Ricursive Intelligence залага на самообучаващ се AI за ускоряване и автоматизиране на проектирането на чипове

Снимка: Ricursive Intelligence / TechCrunch

В момент, когато световната надпревара за изчислителна мощност се сблъсква с физическите граници на силиция и острия дефицит на специализирани кадри, стартъпът Ricursive Intelligence представи революционна платформа, която предава проектирането на модерни интегрални схеми в ръцете на самообучаващи се AI агенти [1]. Технологията затваря цикъла между алгоритмично планиране, физическа симулация и оптимизация, обещавайки да съкрати разработката на персонализиран силиций (Custom Silicon) от няколко години на едва няколко седмици.

Полупроводниковият парадокс: Сложността изпреварва човешкия мозък

Съвременните ускорители за изкуствен интелект съдържат над 100 милиарда транзистора, разположени върху площ, не по-голяма от пощенска марка. Традиционният процес на проектиране чрез класически софтуер за автоматизация на електронното проектиране (EDA) изисква армии от стотици инженери, които ръчно разделят кристала на блокове, напасват проводници и прекарват месеци в симулиране на топлинни потоци и електромагнитни смущения.

Една-единствена грешка в топологията струва десетки милиони долари при неуспешен опит за производство в завода (Tape-out). В същото време търсенето на специализирани архитектури за специфични натоварвания (като трансформъри или биоинформатика) расте лавинообразно, превръщайки човешкия фактор в най-тясното гърло на индустрията.

Алгоритъмът на Ricursive: Обучение с подсилване за микроархитектура

Платформата на Ricursive подхожда към проектирането на чипа не като към статичен чертеж, а като към комплексна стратегическа игра, подобна на Go или шах:

• Генеративно макро-разполагане (Macro Placement): Невронната мрежа изследва милиони възможни конфигурации за разположение на изчислителните ядра и модулите памет за броени часове, намирайки неинтуитивни, но изключително плътни пространствени решения, недостижими за човешките проектанти.
• Оптимизация на енергията и температурата: Алгоритмите прогнозират появата на локални прегрявания (Thermal Hotspots) и динамично променят дебелината и маршрутизацията на захранващите шини, осигурявайки до 25% по-висока енергийна ефективност при максимално натоварване.
• Затворен симулационен цикъл: Всяка предложена промяна преминава през моментална физическа симулация на електродинамичните параметри, подавайки обратна връзка към модела, който непрекъснато се самоусъвършенства.

Пренареждане на полупроводниковата индустрия: Край на монопола на гигантите

Успехът на Ricursive поставя началото на тектонична промяна в индустрията на полупроводниците (Semiconductors). Доскоро разработването на собствен водещ чип бе привилегия, достъпна единствено за технологични гиганти с бюджети от стотици милиони долари като Apple, Google и Nvidia.

Чрез автоматизирането на най-трудоемките етапи от процеса, прагът за навлизане на пазара се срива драстично. Малки изследователски екипи и стартъпи за роботика ще могат да проектират собствен силиций, прецизно напаснат към техните невронни модели, и да го изпращат директно към производствените леярни. Това отваря пътя към нова вълна от хардуерна диверсификация, която ще разбие монопола на универсалните процесори и ще осигури следващия голям скок в изчислителната ефективност на изкуствения интелект.

Инфографика: Етапи на невронно разполагане, енергийна оптимизация и затворен цикъл на проектиране

Източници

1. Ricursive Intelligence is betting on AI-designed chips to help solve the compute crisis - TechCrunch, 14 октомври 2026 г.