آنا گلدبی، مدیرعامل، و آزالیا میرحسینی، مدیر فنی، اونقدر توی جامعه هوش مصنوعی شناخته شده هستن که بین همون مهندس های هوش مصنوعی بودن که به قول گلدبی با خنده: «از طرف زاکربرگ ایمیل های عجیب و غریبی با پیشنهادهای وسوسه کننده دریافت می کردن.» (البته اونا این پیشنهادها رو نپذیرفتن). این دو نفر توی گوگل برین با هم همکار بودن و از کارمندهای اولیه شرکت آنتروپیک محسوب می شن که امروزه ارزش گذاری های میلیاردی دریافت می کند. اونا معتقدن که تسریع طراحی تراشه با هوش مصنوعی، آینده صنعت نیمه هادی ها را شکل خواهد داد.
اونا با ساختن «آلفا چیپ» (Alpha Chip) توی گوگل به شهرت رسیدن؛ ابزاری مبتنی بر هوش مصنوعی که می تونست طرح های پیچیده تراشه ها رو ظرف چند ساعت آماده کنه فرآیندی که معمولا برای طراحان انسانی یک سال یا بیشتر طول می کشه. این ابزار به طراحی سه نسل از واحدهای پردازش تنسور (TPU) گوگل کمک کرد و عملا نشان دهنده پتانسیل بالای تسریع طراحی تراشه با هوش مصنوعی بود.
همین سابقه درخشان توضیح می ده که چرا فقط چهار ماه بعد از راه اندازی شرکت ریکرسیو (Ricursive)، اونا ماه گذشته خبر از جذب سرمایه 300 میلیون دلاری در دور سری A با ارزش گذاری 4 میلیارد دلار به رهبری Lightspeed دادن؛ اون هم درست چند ماه بعد از جذب سرمایه اولیه 35 میلیون دلاری به رهبری Sequoia.
ریکرسیو داره ابزارهای هوش مصنوعی برای طراحی تراشه می سازه، نه خودِ تراشه ها رو. همین موضوع اونا رو از تقریبا تمام استارتاپ های دیگه تراشه هوش مصنوعی متمایز می کنه و نشان دهنده تمرکز آن ها بر تسریع طراحی تراشه با هوش مصنوعی است. اونا رقیب انویدیا نیستن. در واقع، انویدیا خودش یکی از سرمایه گذارهاست. این غول دنیای پردازنده گرافیکی، در کنار AMD، اینتل و بقیه تراشه سازها، مشتری های هدف این استارتاپ هستن.
میرحسینی به تک کرانچ گفت: «ما می خوایم این امکان رو فراهم کنیم که هر نوع تراشه ای، از تراشه های سفارشی گرفته تا مدل های سنتی تر، به شکلی خودکار و خیلی سریع ساخته بشن. در واقع، هدف ما تسریع طراحی تراشه با هوش مصنوعی برای انواع نیازهاست.»
مسیر زندگی اونا اولین بار توی استنفورد به هم گره خورد؛ جایی که گلدبی داشت دکتراش رو می گرفت و میرحسینی هم کلاس های علوم کامپیوتر درس می داد. از اون موقع، مسیر شغلی شون کاملا با هم یکی بوده. گلدبی تعریف می کنه: «ما دقیقا توی یه روز کارمون رو توی گوگل برین شروع کردیم. توی یه روز از اونجا استعفا دادیم. همزمان وارد آنتروپیک شدیم و همزمان هم ازش جدا شدیم. دوباره توی یه روز برگشتیم به گوگل و باز هم توی یه روز ازش اومدیم بیرون. بعدش هم این شرکت رو با هم در یک روز راه اندازی کردیم.»
موقعی که توی گوگل بودن، این دو همکار اونقدر با هم صمیمی بودن که حتی با هم ورزش می کردن و هر دو از تمرینات دایره ای لذت می بردن. جف دین، مهندس مشهور گوگل که باهاشون همکاری داشت، از این شباهت اسمی استفاده کرد و اسم پروژه آلفا چیپ اونا رو گذاشت «chip circuit training» که یه جور بازی با کلمات و اشاره به روتین ورزشی شون بود. توی محیط کار هم به این دو نفر یه لقب داده بودن: A&A.
آلفا چیپ باعث شد اونا توی صنعت دیده بشن، اما حاشیه هایی هم براشون داشت. طبق گزارش Wired، در سال 1401، یکی از همکارای اونا توی گوگل اخراج شد؛ چون سال ها تلاش کرده بود اعتبار A&A و کارشون روی تراشه ها رو زیر سوال ببره، اون هم در حالی که خروجی کار اونا برای تولید حساس ترین تراشه های هوش مصنوعی گوگل استفاده شده بود.
پروژه آلفا چیپ اونا توی گوگل برین در واقع اثبات همون ایده ای بود که بعدا تبدیل به ریکرسیو شد: ایده ی انقلابی تسریع طراحی تراشه با هوش مصنوعی به شکلی باورنکردنی.
