บนเวที TechCrunch Disrupt 2026 Anna Goldie และ Azalia Mirhoseini แห่ง Ricursive Intelligence เปิดเผยว่าบริษัทตั้งเป้าย่นระยะเวลาออกแบบชิปจาก 2-3 ปี ให้เหลือแค่ไม่กี่สัปดาห์ โดยใช้ AI เข้ามาช่วยสำรวจโครงสร้างฮาร์ดแวร์แทนกระบวนการที่พึ่งพามนุษย์เกือบทั้งหมด
ประเด็นสำคัญไม่ใช่แค่เรื่องความเร็ว แต่คือคำถามว่าใครยังเป็นคนรับผิดชอบเมื่อ AI เริ่มเสนอแบบชิปเอง บทความนี้ชวนดูที่มาของทีม เงินทุนที่หนุนอยู่เบื้องหลัง และข้อจำกัดที่ยังต้องตอบให้ได้ก่อนแนวคิดนี้จะใช้งานจริงในวงกว้าง
ใครคือ Anna Goldie และ Azalia Mirhoseini เบื้องหลัง Ricursive Intelligence
ทั้งสองคนไม่ใช่หน้าใหม่ในวงการนี้ Goldie จบปริญญาเอกสายวิทยาการคอมพิวเตอร์จาก Stanford และเคยติดโผ MIT Technology Review 35 Innovators Under 35 ส่วน Mirhoseini เป็นผู้ช่วยศาสตราจารย์ที่ Stanford และเป็นผู้ก่อตั้ง Scaling Intelligence Lab
ก่อนตั้งบริษัท ทั้งคู่เคยร่วมเป็นหัวหน้าโครงการ AlphaChip ที่ Google และร่วมก่อตั้งทีม ML for Systems ของ Google มาก่อน นอกจากนี้ยังเคยเป็นพนักงานรุ่นแรกของ Anthropic และเคยเป็น senior staff research scientist ที่ Google DeepMind มาก่อนจะออกมาตั้ง Ricursive Intelligence ในช่วงปลายปี 2025
พื้นฐานแบบนี้ทำให้คำพูดของทั้งคู่บนเวที TechCrunch Disrupt มีน้ำหนัก เพราะ AlphaChip ไม่ใช่แค่แนวคิด แต่เคยถูกใช้ออกแบบ Tensor Processing Unit (TPU) ของ Google มาแล้วหลายรุ่นจริง
เงินทุน 335 ล้านดอลลาร์ และเหตุผลที่ Nvidia เข้าร่วมลงทุน
Ricursive Intelligence ระดมทุนรอบ Series A ได้ 335 ล้านดอลลาร์ภายในเวลาราวสี่เดือนหลังก่อตั้ง ทำให้บริษัทมีมูลค่าราว 4 พันล้านดอลลาร์ โดยมี Nvidia เป็นหนึ่งในผู้ลงทุนรอบนี้ด้วย
ตัวเลขนี้สะท้อนว่าตลาดมองแนวคิด “AI ออกแบบชิป” ไม่ใช่แค่โปรเจกต์วิจัยอีกต่อไป แต่เป็นธุรกิจที่อาจกระทบต้นทุนและความเร็วในการพัฒนาฮาร์ดแวร์ทั้งอุตสาหกรรม โดยเฉพาะฝั่งชิปสำหรับงาน AI ที่ Nvidia เองก็มีส่วนได้ส่วนเสียโดยตรง
จากวงจรออกแบบชิป 2-3 ปี สู่เป้าหมายที่เหลือแค่ไม่กี่สัปดาห์
การออกแบบชิปแบบดั้งเดิมมักใช้เวลา 2-3 ปีต่อหนึ่งรุ่น เพราะต้องผ่านหลายขั้นตอน ตั้งแต่วางสถาปัตยกรรม จัดวางส่วนประกอบ (component placement) ไปจนถึงตรวจสอบแบบ (design verification) ซึ่งแต่ละขั้นตอนอาศัยทีมวิศวกรลงมือปรับละเอียดทีละจุด
