Ricursive：AIでチップを設計し、算力危機を打破する

編集部注：AIが自らを支えるチップを設計し始めるとき、半導体産業のイテレーションロジックは根本から書き換えられる可能性がある。Ricursive Intelligenceが目指すのは、「設計—検証—改善」という年単位の長いチェーンを、自己学習できるクローズドループへと圧縮することだ。

TechCrunchの記者Aisha Malikの報道によると、スタートアップ企業Ricursive Intelligenceは野心的な技術路線に賭けている――AIを使ってチップを設計するというものだ。同社の創業者は、開発中のシステムを詳しく説明した。それはチップを設計し、各イテレーションから学習し、その結果をもとに後続の設計を改善するAIであり、最終目標はチップ設計プロセスの自動化と高速化だという。

これはスローガンのように聞こえるかもしれないが、現在の算力をめぐる文脈の中では、非常に具体的な痛点を指し示している。

算力需要が急騰する一方、チップ設計は依然として「手作業依存」の産業

ここ数年、大規模言語モデルのパラメータ規模とトレーニングに必要な算力はムーアの法則を大幅に上回るペースで膨張してきた。しかしそれを支える先端プロセスチップの設計プロセスは、依然として人力に大きく依存している。フラッグシップ級のSoCは数千人のエンジニアが協働し、18〜24ヶ月の開発期間と数億ドルの投資を要し、高コストかつ不可逆のテープアウト工程も含まれる。ある設計上の意思決定が誤れば、その代償は数ヶ月の時間と数千万ドル規模の資金になりかねない。

さらに厄介なのは、プロセスの微細化による限界収益が逓減するにつれ、単に「トランジスタを小さくする」ことで得られる性能向上が限られてきたことだ。業界の関心はアーキテクチャ革新、チップレット（chiplet）、そして専用アクセラレータへと向かっている――これはすなわち、チップ設計そのものがかつてないほど複雑になり、加速が求められる時代になったことを意味する。

「一発で正解する」から「繰り返すほど精度が上がる」イテレーションループへ

Ricursiveのコアとなる考え方は、チップ設計を一度限りのエンジニアリング成果物ではなく、継続的に学習できるサイクルへと変えることだ。システムは設計候補を生成し、シミュレーションとEDAツールを通じて消費電力・性能・面積・タイミングなどの指標を評価し、その結果をモデルにフィードバックして次のラウンドの生成がより目標に近づくようにする。この「設計—評価—イテレーション」のクローズドループは、手法的には強化学習と自動化探索の組み合わせに近いが、対象となる解空間の規模は通常のソフトウェア最適化問題をはるかに上回る。

社名に含まれる「Recursive」（再帰）という言葉も、この意図を暗示しているのかもしれない。AIがより優れたチップを設計し、そのより優れたチップがさらに強力なAIのトレーニングに使われ、次の設計能力の向上を駆動するというサイクルだ。このフライホイールが本当に回り出せば、もたらされるのは単なる効率の向上だけでなく、能力の複利的成長だろう。

レースにはすでに巨人たちが立ち並ぶ

AIがチップ設計に参入すること自体は、全く新しい命題ではない。EDA業界の二大巨頭SynopsysとCadenceは近年、配置配線やタイミング最適化などの工程にAI機能を継続的に組み込んでいる。Googleも強化学習を用いてTPUのフロアプランニングを最適化し、関連論文を発表している。こうした「ツール側からのアプローチ」をとるプレイヤーと比較して、Ricursiveが真にエンドツーエンドのAIチップ設計を実現しようとするなら、それはより急進的で、かつ検証が難しい道を歩むことになる。

直面する現実的なハードルも明確だ。テープアウトによる試行錯誤のコストは極めて高く、AIが生成した設計はフォーマル検証と物理検証に耐えなければならない。エンジニアが「ブラックボックスの結論」を信頼するには長い時間が必要であり、高品質な設計データは少数のメーカーにほぼ独占されている。

まとめ

チップ設計の自動化は新しい話ではないが、「学習」を設計プロセスに本当に組み込み、あらゆる失敗を次の改善へのインプットにするというのは、今世代のAIがもたらす新たな可能性だ。Ricursiveが答えようとしている問いはシンプルだ――チップ一枚を設計するサイクルを2年から数ヶ月に短縮できるなら、算力危機はもはや危機ではなくなるのか？答えはまだ時間の審判を待つが、その方向性そのものは、十分注目に値する。

本稿はTechCrunchより翻訳・編集したものです。