تسریع طراحی تراشه با هوش مصنوعی؛ چرا این کار حیاتی است؟
مشکل اینجاست که تراشه های کامپیوتری میلیون ها تا میلیاردها قطعه گیت منطقی دارن که روی یه ویفر سیلیکونی سوار شدن. طراح های انسانی ممکنه یک سال یا بیشتر وقت بذارن تا این قطعات رو طوری روی تراشه بچینن که عملکرد خوب، مصرف انرژی بهینه و بقیه نیازهای طراحی رعایت بشه. همون طور که انتظار می ره، تعیین دقیق محل قرارگیری این قطعاتِ فوق العاده کوچیک به صورت دیجیتالی، کار خیلی سختیه.
گلدبی گفت: «آلفا چیپ می تونست یه طرح با کیفیت خیلی بالا رو در عرض حدودا 6 ساعت آماده کنه. نکته جالبش این بود که این سیستم در واقع از تجربه هاش یاد می گرفت.»
پایه و اساس کار اونا در تسریع طراحی تراشه با هوش مصنوعی، استفاده از یک «سیگنال پاداش» هست که کیفیت طراحی رو می سنجه. گلدبی توضیح داد که سیستم بعد از گرفتن این امتیاز، «پارامترهای شبکه عصبی عمیق خودش رو آپدیت می کنه تا بهتر بشه.» بعد از انجام هزاران طراحی، سیستم واقعا حرفه ای شد و به گفته موسسان، هرچی بیشتر یاد می گرفت، سرعتش هم بالاتر می رفت.
پلتفرم ریکرسیو قراره این ایده را برای تسریع طراحی تراشه با هوش مصنوعی فراتر ببرد. گلدبی می گه هوش مصنوعی طراحی تراشه ای که اونا دارن می سازن، «از طراحی تراشه های مختلف یاد می گیره.» یعنی هر تراشه ای که طراحی می کنه، باعث می شه برای طراحی تراشه بعدی مهارت بیشتری پیدا کنه.
پلتفرم ریکرسیو از مدل های زبانی بزرگ هم استفاده می کنه و همه چیز، از چیدمان قطعات گرفته تا تایید نهایی طراحی رو انجام می ده. هر شرکتی که وسایل الکترونیکی تولید می کنه و به تراشه نیاز داره، مشتری هدف اوناست.
اگه پلتفرم اونا خودش رو ثابت کنه (که احتمالش هم زیاده)، ریکرسیو می تونه نقش مهمی در رسیدن به هدف بزرگ هوش مصنوعی عمومی (AGI) ایفا کنه. در واقع، چشم انداز نهایی اونا طراحی تراشه های هوش مصنوعی هست؛ یعنی هوش مصنوعی در اصل مغزهای کامپیوتری خودش رو طراحی می کنه.
گلدبی گفت: «تراشه ها سوخت هوش مصنوعی هستن. من فکر می کنم ساختن تراشه های قدرتمندتر، بهترین راه برای پیشبرد مرزهای این تکنولوژی هست.»
میرحسینی اضافه می کنه که فرآیند طولانی طراحی تراشه، سرعت پیشرفت هوش مصنوعی رو محدود کرده است. او تاکید کرد: «ما فکر می کنیم با تسریع طراحی تراشه با هوش مصنوعی، می توانیم به تکامل همزمان و سریع مدل ها و تراشه هایی که بهشون قدرت می دن، کمک کنیم.» به این ترتیب، هوش مصنوعی می تواند سریع تر باهوش شود.
اگه فکر اینکه هوش مصنوعی با سرعت زیاد داره مغز خودش رو طراحی می کنه شما رو یاد فیلم های اسکای نت و نابودگر می ندازه، موسسان شرکت به یه جنبه مثبت تر، نزدیک تر و به عقیده خودشون محتمل تر اشاره می کنن: بهره وری سخت افزار.
وقتی آزمایشگاه های هوش مصنوعی بتونن تراشه های خیلی بهینه تری طراحی کنن (و در نهایت کل سخت افزارهای زیرساختی رو)، رشد اونا دیگه نیازی به مصرف این همه از منابع زمین نخواهد داشت.
گلدبی گفت: «ما می تونیم معماری کامپیوتری طراحی کنیم که منحصرا برای اون مدل خاص مناسب باشه و بتونیم به بهبود تقریبا 10 برابری در عملکرد نسبت به کل هزینه مالکیت برسیم.»
با اینکه این استارتاپ نوپا هنوز اسم مشتری های اولیه اش رو فاش نکرده، اما موسسانش می گن که با تقریبا تمام نام های بزرگ صنعت تراشه سازی صحبت کردن. تعجبی هم نداره که اونا برای انتخاب اولین شرکای تجاری شون گزینه های زیادی روی میز دارن.
ظهور ریکرسیو و تکنولوژی هایی مشابه آلفاچیپ، نشان دهنده چرخه ای است که در آن هوش مصنوعی به تکامل سخت افزارهای مورد نیاز خود کمک می کند. این هم افزایی میان نرم افزار و سخت افزار نه تنها سرعت توسعه تکنولوژی را افزایش می دهد، بلکه می تواند به بهینه سازی مصرف انرژی در مقیاس های بزرگ دیتاسنتری نیز منجر شود.
How Ricursive Intelligence raised $335M at a $4B valuation in 4 months
