En un escenario del TechCrunch Disrupt 2026, en San Francisco, Anna Goldie y Azalia Mirhoseini compartieron una visión que suena casi a ciencia ficción: en lugar de humanos diseñando chips para alimentar inteligencias artificiales, serían las propias IAs las que diseñarían sus propios circuitos — y no solo eso, sino que aprenderían de cada iteración para crear diseños cada vez mejores. Esta era la tesis central de Ricursive Intelligence, startup de Palo Alto nacida hace apenas diez meses con la ambición de transformar la industria de semiconductores de adentro hacia afuera.
Ricursive no es la primera empresa en proponer el uso de IA para acelerar el diseño de chips. El campo ya había ganado atención mundial en 2021 cuando el equipo de Google DeepMind publicó en la revista Nature los resultados del AlphaChip, un sistema de aprendizaje por refuerzo capaz de optimizar la colocación de componentes dentro de un chip TPU — la misma tecnología que hoy alimenta generaciones sucesoras de los procesadores de Google. Pero el AlphaChip era una prueba de concepto concentrada en una única etapa del flujo: el floor planning. Ricursive, fundada en diciembre de 2025 por esas dos mismas investigadoras — Goldie como CEO y Mirhoseini, profesora de ciencia de la computación de Stanford como CTO — quiere ir mucho más allá.
"Creemos que el ritmo del progreso de IA es dictado por el hardware", afirmó Goldie al TechCrunch. "La misión de Ricursive es acelerar radicalmente el diseño de chips, y en última instancia usar IA para diseñar su propio sustrato de silicio." No es un eslogan vacío. La startup levantó US$ 335 millones en cuatro meses, en una ronda Serie A de US$ 300 millones liderada por Lightspeed, con participación de Sequoia Capital, DST Global, NVentures (el brazo de venture de Nvidia), Felicis Ventures y otras. ¿La valuación? US$ 4 mil millones.
Lo que hace diferente a Ricursive no es solo la ambiciosa valuación, sino el alcance total de lo que se propone automatizar. El diseño de un chip de IA moderno es un proceso de años que cuesta cientos de millones de dólares. Millones a billones de puertas lógicas deben posicionarse en la oblea de silicio con precisión nanométrica, optimizando consumo de energía, violaciones de timing, longitud de cables y decenas de otras restricciones físicas. El proceso humano es tan caro y demorado que la mayoría de empresas ni intenta: contrata un equipo de cientos de ingenieros de diseño, gasta dos a tres años en el ciclo y espera lo mejor. Es por eso que, por décadas, el sector quedó refugio de arquitecturas convencionales — la innovación en hardware caminó mucho más lento que la innovación en software.
La propuesta de Ricursive es cerrar lo que sus fundadoras llaman "loop recursivo de feedback" — un ciclo donde modelos de IA diseñan chips, esos chips entrenan mejores modelos de IA, que a su vez diseñan chips mejores, y así sucesivamente. El término que usan es "designless": de la misma forma que TSMC permitió que empresas sin fábricas — las llamadas fabless — surgieran como Nvidia, Ricursive quiere permitir que cualquier empresa con workloads en escala cree hardware customizado sin mantener un departamento de diseño de chips. La meta de tres fases es clara: la fase uno se enfoca en porciones específicas del diseño para empresas de semiconductores existentes; la fase dos democratiza el diseño customizado para empresas con workloads masivos pero sin equipo de ingeniería de silicio; la fase tres, ambiciosa y casi provocativa, es diseñar IA de frontera, punto final. No sería solo "IA para diseño de chips" — sería IA diseñando IA.
Pero el proyecto tiene raíces concretas en el mundo real. El AlphaChip ya fue utilizado en cuatro generaciones de los Tensor Processing Units de Google, y la metodología fue adoptada externamente por empresas como MediaTek. Lo que Ricursive quiere hacer es escalar el concepto de una optimización localizada — colocación de macros — a todo el flujo de diseño, desde el floor planning hasta la verificación de diseño. El sistema usa una señal de recompensa que clasifica qué tan bueno es un diseño, y luego actualiza los parámetros de la red neural profunda para mejorar — tras miles de diseños, el agente queda mejor, y más rápido, como Goldie describió al EE Times.
Uno de los hallazgos más sorprendentes del AlphaChip fue el layout circular, en forma de dona, que generó resistencia inicial de los ingenieros y luego demostró ser superior a layouts convencionales. La idea de que la IA puede descubrir disposiciones que ningún humano intentaría es central a la propuesta de Ricursive. Goldie describió que el sistema está optimizando chips enteros, no fragmentándolos en decenas de bloques menores — lo que permite patrones intrincados y ondulados imposibles de imaginar en herramientas tradicionales de EDA.
La urgencia es real. Goldie estimó en el escenario del Disrupt que, en los próximos cinco años, habrá demanda de al menos diez mil veces más capacidad de cómputo — y ese número sería "talvez conservador". "No queremos construir 10 mil veces más data centers", dijo. "Pensamos que necesitamos ayudar creando chips más eficientes, que usan el ancho de banda de esos data centers de forma más eficiente, que usan los wafers y las fábricas de forma más eficiente."
Sin embargo, existen desafíos enormes. Ricursive compite contra un ecosistema maduro de herramientas de EDA — Cadence, Synopsys y Siemens EDA — que tardaron décadas en consolidarse. Las propias fundadoras enfatizan que no son una empresa de EDA y no competirán contra ellas. Pero la independencia de Ricursive respecto al flujo tradicional de herramientas levanta preguntas sobre integración y adopción: si el diseño de chips sale del flujo de herramientas establecido, ¿cómo validan las foundries estos diseños? ¿Cómo cambia el ciclo de calificación? Y lo más importante: ¿puede la IA generalizar lo suficiente para que el "aprender a través de chips" funcione en la práctica, o las limitaciones físicas y de fabricación crearán trampas que el modelo no puede prever?
El mercado ya se está moviendo. Unconventional AI, otra startup de IA para hardware con valuación de US$ 4,5 mil millones, opera en la misma frontera. Y la propia Nvidia, inversora de Ricursive, ha estado desarrollando arquitecturas customizadas para sus propios data centers por años. La pregunta es: si la IA empieza a diseñar chips mejores, y esos chips entrenan IAs mejores, y esas IAs diseñan chips aún mejores — ¿cuándo deja ese loop de ser una herramienta de optimización para convertirse en una forma de auto-mejoramiento? No es difícil imaginar escenarios donde el hardware y el software co-evolucionan tanto que se vuelve imposible separar lo que fue diseñado por humanos de lo que fue generado por la máquina.
Fuentes: TechCrunch, EE Times, Data Center Dynamics
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
