Z Product｜Google AlphaChip原班人马创业，融资3亿美元：AI正在学会设计自己的芯片“大脑”

Z Highlights 

• 成立仅 4 个月即完成 3 亿美元 A 轮融资，估值达到 40 亿美元。资本市场正在押注一个看似科幻、却已被验证的方向——AI 设计 AI 自己所需的芯片。

• AlphaChip 把芯片布图时间从数月压缩到数小时，而 Ricursive 想自动化的，是整个芯片设计行业。未来设计芯片或许不再需要工程团队，只需要一句话需求描述。

• 从“Fabless（无晶圆厂）”到“Designless（无设计团队）”，Ricursive 正在试图定义芯片产业的下一个时代。

• 如果成功，芯片设计周期将从数年缩短到数周，硬件创新的速度可能被重新定义。

01 Ricursive Intelligence：让 AI 设计自己的“大脑”

过去两年，几乎所有 AI 巨头都在争夺同一种资源——算力（Compute）。

NVIDIA 市值一路攀升，成为全球最具价值的科技公司之一；Google 持续迭代 TPU；Amazon 推出 Trainium；OpenAI 与 Broadcom 合作研发 AI 芯片；马斯克也多次公开提及 Tesla 自研 AI 芯片的重要性。这其中的原因便是：在大模型时代，算力正在成为最重要的生产资料。

更强大的算力意味着更大的模型、更快的训练速度以及更低的推理成本。某种程度上，AI 能力的竞争正在逐渐演变为算力基础设施的竞争。然而，当所有公司都在追求更强算力时，一个隐藏的矛盾开始浮现：创造算力的过程，依然十分缓慢。

今天，一颗 AI 芯片从设计到最终流片，通常需要 18 至 36 个月时间。在 3nm 等先进制程下，研发成本甚至可能超过 6 亿美元，其中超过一半来自工程师团队的人力投入。

芯片设计流程涉及架构规划、RTL 开发、验证测试、物理设计以及最终流片等多个复杂环节。即便对于 Google、NVIDIA 等拥有顶级团队的公司而言，开发一款新芯片仍然是一场耗时数年的工程。换句话说，当 AI 模型开始以月为单位快速迭代时，支撑这些模型运行的芯片却仍然以年为单位更新。这种速度上的错配，正在成为 AI 发展的新瓶颈。

图片来源：Google Deepmind

Ricursive Intelligence 正是在这样的背景下诞生。

Ricursive Intelligence 由 Google AlphaChip 项目负责人 Anna Goldie 和 Azalia Mirhoseini 于 2025 年创立。与当前大多数 AI 芯片创业公司不同，Ricursive 并不制造芯片，而是试图改变芯片被设计出来的方式。

成立仅数月，公司便获得红杉资本领投的 3500 万美元种子轮融资，估值达到 7.5 亿美元。随后，Lightspeed 又领投了 3 亿美元 A 轮融资，公司估值迅速攀升至 40 亿美元，成为近期最受关注的 AI 基础设施创业公司之一。

在两位创始人看来，限制 AI 发展的关键瓶颈并不只是模型本身，而是创造这些模型所依赖的底层硬件。如果能够利用 AI 重构芯片设计流程，让原本需要数年的工作缩短至数周，那么硬件创新的速度也将被重新定义。而这，正是 Ricursive 试图实现的目标。

02 从设计一颗芯片，到设计所有芯片

过去几十年里，芯片设计一直遵循着同样的逻辑：工程师负责设计，EDA（电子设计自动化）工具负责辅助。Cadence 和 Synopsys 等公司统治这一市场数十年，它们的核心价值在于帮助工程师更高效地完成工作。Ricursive 做的则是另一件事。它并不满足于给工程师提供更好的工具，而是希望让 AI 直接成为设计工作的执行者。这个区别看似微小，却决定了两者完全不同的天花板。

今天，一块先进 AI 芯片的诞生，需要经历一条漫长而复杂的流水线。

工程师首先要完成架构规划，确定芯片的整体结构和模块分工；随后进行 RTL 开发，用硬件描述语言将逻辑功能转化为代码；接着进入功能验证阶段，确保设计行为符合预期；之后还要完成综合、布局、布线等物理设计工作，将逻辑描述转化为真实的几何结构；最终经过时序收敛、功耗优化和制造验证，才能交付晶圆厂进行流片生产。

每一个环节都有专门的工程师团队负责，每一个环节都伴随着大量的迭代与等待。整条链路走下来，往往需要两到三年时间。而 Ricursive 想做的，是让 AI 参与并逐步接管这条链路上的每一个关键环节。

他们将自己的产品定位描述得极为简洁：“Designs， verifies and closes silicon。”（设计、验证、收敛）短短三个词，几乎覆盖了芯片从逻辑构思到物理实现的完整生命周期。

1.第一阶段，是攻克芯片设计流程中最耗时的关键瓶颈。

芯片研发周期之所以漫长，并不是因为所有环节都同样复杂，而是少数几个关键步骤决定了整体进度。Ricursive 希望率先解决这些“长板凳”问题，将原本需要两到三年完成的设计周期压缩至数周。事实上，两位创始人已经在 Google 时期就证明过这种思路的可行性。

