در حالی که تقاضا برای توان پردازشی با سرعتی سرسام‌آور در حال رشد است، صنعت نیمه‌هادی با یک بن‌بست فیزیکی و زمانی روبروست. استارتاپ Ricursive Intelligence، به رهبری آنا گلد (Anna Goldie) و آزالیا میرحسینی (Azalia Mirhoseini)، با هدف قرار دادن هوش مصنوعی در قلب فرآیند طراحی تراشه، به دنبال راهکاری برای حل این بحران جهانی است.
بحران مقیاس‌پذیری و ضرورت نوآوری
آنا گلد در رویداد TechCrunch Disrupt در مهر ۱۴۰۵ (اکتبر ۲۰۲۶) با صراحت اعلام کرد که در پنج سال آینده، تقاضا برای توان پردازشی حداقل ۱۰ هزار برابر افزایش خواهد یافت. اتکای محض به ساخت دیتاسنترهای بیشتر نه تنها از نظر اقتصادی مقرون‌به‌صرفه نیست، بلکه چالش‌های زیست‌محیطی و زیرساختی جدی ایجاد می‌کند. راهکار Ricursive Intelligence به جای گسترش افقی دیتاسنترها، بر بهبود بهره‌وری عمودی متمرکز است: طراحی تراشه‌هایی که از پهنای باند، ویفرها و ظرفیت‌های فب (Fab) به شکل بهینه‌تری استفاده می‌کنند.
فراتر از چیدمان‌های سنتی: هوش مصنوعی و طراحی غیرمتعارف
روش‌های سنتی طراحی تراشه معمولاً مبتنی بر تقسیم‌بندی قطعات به بلوک‌های کوچک‌تر و مدیریت دستی آن‌هاست. با این حال، هوش مصنوعی با نگاهی کل‌نگر (Holistic) به کل تراشه، قادر به کشف الگوهایی است که ذهن انسان به راحتی قادر به درک آن‌ها نیست. سیستم پیشین این بنیان‌گذاران، یعنی AlphaChip، با طراحی چیدمان‌های دایره‌ای یا «دونات‌شکل»، مهندسان را شگفت‌زده کرد. این رویکرد نشان داد که هوش مصنوعی می‌تواند با حذف مرزهای خشک بلوک‌بندی، چیدمان‌های موج‌گونه و بسیار پیچیده‌ای ایجاد کند که کارایی نهایی پردازنده را به شکل چشمگیری افزایش می‌دهند.
تغییر پارادایم در چرخه توسعه محصول
یکی از بزرگترین موانع در توسعه سخت‌افزار، طولانی بودن چرخه طراحی (گاهی تا ۲ سال) است. این موضوع باعث می‌شود شرکت‌ها تنها برای حوزه‌های بسیار بزرگ دست به تولید تراشه اختصاصی بزنند. Ricursive Intelligence با خودکارسازی این فرآیند، قصد دارد زمان طراحی را به مقیاس «یک هفته» کاهش دهد. این تغییر باعث می‌شود تولید تراشه‌های تخصصی برای کاربردهای نوظهور مانند:
- رایانش زیستی (Biological Computing)
- واقعیت افزوده (AR) و واقعیت مجازی (VR)
- پردازش‌های خاص در حوزه فضا (Space Computing)
به‌لحاظ اقتصادی توجیه‌پذیر شود و بهره‌وری انرژی را در سطح میکرو ارتقا دهد.
ویژگی‌های کلیدی رویکرد Ricursive Intelligence:
- بهینه‌سازی کل‌نگر: عبور از روش‌های بلوک‌بندی سنتی و بهینه‌سازی کلی ساختار نیمه‌هادی.
- خودکارسازی فرآیند: جایگزینی طراحی دستی با مدل‌های یادگیری ماشین برای کاهش چرخه طراحی از سال به هفته.
- بهره‌وری توان: افزایش کارایی مصرف انرژی در سطح سیلیکون برای مقابله با نیازهای محاسباتی هوش مصنوعی مولد.
- خلاقیت در چیدمان: شناسایی الگوهای هندسی غیرمتعارف جهت بهبود جریان داده و کاهش تاخیر (Latency).
آینده همکاری انسان و ماشین در سیلیکون
گلد تأکید می‌کند که هدف، جایگزینی انسان نیست، بلکه تغییر سطح فعالیت انسان است. در مدل جدید، طراحان انسانی بر روی ایده‌های خلاقانه و کاربردهای نوین تمرکز می‌کنند و پیاده‌سازی سخت‌افزاریِ پیچیده به هوش مصنوعی سپرده می‌شود. این روند در حال حاضر نه تنها در طراحی تراشه، بلکه در توسعه نرم‌افزار نیز در حال وقوع است. Ricursive با ترکیب دانش مهندسی و الگوریتم‌های پیشرفته، در تلاش است تا «سخت‌افزار» را از یک گلوگاه محدودکننده به یک عامل شتاب‌دهنده برای آینده فناوری تبدیل کند.
