用 AI 設計 AI 晶片：Recursive Intelligence 創辦人 Anna Goldie 的遞迴野心

本文整理自 TBPN 2025 年 12 月 19 日播出的年終特別節目。

「我唸電腦科學的原因，就是因為想做 AI。」Anna Goldie 在訪談中回憶，那是 2004 年，她在 MIT 聽了一場午餐演講，講的是能理解和生成人類語言的電腦系統。「從那之後，我就一直朝這個方向走。」

二十年後，她創辦了 Recursive Intelligence，剛從 Sequoia 領投的一輪融資中拿到 3,500 萬美元。公司的目標聽起來像繞口令：用 AI 設計晶片，然後用這些晶片來加速 AI。這是一個遞迴循環——也是公司名字的由來。

晶片設計的時間困境

要理解 Recursive Intelligence 在解決什麼問題，需要先理解現代晶片設計的痛點。Anna 給出一個具體數字：設計一顆像 TPU 這樣複雜的晶片，需要 2 到 3 年的時間。

這個時間框架帶來一個根本性的矛盾：當你開始設計晶片的時候，你必須預測 2-3 年後的 AI 模型會長什麼樣子、需要什麼樣的運算能力。但 AI 領域的變化速度，讓這種預測幾乎不可能準確。「實際上，你等於是在為現在的模型設計晶片，」Anna 說，「這意味著你留了一大堆效能在桌上。」

她的團隊曾經做過一個實驗：如果為特定的機器學習模型設計專用加速器——即使只是非常初步的客製化——總體擁有成本（Total Cost of Ownership）可以改善將近 10 倍。這還是在不能改動模型本身的情況下。如果模型和晶片可以一起設計、互相優化，改善幅度會更大。

問題是，目前能做到這種客製化的公司屈指可數。你需要數百甚至數千名晶片設計專家，需要數億美元的投資，需要承擔設計失敗的風險——可能花了兩年時間，最後發現晶片無法達到時序或功耗要求，整個專案報廢。對於絕大多數公司來說，這不是可行的選項。

三個階段的願景

Anna 把 Recursive Intelligence 的發展分成三個階段。

第一階段是「加速現有流程中最慢的部分」。晶片設計中有兩個特別耗時的環節：實體設計（physical design）和設計驗證（design verification）。實體設計是指把邏輯電路轉換成實際的晶片佈局——這個過程在複雜晶片上可能需要一年。設計驗證則是確保高階規格被正確實現在 RTL（暫存器傳輸層級）程式碼中——這也是另一個漫長的等待。如果這兩個環節可以用 AI 加速，晶片公司就能更快推出產品。

第二階段更有野心：給定一個機器學習模型（或一組模型），直接設計出最適合的晶片，一路到可以送去 TSMC 製造的 GDS2 格式。在這個階段，Recursive 不只是加速現有流程，而是讓更多公司有能力設計自己的客製晶片。

第三階段是「關閉遞迴循環」——用 Recursive 設計的晶片來加速 Recursive 自己的 AI 系統，形成正向循環。

為什麼 Gemini 有優勢

訪談中一個有趣的觀察是 Anna 對 AI 模型競爭格局的看法。當被問到「對今年 AI 進展的看法」時，她說：「我覺得 Gemini 現在有一個優勢，因為他們在做 TPU 和 Gemini 模型的共同優化。」

這個觀點呼應了 Recursive 的核心論點：硬體和模型的協同設計，可以帶來顯著的效能提升。Google 是少數有能力同時控制這兩端的公司——他們既設計 TPU，也訓練 Gemini。這讓他們可以推動「能力 vs. 成本」的邊界，達到其他只能用現成 GPU 的公司做不到的效率。

「在演算法層面，大家的想法其實差不多，大約在同一時間會想到同樣的東西，」Anna 說，「也許某種程度上大家會互相交流。但硬體是一個真正的優勢。長期來看，能把硬體和模型一起優化的實驗室，會贏。」

這個觀點也許帶有「賣瓜說瓜甜」的成分——畢竟她創辦的公司正是要幫更多人做硬體優化。但邏輯本身是站得住腳的。

客製晶片的寒武紀爆發？

當被問到「TSMC 現在有多少客戶，未來會有多少」時，Anna 沒有給出具體數字，但她的答案暗示了一個可能的趨勢。目前，多數人只聽過三種 AI 晶片：NVIDIA GPU、Google TPU、AWS Trainium。但 Anna 認為，如果設計門檻降低，客製晶片的數量會爆發性成長。

「今年 AI 推論市場規模是 1,000 億美元，而且還在快速成長。AI 會無所不在——在嵌入式裝置裡，在資料中心裡。如果設計不需要 2-3 年，如果不需要數百上千人的專家團隊，我們可以大幅擴展這個市場。」

這個願景的驗證點會是：有多少原本不會設計晶片的公司，開始設計自己的晶片。如果一家 SaaS 公司、一家醫療影像公司、一家自駕車公司，都開始用 Recursive 的工具設計專屬加速器，那就證明了這個市場確實被打開了。

從 Google Brain 到 Anthropic 到創業

Anna 的職涯路徑本身就是一個有趣的故事。她 2013 年加入 Google Research 做語言模型研究，2016 年加入 Google Brain，在那裡跟 Azalia Mirhoseini 一起創建了「機器學習用於系統」（ML for Systems）團隊。這個團隊最知名的成果是 AlphaChip——用 AI 來設計晶片佈局。

後來她去了 Anthropic，是早期員工之一，在 ChatGPT 和 Claude 發布之前就加入了。她在那裡做 RL 後訓練和程式碼生成。「那是一段很棒的經歷，」她說，沒有多談細節。

從這個背景來看，Recursive Intelligence 是她過去十年經驗的自然延伸：在 Google 她學會了用 AI 設計晶片，在 Anthropic 她看到了最前沿的模型能力。現在她把這兩件事結合起來，試圖證明一個假設——AI 已經足夠強大，可以接管晶片設計中最複雜的部分。

「AI 設計 AI 晶片」聽起來像科幻小說的情節，但 Anna Goldie 把它變成一個有明確階段、有商業模式、有頂級投資人背書的公司。

Sequoia 願意領投 3,500 萬美元，說明他們相信這個賭注：如果晶片設計的門檻真的可以大幅降低，這將釋放巨大的市場機會。目前只有少數巨頭有能力做客製 AI 晶片——Google、Amazon、Meta。如果 Recursive 成功，這個名單可能會長得多。

「晶片是 AI 的燃料，」Anna 在訪談一開始就說，「如果我們可以用 AI 來改善運算的狀態，我們就能關閉這個遞迴循環。」

2-3 年後，我們會知道這個循環能轉多快。