4 個月融 3.35 億美元：AlphaChip 創始人要終結晶片設計的人海戰術

本文整理自 Sequoia Capital 2026 年 4 月 AI Ascent 活動的演講。

{{< youtube K05Dh-QjM8c >}}

{{< spotify "episode/4ss30p6dfHVvM6jUbeaFce" >}}

---

半年前的預告，現在兌現了多少？

去年 12 月，Anna Goldie 和 Azalia Mirhoseini 離開 Google DeepMind，成立了 Ricursive Intelligence，宣稱要用 AI 改寫整個晶片設計流程。當時 Sequoia 領投了 3,500 萬美元的種子輪，外界既期待又觀望。半年後，她們站上 Sequoia AI Ascent 2026 的舞台，帶來的不只是願景簡報，還有實際跑起來的工具 demo。

這篇文章不重述她們的創業故事（我們之前已經寫過三篇），而是追蹤半年來的進展：錢從哪裡來、人從哪裡來、技術走到哪了，以及這件事跟台灣半導體產業的關係。

4 個月，從種子輪到 40 億美元估值

Ricursive 的募資速度，即使放在矽谷 AI 新創的瘋狂脈絡中，依然驚人。2025 年 12 月 2 日正式成立，Sequoia 領投 3,500 萬美元種子輪。不到兩個月後的 2026 年 1 月 26 日，Lightspeed Venture Partners 領投了 3 億美元的 A 輪，投後估值 40 億美元。DST Global、NVIDIA 旗下的 NVentures、Felicis Ventures 也都參與了這一輪。

4 個月內累計融資 3.35 億美元，團隊據報導不到 20 人。這個人均融資額在 AI 新創圈也算頂級。

投資人在賭什麼？兩件事。第一，兩位創辦人的履歷幾乎無法複製：她們在 Google Brain 共同創建了 ML for Systems 團隊，開發的 AlphaChip 技術被用在四代 Google TPU 的實際量產中，論文發表在 Nature。第二，晶片設計的自動化是一個「為什麼現在」的問題有了明確答案的市場。AI 算力需求爆發，但設計一顆先進晶片仍然需要上千名工程師花上兩三年，成本動輒 6 億美元以上。這個矛盾已經尖銳到不能再忽視。

有意思的是 NVIDIA 旗下的 NVentures 也投了。NVIDIA 自己就是晶片設計公司，投資一家要「自動化晶片設計」的新創，等於承認這條路是真的走得通，而且寧可及早佈局，也不要等它長成競爭對手。

技術實績：先讓工具跑快一千倍

在 AI Ascent 的演講中，Azalia Mirhoseini 展示了一個關鍵的技術洞見：AI 設計晶片的瓶頸，其實不在 AI 本身。現有的設計工具太慢了。

傳統的商用 EDA 工具跑一次最佳化迭代，可能需要好幾天。對人類工程師來說，這個速度勉強可以接受，因為人類本來就需要時間消化結果、做判斷、再調整。但對 AI 來說，這簡直是災難。強化學習的核心邏輯是快速試錯：跑一次、看結果、調整策略、再跑一次。如果每次迭代要等好幾天，AI 根本學不起來。

Ricursive 的做法是，先從底層重寫這些設計工具。她們展示的 STA（Static Timing Analysis，靜態時序分析）引擎，速度是商用工具的一千倍，同時與業界標準工具的分析結果保持極高的一致性。靜態時序分析是晶片設計中一個非常關鍵的驗證步驟，它確保晶片上所有電子訊號都能在正確的時間到達正確的位置。如果這一步出錯，晶片做出來就是廢的。

快了一千倍意味著什麼？原本跑一天的分析，現在不到兩分鐘就能完成。這讓 AI 終於有了足夠快的回饋迴路來進行大規模最佳化。Azalia 在演講中提到，她們的目標是讓整個設計工具鏈快上十萬倍。一千倍只是開始。

這個「先把工具做快，再讓 AI 上場」的策略很聰明。Ricursive 沒有在現有工具上面加一層 AI 包裝就收工，她們選擇把整個基礎設施重新打造。這也解釋了為什麼她們需要那麼多錢。

團隊組成：兩個世界的人坐在一起

Ricursive 的團隊結構很特別。Azalia 在演講中特別提到，她們刻意把兩種截然不同的人才放在一起：一邊是大型語言模型（LLM）的專家，曾經參與 Claude、Gemini、Grok 等前沿模型的開發；另一邊是半導體設計的資深工程師，懂製程、懂佈局、懂驗證。

這兩位創辦人本身就是這種跨界的縮影。她們在 Google Brain 一起做 AI 系統最佳化，後來一起去了 Anthropic 參與 Claude 的早期開發，又一起回到 Google DeepMind 做 Gemini，然後一起離開創業。所有的職涯異動都在同一天，合作了整整十年。

