رقابت در صنعت هوش مصنوعی تنها به توسعه مدل‌های زبانی محدود نمی‌شود؛ امروز سخت‌افزار و طراحی تراشه به یکی از مهم‌ترین مزیت‌های رقابتی تبدیل شده است. استارتاپ Ricursive Intelligence با تمرکز بر خودکارسازی طراحی تراشه‌ها، در تلاش است این گلوگاه کلیدی را با استفاده از AI حل کند.
بنیان‌گذاران؛ از Google Brain تا Anthropic
این شرکت توسط Anna Goldie و Azalia Mirhoseini تأسیس شده است. هر دو سابقه فعالیت در Google Brain و سپس Anthropic را دارند و پیش‌تر پروژه معروف Alpha Chip را در گوگل توسعه داده‌اند.
Alpha Chip توانست فرآیند پیچیده چیدمان اجزای تراشه را که معمولاً بیش از یک سال زمان می‌برد، به چند ساعت کاهش دهد. همین تجربه پایه علمی شکل‌گیری Ricursive شد.
جذب سرمایه سنگین در مدت کوتاه
Ricursive تنها چهار ماه پس از تأسیس، موفق شد ۳۰۰ میلیون دلار سرمایه سری A با ارزش‌گذاری ۴ میلیارد دلاری جذب کند. این دور سرمایه‌گذاری توسط Lightspeed Venture Partners رهبری شد و پیش‌تر نیز ۳۵ میلیون دلار سرمایه Seed با هدایت Sequoia Capital دریافت کرده بود.
نکته مهم اینکه Nvidia یکی از سرمایه‌گذاران این استارتاپ است؛ در حالی که همین شرکت و همچنین AMD و Intel از مشتریان بالقوه پلتفرم Ricursive محسوب می‌شوند.
Ricursive دقیقاً چه می‌کند؟
Ricursive خود تراشه تولید نمی‌کند. این شرکت ابزارهای هوش مصنوعی برای طراحی تراشه توسعه می‌دهد. طراحی تراشه شامل جای‌گذاری میلیون‌ها تا میلیاردها گیت منطقی روی ویفر سیلیکونی است؛ فرآیندی که باید هم‌زمان عملکرد، مصرف انرژی و پایداری را بهینه کند.
پلتفرم Ricursive با استفاده از شبکه‌های عصبی عمیق و مدل‌های زبانی بزرگ:
-
جای‌گذاری اجزا را بهینه می‌کند
-
کیفیت طراحی را با سیگنال پاداش ارزیابی می‌کند
-
از هر طراحی برای بهبود نسخه‌های بعدی یاد می‌گیرد
-
مراحل اعتبارسنجی مدار را خودکار می‌سازد
این رویکرد می‌تواند چرخه توسعه سخت‌افزار را به شکل چشمگیری کوتاه کند.
چرا طراحی تراشه اهمیت استراتژیک دارد؟
توسعه مدل‌های پیشرفته هوش مصنوعی بدون سخت‌افزار کارآمد ممکن نیست. همان‌طور که در تحلیل مربوط به بهینه‌سازی مصرف انرژی دیتاسنترها توضیح داده‌ایم:
https://kingmember.com/c2i-energy-optimization-in-data-centers/
هزینه انرژی و بهره‌وری زیرساخت اکنون به یکی از تعیین‌کننده‌ترین عوامل رشد AI تبدیل شده است.
همچنین افزایش تقاضا برای زیرساخت محلی AI در کشورهایی مانند هند نشان می‌دهد که رقابت تنها بر سر مدل‌ها نیست، بلکه بر سر ظرفیت پردازشی نیز هست:
https://kingmember.com/neysa-india-local-ai-infrastructure-development/
از سوی دیگر، رشد سریع کاربران ابزارهایی مانند ChatGPT فشار مضاعفی بر اکوسیستم سخت‌افزاری وارد کرده است:
https://kingmember.com/chatgpt-growth-india-100m-weekly-users/
در چنین فضایی، خودکارسازی طراحی تراشه می‌تواند نقش کلیدی در تسریع هم‌زمان تکامل مدل‌ها و سخت‌افزار ایفا کند.
ارتباط با آینده AGI و معماری‌های اختصاصی
بنیان‌گذاران Ricursive معتقدند طراحی معماری‌های اختصاصی برای هر مدل می‌تواند تا ۱۰ برابر بهبود در عملکرد نسبت به هزینه کل مالکیت ایجاد کند. اگر مدل‌های هوش مصنوعی بتوانند روی تراشه‌هایی اجرا شوند که دقیقاً متناسب با معماری آن‌ها طراحی شده‌اند، چرخه نوآوری سریع‌تر و بهره‌وری بیشتر خواهد شد.
در شرایطی که آزمایشگاه‌های تحقیقاتی جدید با رویکردهای بنیادین وارد میدان شده‌اند:
https://kingmember.com/flapping-airplanes-innovation-lab-ai-focus/
بهینه‌سازی لایه سخت‌افزار می‌تواند مکمل طبیعی این موج تحقیقاتی باشد.
جمع‌بندی
Ricursive Intelligence در حال ساخت لایه‌ای هوشمند برای طراحی نسل بعدی نیمه‌هادی‌هاست. تمرکز بر خودکارسازی و یادگیری مستمر در طراحی تراشه، این استارتاپ را در موقعیتی استراتژیک قرار داده است. در رقابت جهانی هوش مصنوعی، برنده نهایی احتمالاً شرکتی خواهد بود که بتواند نرم‌افزار و سخت‌افزار را به‌صورت هم‌زمان و هماهنگ تکامل دهد؛ و Ricursive دقیقاً روی همین نقطه تمرکز کرده است.
