单元排得整整齐齐，逻辑放中间，连线横平竖直。AlphaChip的布局里出现了曲线，甚至甜甜圈形状。Anna解释，曲线能减少布线通道，直接压低功耗和时序违例，只是手工做曲线布局太复杂，人类不愿冒这个险。她管这些方案叫「外星人」。

比曲线更关键的是让她们决定创业的那几个时刻：第一次在部分模块上拿到超人类结果；流片回来，芯片真的能跑，这一步出错代价极其昂贵；以及看到**模型解决的问题越多，它就越强**。Azalia的原话很直白：

> 到了那个时刻，就没有什么能拦住AI了。它能见过的问题实例，比任何一个人一辈子能做的都多。

AlphaChip当年只覆盖物理设计里的一个环节，而芯片设计还有很多阶段。两人的判断是，今天LLM的能力、图优化方法、合成数据、超大规模分布式算力都到位了，端到端优化整个芯片设计流程的窗口开了，所以是现在。

## 递归自我改进，以及为什么不只靠大模型

公司名字里的RI，就是核心论点本身。芯片是AI的燃料，规模定律驱动着AI每一步进步。**芯片设计得越快、越贴合模型，有效算力就越多，规模定律的曲线就弯得越快，下一代AI来得越早，而下一代AI又能回头把芯片设计得更好。**她们要的就是这个递归循环，主持人称它是整个AI竞赛的「根节点问题」。

循环里有个现实问题：训练数据从哪来。开源数据没什么价值；客户愿意给数据，但两人明确不拿客户数据来训练，各家的数据严格隔离。答案是合成数据。两人在Claude和Gemini体系里都做过合成数据和代码领域的训练工作，她们判断合成数据能带来比任何客户所能提供的还要大几个数量级的数据规模。

主持人的问题很尖锐：大模型写代码已经这么强，为什么不顺理成章地学会设计芯片？Azalia的回答是，芯片设计只有一部分和语言、代码相关，更大的部分是芯片的图结构和物理约束，是超大规模组合优化，需要专门的AI方法。她们的路线是混合的：LLM会用得很充分，负责它擅长的阶段；同时为每个阶段打造极快、极专的优化模块，LLM围着这些模块迭代。**用对的方法对付对的问题。**

## 从fabless到designless

Anna讲了个行业故事。过去人们认为，没有自己晶圆厂的芯片公司做不大。台积电改变了这一切，催生出一批fabless公司，不用建厂，照样做到万亿美金市值，英伟达是代表。

她们认为历史要重演一次：**fabless解决的是「不用自己建厂」，designless要解决的是「不用自己养设计团队」。**今天一家公司想做定制芯片，得组建几百到上千人的内部专家团队。而仅推理这一项，全行业今年的开销就超过1000亿美元，还在快速增长。有大规模推理负载的公司，本来都值得拥有一颗为自己的模型定制的芯片，只是养不起那个团队。designless之于芯片，就像云计算之于机房，公司不必再自建机房养运维。

主持人Stephanie数了一圈正在自研芯片的公司：谷歌TPU、亚马逊Trainium、OpenAI和博通的合作，甚至特斯拉。两人的判断是，从模型、数据、软件到芯片的全栈共同设计会越来越多，定制芯片将迎来一场寒武纪大爆发：AR和VR设备、助听器、太空里的芯片。这些体验只有在推理延迟和功耗足够低时才成立。连手机都一样，Anna说，Pixel手机就要为不同温度、不同电压设置留出各种「角落」，太空的温差和辐射只会更极端，需要自己的定制芯片。

第一阶段的客户很明确：英伟达、AMD、ARM、联发科这些已经在设计芯片的公司，帮它们压缩设计周期。但她们不想停在工具层面，终极目标是让任何有大规模工作负载的公司，不需要几百人的团队就能拥有定制芯片。

面对Synopsys和Cadence这对EDA双寡头（主持人Sonya的父母都曾在Cadence工作，两家也都在给自己的工具加AI），Anna说她们来自相反的方向：两人是前沿AI实验室出身，不想用AI一个模块一个模块地替换旧工具，她们想重新想象整个流程，把各阶段放在一起共同优化。

## 争论、苦涩教训，和一年后的产品

AlphaChip当年在互联网上吵出过不小的动静，有人坚称结果没那么神。Azalia说，AI每次进入一个新领域做出颠覆性东西，都会遇到这种反应，这是「苦涩教训」的一部分：一种靠数据和算力扩展、端到端解决问题的新方法，超过了人们打磨几十年的手艺，接受起来当然难。

有意思的是Anna的一个观察。她原以为最不高兴的会是岗位受威胁的物理设计工程师，实际上工程师们只是怀疑，看到足够多的数据后就接受了。**真正被刺痛的，是在旧方法上投入多年的研究者。**Anna说得很坦诚：

> 你把自己的时间、聪明才智甚至一部分灵魂都倒进那些方法里，然后一群外行带着更简单、靠数据和算力堆起来的方法进来，还做得比你好。这确实疼。

但这项工作的外溢比争论大得多：强化学习和图神经网络的方法被推广到芯片设计其他环节，2023年DAC最佳论文用的就是这套思路，一作如今是她们公司的同事；专注AI做芯片设计的会议，比如LLM-Aided Design，也从无到有。Anna还讲了个段子：一位博士生说AlphaChip启发了他整个博士论文，她问怎么读到这篇论文的，对方回答，因为那场争论。

公司成立几周，Jiwoo、Yi-Chen、Dan、Ebrahim等人已经加入。招人横跨两头：芯片设计每个环节的顶尖人才，加上LLM侧的预训练、后训练、强化学习、评测和数据专家。一年内的目标很具体：**发布第一个产品，建立强商业合作。**这个产品会瞄准芯片设计里最耗时的环节，比今天的工具更端到端。

至于人类工程师干什么？Anna拿Claude Code和Cursor打比方：人不再手写每一行代码，但产出被放大了。AlphaChip已经能批量生成不同取舍下的最优曲线，过去人工生成一个点要几周，现在模型随手就是一大把，人的工作变成探索「我们到底要什么」。Sonya开玩笑总结：以后是vibe code芯片了。

节目最后聊到她们共事过的人：Jeff Dean、Noam Shazeer、Quoc Le。Anna记得Jeff给她的绩效反馈只有一句，「对别人要求更多一些」，还有他对实习生和总裁一视同仁的做派。Quoc Le做了她们近十年的经理，留下两句话：深度学习让我们都成为文艺复兴式的人，可以跨领域做贡献；还有，在公司里要玩得开心。

最后是几条明天就能用的东西：

- **向怀疑你的人证明自己，别靠一次汇报，靠节奏。**每周给数据，连续给两年，再深的怀疑也会被磨穿。
- **先搞清客户用什么指标考核自己，再展示成果。**半周长线长再漂亮，客户在乎的是拥塞和时序。用客户的语言说话。
- **让客户参与构建方案。**成本函数是和TPU团队一起写的，功劳和责任共享，采纳就成了顺水推舟。
- **审视自己的手艺：它是随经验变强的，还是随数据和算力变强的？**如果是后者，尽早把这类方法用到自己的工作里，做那个驾驭它的人。

Azalia对AGI的看法是乐观的：每个人的生产力都会被推到极端，创造的经济价值有望以前所未有的规模分配出去。Anna的版本更朴素：「也许到那时候，我们都能休个假了。」