為什麼 LLM 人才對晶片設計公司重要？因為 Ricursive 要打造的是一套完整的 AI 系統，從模型架構、訓練方法到推理最佳化都要懂，才能建出真正好用的強化學習 agent。光會套現成工具不夠，你得從底層理解 AI 怎麼學習。同時，這些 agent 產出的結果必須通過半導體產業極其嚴格的驗證標準。一張晶片的製造成本可能上億美元，沒有容錯空間。

Anna Goldie 在 Q&A 時透露了一個細節：她們的 AI 產生的晶片佈局，形狀是彎曲的、有機的，跟人類工程師習慣的規整網格完全不同。第一次看到這種佈局的資深工程師都嚇了一跳。但實測證明，這些看起來「亂」的佈局，因為最小化了線路長度，效能反而更好。AI 不受人類對稱性美感的束縛，它只在乎物理最佳化。

一天延誤，2.25 億美元蒸發

Anna 在演講中丟出一個數字：NVIDIA 的 Blackwell 晶片如果延遲一天上市，估計的機會成本是 2.25 億美元。

這個數字讓「加速晶片設計」從一個學術命題變成一個商業命題。傳統晶片設計流程中，物理設計和設計驗證是兩個最大的瓶頸，各自可能耗費一年時間，需要數百甚至上千名工程師。Ricursive 瞄準的就是這兩個瓶頸。

更微妙的是規模經濟的邏輯。Azalia 強調，在前沿模型的時代，即使晶片效能只提升 1%，換算成實際的運算成本節省和效能增益，回報也是巨大的。因為這些晶片會被部署在成千上萬台伺服器上，跑的是訓練成本動輒數億美元的大型模型。1% 乘以這個基數，就是非常可觀的數字。

這也是客製化晶片比通用晶片更有吸引力的根本原因。一顆為特定 AI 模型量身打造的晶片，即使只在特定工作負載上表現更好，只要部署規模夠大，經濟效益就足以支撐開發成本。Ricursive 想做的，就是把這個開發成本從「雇一千個工程師花一年」壓縮到 AI 平台上幾週內完成。

我的觀察：台灣半導體怎麼看這件事

Ricursive 喊出的「Designless」口號，模仿的是「Fabless」（無晶圓廠）的歷史。台積電的崛起讓 NVIDIA、Apple、高通這些公司可以專注設計晶片、把製造外包。Ricursive 想再推進一步：讓公司連設計都不用自己做，專注在應用層就好。

這對台灣半導體產業意味著什麼？我認為要分兩層來看。

對台積電來說，這其實是好消息。Fabless 革命讓台積電的客戶數量爆炸成長，Designless 革命如果真的實現，會催生更多種類的客製晶片，每一顆都需要有人來製造。Ricursive 的最終產出是 GDS 檔案，也就是晶片的製造藍圖，這個檔案還是要送到台積電這樣的晶圓代工廠才能變成實體晶片。更多設計、更多種類、更多訂單，這個邏輯對台積電是正面的。

對 IC 設計公司的影響比較複雜。聯發科已經採用了 AlphaChip 技術來設計天璣旗艦 5G 晶片，顯示台灣 IC 設計業者早就在主動擁抱這類工具，拿它來提升自己的效率。但 Ricursive 的 Phase 2 願景，是讓任何有工作負載的公司都能設計自己的客製晶片。如果 Meta 或 Anthropic 都能透過平台自己設計推理加速器，那聯發科、Broadcom 這類公司的部分市場會不會被侵蝕？

我認為短期內不會。IC 設計公司的價值遠超過「畫電路圖」這一環。聯發科和 Broadcom 這類公司，多年來累積了大量經過量產驗證的矽智財（IP），對台積電各製程節點的設計規則、良率特性、實際量產限制有深刻的理解。更重要的是，它們在產業鏈中扮演了「緩衝層」的角色：台積電不想直接面對成千上萬的終端客戶處理各種設計需求，IC 設計公司站在中間，把客戶需求翻譯成可製造的設計，幫製造端過濾和整合訂單。聯發科與 Broadcom 和台積電長年維持的合作關係，這種產業鏈信任不是一個軟體平台短期內能取代的。

但有一個群體確實會受到衝擊：負責佈局佈線和設計驗證的工程師。這正是 Ricursive 自動化的目標。台灣 IC 設計業有數萬名從事這類工作的工程師。如果這些工作真的被 AI 壓縮，影響是實實在在的。

比較精確的類比或許是 CAD 軟體和建築業的關係。CAD 沒有消滅建築師，但確實大幅減少了製圖員的需求。Ricursive 要做的，是晶片設計界的 CAD 革命，甚至更激進，直接讓 AI 生成建築圖。決定「這棟建築要達成什麼功能」的建築師還在，但拿著尺規畫施工圖的製圖員，需求會大幅縮減。對台灣 IC 設計業來說，往架構設計、系統整合、製造端 know-how 這些方向升級，可能比擔心被取代更務實。