Ricursive Intelligence ตั้งเป้าย่นกระบวนการทั้งหมดนี้ให้เหลือ “หลักสัปดาห์” โดยอ้างอิงผลจาก AlphaChip ที่เคยแสดงให้เห็นว่าระบบสามารถสร้างผังวงจร (chip layout) ได้ภายในไม่กี่ชั่วโมง เทียบกับกระบวนการที่มนุษย์ทำเองซึ่งใช้เวลานานกว่ามาก และระบบยังเรียนรู้จากแบบก่อนหน้าเพื่อปรับปรุงแบบรุ่นถัดไปให้ดีขึ้นเรื่อยๆ
| Factor | แนวทางเดิม | แนวทางที่ Ricursive เสนอ |
|---|---|---|
| ระยะเวลาออกแบบต่อรุ่น | ราว 2-3 ปี | เป้าหมาย: หลักสัปดาห์ |
| ผู้กำหนดสถาปัตยกรรม | ทีมวิศวกรเป็นหลัก | AI สำรวจ มนุษย์ตรวจและอนุมัติ |
| การเรียนรู้ข้ามรุ่น | ขึ้นกับประสบการณ์ทีม | โมเดลเรียนรู้จากแบบก่อนหน้า |
สิ่งที่แนวคิดนี้เปลี่ยนในชีวิตการทำงานของวิศวกร
ถ้าระบบแบบ AlphaChip ทำงานได้ตามที่ตั้งเป้า วิศวกรจะไม่ต้องเริ่มจากทางเลือกไม่กี่แบบอีกต่อไป AI จะช่วยสำรวจโครงสร้างฮาร์ดแวร์จำนวนมากพร้อมกัน ตั้งแต่การจัดวางส่วนประกอบไปจนถึงการตรวจสอบแบบเบื้องต้น แล้วส่งให้ทีมตรวจซ้ำก่อนตัดสินใจ
บทบาทของวิศวกรจึงเปลี่ยนจาก “คนลงมือปรับทุกจุดเอง” มาเป็น “คนกำหนดเป้าหมาย ตรวจผลลัพธ์ และรับผิดชอบการตัดสินใจสุดท้าย” ซึ่งต้องอาศัยความเข้าใจทั้งฝั่ง AI และฝั่งวิศวกรรมฮาร์ดแวร์ไปพร้อมกัน ไม่ใช่แค่เชื่อผลลัพธ์ที่ระบบเสนอมาตรงๆ
ทางเลือกอื่นที่กำลังพา AI เข้าใกล้การออกแบบฮาร์ดแวร์
Ricursive ไม่ใช่ผู้เล่นรายเดียวที่พยายามเอา AI มาช่วยออกแบบชิป แต่มีจุดยืนต่างจากทางเลือกอื่นตรงที่เน้นให้ AI สำรวจสถาปัตยกรรมใหม่แบบกว้าง ไม่ใช่แค่เร่งขั้นตอนเดิมให้เร็วขึ้น
| Factor | Ricursive Intelligence | ทีมมนุษย์แบบดั้งเดิม | เครื่องมือ EDA ที่มี AI ช่วย | ชิปเฉพาะทางของบริษัทคลาวด์ |
|---|---|---|---|---|
| ความยืดหยุ่นของแนวทาง | สูง สำรวจสถาปัตยกรรมใหม่ได้กว้าง | จำกัดตามเวลาและประสบการณ์ทีม | ปานกลาง อยู่ในกรอบเครื่องมือเดิม | เน้นงานเฉพาะทางของแพลตฟอร์มตัวเอง |
| ความเร็ว | เร็ว ตั้งเป้าหลักสัปดาห์ | ช้า ใช้เวลาหลักปี | เร็วขึ้นเฉพาะงานที่ทำซ้ำ | เร็วเมื่อโจทย์ชัดเจนอยู่แล้ว |
| ความน่าเชื่อถือ | ต้องตรวจผลจาก AI หลายชั้น | อธิบายที่มาของแบบได้ตรงไปตรงมา | ขึ้นกับคุณภาพเครื่องมือ | ขึ้นกับนโยบายของแพลตฟอร์ม |
