تصور کنید یک مهندس سختافزار به جای گذراندن سه سال برای طراحی یک تراشه، بتواند کل این مسیر را در چند هفته طی کند. این جهش در سرعت، تنها راهی است که میتواند مانع از تبدیل شدن سختافزار به گلوگاه رشد هوش مصنوعی شود.
ارزشگذاری ۴ میلیارد دلاری برای شرکتی که هنوز محصول تجاری عرضه نکرده، یک سیگنال صریح است: دیگر دادهها تنها محدودیت ما نیستند، بلکه سیلیکون است که سرعت پیشرفت را تعیین میکند. Ricursive Intelligence روی این فرضیه شرط بسته است که برای حفظ شتاب فعلی، باید اجازه داد هوش مصنوعی سختافزاری را که روی آن اجرا میشود، طراحی کند.
طراحی یک تراشه مدرن فرآیندی طاقتفرسا است که معمولاً دو تا سه سال زمان میبرد. این تأخیر باعث میشود قابلیتهای نرمافزاری بسیار سریعتر از توان سختافزار برای اجرای بهینه آنها رشد کنند. همانطور که در تحلیلهای قبلی ما دربارهی زیرساختهای محاسباتی اشاره کردیم، این وضعیت شبیه تلاش برای نصب موتور یک ماشین فرمول یک روی بدنه یک خودروی معمولی است؛ یعنی نرمافزاری فوقپیشرفته که در بدنه سختافزاری قدیمی و کند محبوس شده است.
Ricursive Intelligence قصد دارد این بازه زمانی را به شدت کاهش دهد. هدف این شرکت، تبدیل چرخه طراحی از سالها به هفتههاست. آنها معتقدند با کاهش این شکاف، میتوانند معماریهای کاملاً جدیدی را باز کنند و تراشههایی خلق کنند که در اجرای مدلهای AI به مراتب بهینهتر باشند.
این استارتاپ در اواخر ۲۰۲۵ توسط آنا گولدی و آزالیا میرحسینی تأسیس شد. به گزارش تککرانچ (TechCrunch) در ۲۵ سپتامبر ۲۰۲۶، این دو نفر پیش از این پروژه AlphaChip را در گوگل رهبری میکردند. دستاوردهای آنها در گوگل باعث شد طراحی چندین نسل از واحد پردازش تنسور (TPU) — که شبیه به یک موتور تخصصی برای محاسبات سنگین AI است — به جای چندین ماه که توسط انسانها زمان میبرد، تنها در چند ساعت انجام شود.
گولدی و میرحسینی سوابق پژوهشی عمیقی دارند. هر دو از کارکنان اولیه آنتروپیک (Anthropic) و دانشمندان ارشد پژوهشی در گوگل دیپمایند (Google DeepMind) بودهاند و تیم ML for Systems گوگل را هم بنیانگذاری کردند.
آنا گولدی، مؤسس و مدیرعامل Ricursive، دارای مدرک دکتری علوم کامپیوتر از دانشگاه استنفورد است و توسط MIT Technology Review به عنوان یکی از «۳۵ نوآور زیر ۳۵ سال» معرفی شده است. آزالیا میرحسینی، مؤسس و مدیر فنی (CTO)، استاد دستیار علوم کامپیوتر در استنفورد و بنیانگذار آزمایشگاه Scaling Intelligence در این دانشگاه است.
این شرکت اکنون مفهوم AlphaChip را به یک پلتفرم خودکارسازی کامل تبدیل کرده است. بر اساس مستندات این استارتاپ، سامانه آنها بر سه محور اصلی و حیاتی در خط تولید تمرکز دارد:
- جایگذاری اجزا (Component Placement): خودکارسازی محل قرارگیری ترانزیستورها و بلوکهای منطقی روی سطح سیلیکون برای بهینهسازی مسیرها.
- تأیید طراحی (Design Verification): استفاده از AI برای اطمینان از عملکرد درست تراشه و نبود خطا پیش از ورود به مرحله گرانقیمت ساخت (Fabrication).
- یادگیری متقاطع (Cross-Design Learning): سیستم به گونهای طراحی شده که از هر تراشه درس میگیرد و آموختههای یک معماری را در طراحی معماری بعدی به کار میبرد.
سرمایهگذاران با سرعت زیادی به سراغ این پتانسیل رفتند. این شرکت تنها در چهار ماه اول پس از راهاندازی، ۳۳۵ میلیون دلار جذب کرد که ۳۰۰ میلیون دلار آن مربوط به یک دور سرمایهگذاری سری A بود. نکته کلیدی این است که انویدیا (Nvidia) در میان سرمایهگذاران است؛ این یعنی غول تراشهها متوجه شده است که خودکارسازی فرآیندی که مزیت رقابتیاش را تعریف میکند، ضروری است.
این وضعیت یک حلقه بازخورد قدرتمند میسازد: هوش مصنوعی سختافزار بهینهتری طراحی میکند، این سختافزار اجازه آموزش مدلهای قدرتمندتری را میدهد و این مدلها در نهایت سختافزارهای بهتری میسازند. اگر Ricursive بتواند چرخه طراحی را به چند هفته برساند، تکامل هوش مصنوعی دیگر به سرعت کند مهندسی انسانی وابسته نخواهد بود و سرعت رشد هوش مصنوعی از زنجیرهای سختافزاری رها میشود.
برای صنعت، این به معنای تغییر ماهیت «جنگ تراشهها» است؛ رقابت دیگر بر سر تعداد مهندسان نیست، بلکه بر سر داشتن بهترین AI برای خودکارسازی طراحی است. برندههای این میدان کسانی خواهند بود که میتوانند معماری سختافزار را در لحظه (Real-time) تغییر دهند و تکرار کنند. این موضوع میتواند باعث شود طراحیهای استاتیک تراشهها حتی پیش از آنکه از کارخانه خارج شوند، منسوخ گردند.
گولدی و میرحسینی در رویداد TechCrunch Disrupt ۲۰۲۶ (از ۱۳ تا ۱۵ اکتبر در مرکز Moscone West در سانفرانسیسکو) درباره این رویکرد «حلقه بسته» صحبت خواهند کرد. نشست آنها با عنوان «وقتی AI طراحی سختافزار خود را آغاز میکند»، بخشی از یک رویداد بزرگتر است که بیش از ۲۰۰ نشست، ۲۵۰ سخنران و ۳۰۰ استارتاپ شرکتکننده دارد. انتظار میرود بیش از ۱۰,۰۰۰ بنیانگذار، سرمایهگذار و رهبر تکنولوژی در این مراسم حضور یابند. باید منتظر ماند و دید آیا آنها بنچمارکهای دقیقی از بهرهوری انرژی تراشههای طراحیشده توسط AI در برابر طراحیهای انسانی ارائه میدهند یا خیر.
گام بعدی شما
- دنبال کردن نتایج نشست Ricursive در اکتبر ۲۰۲۶ برای مشاهده اعداد واقعی بهرهوری انرژی.
- بررسی تأثیر کاهش زمان طراحی تراشه بر قیمت نهایی سرویسهای استنتاج ابری.
- تحلیل اینکه آیا انویدیا از این فناوری برای تسریع عرضه نسلهای بعدی Blackwell استفاده میکند یا خیر.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو