Scaling Intelligence Lab
闭合AI自我改进的回路

Azalia Mirhoseini 在加入斯坦福之前，已在 Google Brain 完成两项影响深远的工作：一是用深度强化学习解决芯片布局规划（Chip Floorplanning）问题——2021 年，她带领团队在 Nature 发表论文，证明 AI 能在 6 小时内生成功耗、性能、面积三项指标全面优于或持平人类工程师的芯片布局方案，而顶级芯片设计师完成同样的工作通常需要数周甚至数月；二是参与了混合专家模型（Mixture-of-Experts，MoE）架构的早期研究。

这项芯片设计方法被命名为 AlphaChip，直接用于 Google 多代 TPU 和数据中心 CPU 的设计生产，是一个从论文走向工业生产线的罕见案例。而 MoE——即推理时只激活模型一部分"专家"子网络以降低计算成本——如今是 GPT-4、Gemini、Mistral、DeepSeek、Llama 3 等几乎所有前沿大模型的底层架构。

2023 年，Mirhoseini 加入斯坦福计算机系，创立 Scaling Intelligence Lab。实验室的核心命题比 AlphaChip 更宏大：AI 设计更好的芯片，芯片训练更强的 AI；更强的 AI 设计更好的算法，算法又训练更强的 AI——这个闭环一旦加速，理论上可以带来超线性的能力增长。这就是"递归自我改进"（Recursive Self-Improvement），实验室的使命是研究这个闭环的可行性，以及它的安全含义。

2024 年，Mirhoseini 联合创立了 Ricursive Intelligence（有意拼写为 Ricursive 而非 Recursive），专注于"用 AI 设计训练 AI 的芯片"这一闭环，但公司定位是前沿研究实验室而非商业产品公司——学者没有把学术成果商业化，而是把公司的方向设定为推进仍然开放的科学前沿。

AlphaChip 的技术路线：将芯片布局规划建模为序列决策问题，Agent 每次放置一个功能单元（宏单元），目标是最小化走线拥塞与功耗；用基于边的图卷积网络（Edge-based GCN）表征芯片网表，捕捉功能单元之间的电气连接关系；再通过迁移学习，让一块芯片上训练出的策略无需从零开始就能用于新的芯片设计。2024 年，Nature 发表了一篇更正文章（Addendum），澄清了原论文的实验条件描述，回应了学界对实验公平性的质疑——核心结论未被推翻，但这场争议本身说明"AI for Chip Design"已进入足够严肃的同行评审视野。

Scaling Intelligence Lab 目前的研究沿三条线展开：一是 AI for Hardware Design，从芯片布局扩展到电路合成、功耗与时序优化、良率预测，目标是覆盖从 RTL 到 GDSII 的全流程；二是 Scalable AI Systems，研究模型在不同规模下的行为规律（Scaling Laws）、探索 MoE 的下一代架构形态，并研究 AI 系统在自主改进自身时如何保持可控；三是 AI-Driven Scientific Discovery，将同样的"设计空间搜索"方法论延伸到材料发现、蛋白质工程与药物设计。

MoE 方面，Mirhoseini 团队在 Google Brain 时期的早期工作，为今天几乎所有前沿大模型的默认架构选择奠定了基础——在相同的推理成本下，MoE 模型可以拥有比稠密模型大数倍的参数量，这是当前 LLM 规模化竞赛的核心使能技术之一。

"AI 设计训练更强 AI 的芯片"这个回路在原理上成立，但每一个环节都有巨大摩擦：芯片设计周期以年计，算法改进需要重新训练验证，真正的快速递归需要把每个环节的周期都压缩一到两个数量级——这不是渐进优化能解决的问题。AlphaChip 本身的局限也值得注意：它主要处理宏单元布局（Macro Placement），而完整的芯片物理设计流程还包括标准单元布局、布线、时序收敛，这些步骤目前仍主要依赖传统 EDA 工具。

Scaling Intelligence Lab 的独特之处，是同时持有两张牌：AlphaChip（AI 设计硬件）和 MoE 早期工作（AI 训练架构优化）——这两张牌合在一起，正好覆盖了递归自我改进回路的两个关键节点，Mirhoseini 可能是今天学术界中少数真正在尝试闭合这个回路的研究者。而将研究外化为 Ricursive Intelligence 这样一家公司（即使定位为研究实验室），也说明她在为这条技术路线寻找商业化路径——EDA 是一个数十亿美元、长期被 Synopsys、Cadence 两家垄断的行业，颠覆窗口是开放的。

递归自我改进的可行性问题，本身也是 AI 安全的核心命题之一：如果 AI 能实质性加速自身能力的提升，人类对 AI 发展速度的控制就会面临根本性挑战。这个实验室的价值，不在于它已经证明了什么，而在于它是为数不多同时探索这个能力边界、并认真思考其安全含义的团队。