她们主导开发的 AlphaChip，专门用于解决芯片设计中的布图规划（Floorplanning）问题。这个环节长期以来高度依赖资深工程师经验，往往需要数周甚至数月时间完成。而 AlphaChip 将其转化为强化学习任务，通过不断尝试和反馈学习最优布局方案。

视频来源：Google Deepmind

视频展示了 AlphaChip 从零经验状态开始学习芯片布局的过程。左侧为未经训练的模型，右侧则是完成 20 个 TPU 相关设计训练后的结果。随着经验积累，模型能够越来越高效地完成同一模块的布局规划。更重要的是，这种能力并非停留在实验室。Google 随后将 AlphaChip 应用于多代 TPU 设计之中。

图片来源：Google Deepmind

从公开结果来看，AlphaChip 生成的布局方案在关键指标上已经能够优于传统人工方案，并最终进入实际生产环境。对于整个行业而言，这或许是第一次证明：AI 不仅能够辅助芯片设计，也能够真正参与芯片设计。而 Ricursive 第一阶段想做的，本质上正是将 AlphaChip 验证过的能力进一步扩展，从单个设计环节走向更多关键环节。

2.第二阶段，是实现端到端的自动化设计闭环。

届时，客户输入的不再是一份详细的工程规格书，而只是一个工作负载需求。系统将从这一需求出发，自主完成架构设计、验证优化、物理设计以及 GDSII 文件生成等全部流程，并最终交付给台积电等晶圆代工厂进行制造。

芯片设计，将从“人工设计”逐步走向“按需生成”。但对于 Ricursive 而言，自动化并不是终点。

3.第三阶段背后的想象空间——递归飞轮（Recursive Loop），才是真正的重头戏。

如果 AI 能够设计出更高效的芯片，而这些芯片又用于训练下一代 AI 模型；更强大的模型再去设计下一代芯片；新的芯片又继续推动模型能力提升——那么硬件与软件之间将形成一个持续自我强化的循环。

这便是 Recursive Loop。

图片来源：Ricursive Intelligence

这也是公司名字 Ricursive 的来源。在她们的叙事框架里，芯片不仅是 AI 运行的平台，更是推动 AI 持续进化的燃料。而 Ricursive 想做的，正是让这种燃料的生产过程实现自动化。

如果这一愿景能够实现，芯片设计或许将不再是少数巨头掌握的能力，而会像今天的软件开发一样，逐渐成为一种可以被快速生成、持续迭代的基础设施。

03 创始人团队：AlphaChip 背后的 A&A 组合

如果说 Ricursive 最值钱的资产是什么，答案或许不是技术，而是创始人本身。在 AI 行业里，Anna Goldie 和 Azalia Mirhoseini 被很多人直接称作“A&A”组合。

图片来源：Ricursive Intelligence

过去十年，她们几乎参与了人工智能与计算基础设施领域最重要的几项突破。

Anna Goldie 毕业于麻省理工学院，随后在斯坦福大学师从著名自然语言处理学者 Christopher Manning 攻读博士学位。她先后在 Google Brain、Anthropic 和 Google DeepMind 工作，参与过系统机器学习、Constitutional AI、检索增强生成（RAG）以及 Gemini 等多个重要项目。2021 年，她入选《麻省理工科技评论》TR35 榜单，被评为全球 35 岁以下最具影响力的创新者之一。

图片来源：Linkedin

Azalia Mirhoseini 则拥有莱斯大学电子与计算机工程博士学位，目前担任斯坦福大学助理教授，并领导 Scale Intelligence Lab。除了主导 AlphaChip 项目之外，她还是 2017 年经典 MoE（Mixture of Experts）论文的重要作者之一。如今，包括 GPT-4、Gemini 在内的大量前沿模型，都不同程度地建立在这一技术路线之上。她同样入选了《麻省理工科技评论》TR35 榜单。

如果说过去十年 AI 行业最重要的两条主线分别是“大模型”和“算力基础设施”，那么 A&A 几乎始终身处其中。但比起耀眼的履历，更特别的是两人的合作关系。

过去九年间，她们的职业轨迹几乎完全重合。她们同一天加入 Google Brain，又同一天离开；同一天加入 Anthropic，又同一天离开；后来又一起回到 Google，最终共同创办 Ricursive Intelligence。

事实上，AlphaChip 的诞生本身就带着一点传奇色彩。当时，Anna 和 Azalia 正在起草一封邮件，希望向 Jeff Dean 提出一个大胆的研究方向：利用人工智能设计芯片。两人反复修改邮件措辞，希望说服管理层支持这个看起来有些疯狂的想法。就在邮件即将发送时，一封来自 Jeff Dean 的邮件率先出现在她们的收件箱里，而内容正是同一个想法。于是，一个原本看似天方夜谭的项目正式启动，并最终演变成后来的 AlphaChip。

今天看来，AlphaChip 几乎成为了 AI 芯片设计领域的起点。它被应用于 Google 多代 TPU 设计，也让整个行业第一次看到了 AI 参与真实芯片设计的可能性。而 Ricursive 某种程度上正是 AlphaChip 的延续。不同的是，在 Google 内部，她们能够优化的是 Google 自己的芯片；而创办 Ricursive 之后，她们想做的是把这种能力扩展到整个行业。

当然，Ricursive 并不只有 A&A。根据公司披露的信息，目前团队成员拥有开发 Gemini、Claude、Grok 以及 Google TPU 等多个项目的实践经验，核心成员来自 Google DeepMind、Anthropic、NVIDIA、Cadence、Apple、xAI、斯坦福大学、麻省理工学院和哈佛大学等机构。这样的团队构成并非偶然。因为 Ricursive 试图解决的问题，本身就横跨两个长期分离的世界：一边是人工智能模型，一边是半导体设计。

过去，AI 研究员负责让模型变得更聪明；芯片工程师负责让硬件运行得更快。而Ricursive 试图建立的“递归飞轮”，要求团队同时理解这两个世界，并让它们以前所未有的方式协同进化。

从某种意义上说，Ricursive 并不是一个从零开始的创业故事。它更像是 AlphaChip 的下一章。区别在于，这一次，A&A 不再只是为 Google 设计芯片，而是试图重新定义整个芯片设计行业。

04 四个月 40 亿美元估值背后

对于一家刚刚成立的公司来说，Ricursive 的融资速度几乎有些夸张。

2025 年 12 月，公司正式成立并宣布完成由红杉资本领投的 3500 万美元种子轮融资，估值达到 7.5 亿美元。彼时，Ricursive 甚至还没有公开发布完整产品。仅仅几个月后，公司再次宣布完成由 Lightspeed 领投的 3 亿美元 A 轮融资，估值跃升至 40 亿美元。短短四个月，估值增长超过五倍。

图片来源：Lightspeed

在当前 AI 创业浪潮中，即便是最热门的大模型公司，也很少出现如此迅猛的增长曲线。那么，投资人究竟在押注什么？

答案或许并不复杂——他们押注的并不是一款芯片设计软件，而是一种全新的产业范式。

过去几十年里，半导体行业经历过一次重要变革——从“IDM 模式”走向“Fabless 模式”。芯片公司不再自己建设昂贵的晶圆厂，而是将制造环节交给台积电等专业代工厂，自己专注于设计。而 Ricursive 试图推动的，则是下一次变革。两位创始人将其称为：Designless。

如果说 Fabless 意味着“没有工厂”，那么 Designless 意味着“没有设计团队”。未来，企业不需要组建庞大的芯片研发部门，也不需要维护数百人的设计团队。客户只需要告诉 Ricursive 自己的需求——性能、功耗、成本、应用场景——剩下的工作全部交给 AI 完成。从架构设计到验证优化，从物理实现到最终流片，整个过程都由系统自动完成。对于投资人而言，这意味着市场规模被重新定义了。

过去，只有少数科技巨头有能力设计定制芯片；而在 Designless 时代，理论上任何企业都可能拥有属于自己的专用芯片。正如两位创始人在公开采访中所描述的那样，她们希望推动一场“定制芯片的寒武纪大爆发”。

而更大的想象空间，则来自 Ricursive 名字中的那个“Recursive”——AI 设计芯片，芯片训练 AI；更强大的 AI 再去设计更先进的芯片。

当软件与硬件形成持续自我强化的循环时，计算能力的进步速度或许将不再受传统研发周期限制。这也是为什么 Ricursive 始终将自己定义为一家“Frontier AI Lab”，而不仅仅是一家芯片设计公司。在她们看来，芯片并不是终点。芯片只是推动下一代 AI 诞生的基础设施。

回头来看，红杉和 Lightspeed 真正下注的，或许并不是 Ricursive 今天已经做到什么。而是如果这套递归飞轮能够成功运转，它最终可能带来的结果。毕竟在 AI 时代，很少有事情比“创造更强大的算力”拥有更大的想象空间。

References: 

此处列举引用信息的来源

https://www.ricursive.com/

https://techcrunch.com/2026/02/16/how-ricursive-intelligence-raised-335m-at-a-4b-valuation-in-4-months/

https://lsvp.com/stories/investing-in-ricursive-intelligence-ai-for-chip-design-and-chip-design-for-ai/

https://dejan.ai/blog/ricursive/

https://www.nature.com/articles/s41586-021-03544-w.epdf?sharing_token=tYaxh2mR5EozfsSL0WHZLdRgN0jAjWel9jnR3ZoTv0PW0K0NmVrRsFPaMa9Y5We9O4Hqf_liatg-lvhiVcYpHL_YQpqkurA31sxqtmA-E1yNUWVMMVSBxWSp7ZFFIWawYQYnEXoBE4esRDSWqubhDFWUPyI5wK_5B_YIO-D_kS8%3D

https://deepmind.google/blog/how-alphachip-transformed-computer-chip-design/

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”