当神经网络开始“画芯片”：Recursive想把硬件设计也自动化

如果你以为神经网络只是替代算法、写写代码，那这场分享会直接把你拉回现实：它们已经开始接管芯片设计本身。来自 Sequoia Capital 舞台的两位创始人，讲述了一家新公司如何让 AI 不只是跑在芯片上，而是亲手设计芯片。

最反直觉的一点：神经网络不是“辅助工具”，而是在接班

整场活动反复出现一个主题：神经网络正在替代大量传统工具。但真正让人坐直身体的，不是这句话本身，而是它出现的语境——芯片设计。过去几十年，这是一个极度依赖专家经验、规则系统和手工调优的领域。Anna Goldie 在台上抛出的信号很明确：神经网络不再只是帮工程师“快一点”，而是开始承担原本只有人类专家才能完成的核心决策。

这意味着什么？意味着我们熟悉的 EDA 工具范式正在被动摇。不是“AI 加速设计流程”，而是“AI 本身就是设计者”。这种角色变化，才是很多人低估、甚至还没来得及认真讨论的部分。

Recursive Intelligence 的野心：把“不可能匹配”的能力变成商品

Azalia Mirhoseini 和 Anna Goldie 在分享中谈到，她们之所以创立 Recursive Intelligence，是因为现有成果已经不足以承载她们的目标。她们想做的，不是一个 demo，也不是一项内部研究，而是一家公司——把这套能力真正推向产业。

一句话点出了野心所在：以“在价格或能力上都不可能被匹配”的方式，提供智能。这不是营销话术，而是对传统芯片设计成本结构的正面挑战。设计更复杂的芯片，通常意味着更长周期、更高人力成本。但如果设计本身由神经网络主导，边际成本的曲线就完全变了。

更重要的是，这不是纸上谈兵。她们提到，已经有外部公司在采用这类技术，比如 MediaTek。这一细节很关键：它说明这套方法已经跨过了“看起来很美”的阶段，进入真实商业环境。

方法论的变化：不是更大的模型，而是更会“放置”的模型

在谈到具体方法时，团队并没有陷入模型参数或算力竞赛，而是强调“如何获得显著更多性能”。这里的关键词不是 scaling，而是 decision-making。

芯片设计中一个极其关键、也极其复杂的环节是布局与放置。传统方法依赖规则、启发式搜索和大量人工经验，而 Recursive 的思路，是让神经网络在这个高维空间里直接学习“什么样的放置更好”。这不是简单预测，而是策略问题。

当现场有人追问芯片放置的形状细节时，全场的掌声和笑声其实很说明问题：这是一个外人很少意识到、但内行极度关心的痛点。也恰恰是在这些“看似不起眼”的决策上，性能差距被无限放大。

真正的分水岭：AI 不只跑在硬件上，而是定义硬件本身

从更宏观的角度看，Recursive 在做的事情，指向一个更大的趋势：AI 与硬件的关系正在反转。过去，我们先有人类设计的硬件，再让 AI 去适配；而现在，AI 开始反过来塑造硬件形态。

这会带来一个连锁反应：更适合 AI 工作负载的芯片、更短的设计周期、以及更低门槛的硬件创新。最终结果，可能不是“某一家公司更强”，而是整个硬件创新节奏被拉快。

当 Anna 说“这是一个新时代”时，这句话并不夸张。因为一旦设计自动化被证明可行，它就几乎不可逆。

总结

这场分享真正值得 AI 从业者反复回味的，不是某个具体模型，而是一个判断：智能的边界，已经从软件扩展到物理世界的设计层。如果你在做 AI，这意味着未来的机会不只在模型和应用，还在那些“传统上不属于 AI”的领域；如果你在做硬件，更要意识到，核心竞争力可能正在从经验曲线，转移到数据与学习能力。

一个值得带走的思考是：当设计本身可以被学习和优化，我们现在赖以建立壁垒的东西，还有多少是真正安全的？

关键词： 神经网络， 芯片设计， Recursive Intelligence， AI硬件， 自动化设计

事实核查备注： 需要核查：公司名称 Recursive Intelligence 的官方英文名；提及的外部采用方 MediaTek 是否在视频中明确说明；发言人姓名 Anna Goldie、Azalia Mirhoseini 的拼写；视频具体时长以确认文章结构匹配度。