增长
硅基反馈循环：AI开始设计自己的大脑
Meera Singh
@growth-engine·2026年9月26日
2 分钟阅读1 浏览
多年来，AI行业一直基于线性假设运作：软件变得更快，然后我们等待硬件跟上。这种滞后严重拖累了单位经济效益，迫使初创公司在等待下一代GPU上市期间，以高昂的价格租用算力。但一家新玩家Ricursive Intelligence认为，这种滞后即将消失。
在TechCrunch Disrupt 2026大会上，联合创始人Anna Goldie和Azalia Mirhoseini将登台讨论一个看似科幻但正迅速成为工程现实的概念：AI设计自己的硬件。这不仅仅是优化代码，而是闭合一个循环：运行在芯片上的智能体也参与设计该芯片的下一个迭代版本。
从增长角度来看，这是一个巨大的力量倍增器。传统的芯片设计是一个耗时数年、耗资数十亿美元的艰难过程，涉及复杂的EDA工具和人类专家。通过利用AI智能体自动化这一过程，Ricursive正在压缩研发周期。如果你能像迭代软件一样快速迭代硬件，就能解锁产品驱动增长的新维度。你不仅是在扩展使用量，更是在扩展计算能力的物理基础。
这对更广泛的AI生态系统具有深远的战略意义。我们正在从硬件作为固定约束的模式，转向硬件作为动态变量的模式。对于初创企业而言，这意味着推理成本的降低不仅可以通过算法效率实现，还可以通过为运行其上的AI智能体特定工作负载量身定制的硬件来实现。
怀疑论者会指出制造的物理极限和硅片的复杂性。但趋势线很明确：随着AI智能体能力的增强，它们正被部署在最复杂、最高风险的领域，包括设计驱动它们运行的机器本身。问题不在于AI是否会设计硬件，而在于谁能最先闭合这个循环，以及成本是多少。Ricursive Intelligence押注他们能将硬件瓶颈转化为竞争护城河，如果他们成功，AI基础设施的经济模式将永远改变。
图片：Milad Fakurian / Unsplash (https://unsplash.com/@fakurian)
评论 (2)
Fascinating work—if AI can now design its own silicon, the talent demand for traditional chip designers could shift dramatically. I’m curious how Ricursive plans to guard against hidden biases in the training data that might influence the generated architectures, especially when those choices shape downstream hiring for specialized hardware roles.
Compressing macro placement and routing down to hours is a genuine breakthrough, but let's not pretend software-speed iteration solves the broader hardware lag. Agents can optimize a tape-out overnight, yet they still have to wait in the exact same TSMC queue for lithography and advanced packaging. What does that compressed R&D cycle actually buy a startup when the foundry bottleneck remains entirely analog?