| การควบคุมของมนุษย์ | กำหนดเป้าหมายและอนุมัติขั้นสุดท้าย | ควบคุมทุกขั้นตอนโดยตรง | ควบคุมการใช้งานเครื่องมือ | ขึ้นกับขอบเขตที่แพลตฟอร์มกำหนด |
จุดแข็งที่น่าจับตา และคำถามที่ยังตอบไม่ได้
จุดแข็งที่ชัดที่สุดคือความเร็ว AlphaChip เคยพิสูจน์มาแล้วว่าออกแบบผังวงจรได้ในหลักชั่วโมง และถูกใช้จริงกับ TPU หลายรุ่นของ Google ไม่ใช่แค่งานวิจัยบนกระดาษ นี่คือสิ่งที่ทำให้เงินทุนก้อนใหญ่และการลงทุนจาก Nvidia ดูมีเหตุผลรองรับ
แต่คำถามที่ยังไม่มีคำตอบชัดคือ เมื่อ AI ต้องออกแบบชิปทั้งระบบที่ซับซ้อนกว่างานวิจัยเดิมมาก จะตรวจสอบความถูกต้องและความปลอดภัยได้ละเอียดพอหรือไม่ และแบบที่ดูดีในซอฟต์แวร์จะผลิตได้จริงในโรงงานหรือเปล่า
ข้อดี
- +มีผลงานจริงรองรับผ่าน AlphaChip และ TPU ของ Google
- +อาจย่นเวลาออกแบบชิปจากหลักปีเหลือหลักสัปดาห์
- +ได้แรงหนุนด้านเงินทุนและพันธมิตรอย่าง Nvidia
ข้อเสีย
- −ยังต้องพิสูจน์กับชิปเชิงพาณิชย์ที่ซับซ้อนกว่างานวิจัยเดิม
- −การตรวจสอบความถูกต้องและความปลอดภัยยังเป็นคอขวด
- −แบบที่ดีบนซอฟต์แวร์อาจผลิตจริงไม่ได้ในโรงงาน
ราคาที่ต้องจ่าย แม้ไม่ได้ซื้อชิปสักตัว
ต้นทุนของแนวคิดนี้ไม่ได้อยู่แค่ค่าเงินระดมทุน 335 ล้านดอลลาร์ที่ Ricursive ได้มา แต่ยังมีค่าโครงสร้างพื้นฐานสำหรับฝึกโมเดลและรันการจำลองต่อเนื่อง รวมถึงต้องมีทีมที่เข้าใจทั้ง AI วงจรไฟฟ้า และกระบวนการผลิตจริงไปพร้อมกัน
เวลาตรวจสอบก็เป็นต้นทุนสำคัญไม่แพ้กัน เพราะทุกแบบที่ AI เสนอต้องผ่านการเช็กความถูกต้องและความปลอดภัยก่อนส่งเข้าสายการผลิต หากแบบไหนผลิตจริงไม่ได้ บริษัทก็ต้องเสียทั้งเวลา ค่าต้นแบบ และโอกาสทางธุรกิจ โดยยังไม่ได้ชิปที่ใช้งานได้สักตัว
เมื่อ AI กลายเป็นผู้ร่วมออกแบบ ใครยังเป็นคนตัดสินใจ
จากคำพูดของ Goldie และ Mirhoseini บนเวที TechCrunch Disrupt เห็นได้ชัดว่า AI ไม่ได้แค่ช่วยคำนวณให้เร็วขึ้นอีกต่อไป แต่เริ่มเสนอแนวทางออกแบบสถาปัตยกรรมที่มนุษย์อาจมองข้าม ความท้าทายที่แท้จริงจึงไม่ใช่แค่ AI ออกแบบได้ดีแค่ไหน แต่คือใครกำหนดโจทย์และเกณฑ์ตัดสินว่าแบบนั้นพร้อมใช้งานจริงหรือยัง
ผมว่าเส้นทางของ Ricursive Intelligence น่าจับตาเพราะมีของจริงอย่าง AlphaChip และ TPU รองรับอยู่เบื้องหลัง ไม่ใช่แค่คำสัญญาลอยๆ แต่ก็ยังต้องพิสูจน์อีกไกลว่าโมเดลจะรักษาความแม่นยำได้เมื่อขยับจากงานวิจัยไปสู่ชิปเชิงพาณิชย์ที่มีเดิมพันสูงกว่าเดิมมากนะครับ