Em um palco do TechCrunch Disrupt 2026, em San Francisco, Anna Goldie e Azalia Mirhoseini compartilharam uma visão que soa quase como ficção científica: em vez de humanos projetando chips para alimentar inteligências artificiais, seriam as próprias IAs que projetariam seus próprios circuitos — e não apenas isso, mas aprenderiam com cada iteração para criar designs cada vez melhores. Era a tese central da Ricursive Intelligence, startup de Palo Alto que nasceu há apenas dez meses com a ambição de transformar a indústria de semicondutores de dentro para fora.
A Ricursive não é a primeira empresa a propor o uso de IA para acelerar o design de chips. O campo já tinha ganhado atenção mundial em 2021 quando a equipe de Google DeepMind publicou no periódico Nature os resultados do AlphaChip, um sistema de aprendizado por reforço capaz de otimizar o posicionamento de componentes dentro de um chip de TPU — a mesma tecnologia que hoje alimenta gerações sucessoras dos processadores do Google. Mas o AlphaChip era uma prova de conceito concentrada numa única etapa do fluxo: o floor planning. A Ricursive, nascida em dezembro de 2025 pelas mãos das mesmas duas pesquisadoras — Goldie como CEO e Mirhoseini, professora de ciência da computação de Stanford como CTO — quer ir muito além.
"Acreditamos que o ritmo do progresso de IA é ditado pelo hardware", afirmou Goldie ao TechCrunch. "A missão da Ricursive é acelerar radicalmente o design de chips, e em última instância usar IA para projetar seu próprio substrato de silício." Não é um slogan vazio. A startup levantou US$ 335 milhões em quatro meses, numa rodada Série A de US$ 300 milhões liderada pela Lightspeed, com participação de Sequoia Capital, DST Global, NVentures (braço de venture da Nvidia), Felicis Ventures e outras. A avaliação? US$ 4 bilhões.
O que torna a Ricursive diferente não é apenas a ambiciosa avaliação, mas o escopo total do que ela se propõe a automatizar. O design de um chip de IA moderno é um processo de anos que custa centenas de milhões de dólares. Milhões a bilhões de portas lógicas precisam ser posicionadas na pastilha de silício com precisão nanométrica, otimizando consumo de energia, violações de timing, comprimento de fios e dezenas de outras restrições físicas. O processo humano é tão caro e demorado que a maioria das empresas nem tenta: contrata um time de centenas de engenheiros de design, gasta dois a três anos no ciclo e espera o melhor. É por isso que, por décadas, o setor ficou refém de architectures convencionais — a inovação em hardware andou muito devagar do que a inovação em software.
A proposta da Ricursive é fechar o que suas fundadoras chamam de "loop recursivo de feedback" — um ciclo onde modelos de IA projetam chips, esses chips treinam modelos melhores de IA, que por sua vez projetam chips melhores, e assim sucessivamente. O termo que elas usam é "designless": da mesma forma que a TSMC permitiu que empresas sem fábricas — as chamadas fabless — surgissem como a Nvidia, a Ricursive quer permitir que qualquer empresa com workloads em escala crie hardware customizado sem manter um departamento de design de chips. A meta de três fases é clara: a fase um foca em porções específicas do design para empresas de semicondutores existentes; a fase dois democratiza o design customizado para empresas com workloads massivos mas sem equipe de engenharia de silício; a fase três, ambiciosa e quase provocadora, é ambiciosa: "queremos criar uma IA de fronteira, ponto final". Não seria apenas "IA para design de chips" — seria IA projetando IA.
Mas o projeto tem raízes concretas no mundo real. O AlphaChip já foi utilizado em quatro gerações dos Tensor Processing Units do Google, e a metodologia foi adotada externamente por empresas como a MediaTek. O que a Ricursive quer fazer é escalar o conceito de uma otimização localizada — posicionamento de macros — para todo o fluxo de design, desde o floor planning até a verificação de design. O sistema deles usa um sinal de recompensa que classifica quão bom é um design, e depois atualiza os parâmetros da rede neural profunda para melhorar — a cada milhares de designs, o agente fica melhor, e fica mais rápido, como Goldie descreveu ao EE Times.
Um dos achados mais surpreendentes do AlphaChip foi o layout circular, em forma de rosquinha, que gerou resistência inicial dos engenheiros e depois provou ser superior a layouts convencionais. A ideia de que a IA pode descobrir disposições que nenhum humano tentaria é central à proposta da Ricursive. Goldie descreveu que o sistema está otimizando chips inteiros, não fragmentando-os em dezenas de blocos menores — o que permite padrões intrincados e ondulados que seriam impossíveis de imaginar em ferramentas tradicionais de EDA.
A urgência é real. Goldie estimou no palco do Disrupt que, nos próximos cinco anos, haverá demanda por pelo menos dez mil vezes mais capacidade de computação — e esse número seria "talvez conservador". "Então não queremos construir 10 mil vezes mais data centers", disse ela. "Acha que precisamos ajudar criando chips mais eficientes, que usam a largura de banda desses data centers de forma mais eficiente, que usam os wafers e as fábricas de forma mais eficiente."
Ainda assim, existem desafios enormes. A Ricursive está competindo contra um ecossistema maduro de ferramentas de EDA — Cadence, Synopsys e Siemens EDA — que levaram décadas para se consolidar. As próprias fundadoras enfatizam que não são uma empresa de EDA e não competirão contra elas. Mas a independência da Ricursive em relação ao fluxo tradicional de ferramentas levanta questões sobre integração e adoção: se o design de chips sai do fluxo de ferramentas estabelecido, como as foundries validam esses designs? Como o ciclo de qualificação muda? E o mais importante: será que a IA consegue generalizar bem o suficiente para que o "aprender através de chips" funcione na prática, ou as limitações físicas e de fabricação vão criar armadilhas que o modelo não consegue prever?
O mercado já está se movendo. Unconventional AI, outro startup de IA para hardware com avaliação de US$ 4,5 bilhões, opera na mesma fronteira. E a própria Nvidia, investidora da Ricursive, está há anos desenvolvendo arquiteturas customizadas para seus próprios data centers. A pergunta que fica no ar é: se a IA começar a projetar chips melhores, e esses chips treinarem IAs melhores, e essas IAs projetarem chips ainda melhores — quando é que esse loop deixa de ser uma ferramenta de otimização e começa a ser uma forma de autoaperfeiçoamento? Não é difícil imaginar cenários onde o hardware e o software se co-evoluem tanto que se torna impossível separar o que foi desenhado por humanos do que foi gerado pela máquina.
Fontes: TechCrunch, EE Times, Data Center Dynamics
✓ Fontes independentes cruzadas e verificadas antes da publicação
