Ricursive Intelligence Accélère Le Design Des Puces Ia

Combien de temps faut-il vraiment pour inventer le silicium qui fera tourner les modèles de demain ? Deux ans, parfois trois. Pendant que les algorithmes progressent à un rythme presque hebdomadaire, le matériel reste coincé dans un calendrier d’ingénierie lent, coûteux et saturé de contraintes physiques. C’est précisément dans cet écart que s’engouffre Ricursive Intelligence, une jeune pousse fondée par deux chercheuses déjà passées par Google, DeepMind et Anthropic. Leur pari n’est pas d’ajouter une couche logicielle de plus. Il consiste à faire concevoir les puces par l’intelligence artificielle elle-même, puis à laisser chaque génération apprendre de la précédente.

Quand l’intelligence artificielle commence à dessiner son propre silicium

L’idée a quelque chose de vertigineux. Si l’IA conçoit de meilleurs accélérateurs, ces accélérateurs entraînent des modèles plus capables, qui à leur tour améliorent le prochain dessin de puce. La boucle se referme. Chez Ricursive Intelligence, on ne parle plus seulement d’automatiser une étape isolée du flux de conception. On vise un système qui capitalise sur chaque projet, comme un bureau d’études qui ne dormirait jamais et n’oublierait aucune leçon.

Aujourd’hui, placer des millions de composants, vérifier les timings, tester les contraintes thermiques et électriques reste un travail d’orfèvre. Les équipes humaines excellent, mais elles avancent par itérations longues. Ricursive Intelligence veut comprimer ce cycle de plusieurs années à quelques semaines. L’ambition paraît démesurée. Elle s’appuie pourtant sur un précédent déjà validé dans l’industrie : AlphaChip, le système que les deux fondatrices ont co-dirigé chez Google.

Le goulet d’étranglement que personne ne peut plus ignorer

Les modèles d’IA réclament toujours plus de calcul, plus de bande passante mémoire, plus d’efficacité énergétique. Les fondateurs de laboratoires le savent. Les investisseurs aussi. Pourtant le silicium n’arrive pas au même tempo. Un nœud de fabrication, une architecture nouvelle, une génération de TPU ou de GPU : tout cela s’étire. Entre l’idée d’un bloc et le premier wafer utile, les mois s’accumulent.

Ce décalage n’est pas un détail de calendrier. Il oriente les architectures possibles. Quand le matériel met trop de temps à naître, les chercheurs software s’adaptent à ce qui existe déjà. Ils optimisent autour de limites héritées. À l’inverse, si le design de puce s’accélère, de nouvelles formes deviennent envisageables : interconnexions inédites, placement plus agressif, spécialisation plus fine pour l’entraînement ou l’inférence.

Ricursive Intelligence inscrit son projet dans cette tension. L’entreprise ne promet pas de magie de fonderie. Elle s’attaque à la partie amont, celle où l’humain passe encore un temps considérable à explorer un espace de solutions immense. Placement, routage, vérification : autant d’étapes où l’apprentissage automatique peut proposer, tester, retenir et réutiliser.

D’AlphaChip à une société valorisée plusieurs milliards

Avant de lancer Ricursive Intelligence fin 2025, Anna Goldie et Azalia Mirhoseini ont déjà démontré qu’une machine pouvait produire des layouts de puces en quelques heures, là où les équipes classiques mettaient bien plus longtemps. Leur travail sur AlphaChip a contribué à plusieurs générations de Tensor Processing Units de Google. Ce n’était pas un prototype de laboratoire oublié dans une publication. C’était du silicium réel, embarqué dans des produits à grande échelle.

Les deux chercheuses ont aussi co-fondé l’équipe ML for Systems chez Google. Elles ont été parmi les premières recrues d’Anthropic et ont occupé des postes de scientifiques senior chez Google DeepMind. Goldie, fondatrice et CEO, est titulaire d’un doctorat en informatique de Stanford et figure parmi les Innovators Under 35 de MIT Technology Review. Mirhoseini, fondatrice et CTO, est professeure assistante en informatique à Stanford, où elle a créé le Scaling Intelligence Lab.

Le marché n’a pas tardé à réagir. En quatre mois, Ricursive Intelligence a levé 335 millions de dollars pour une valorisation de 4 milliards, dont une série A de 300 millions. Nvidia figure parmi les investisseurs. Le signal est clair : les acteurs qui fabriquent ou vendent le calcul voient dans l’automatisation du design un levier stratégique, pas un gadget de recherche.

Ce que la startup cherche réellement à automatiser

Le discours public de Ricursive Intelligence ne se limite pas au placement de blocs. L’objectif annoncé couvre une portion plus large du flux : de la disposition des composants jusqu’à la vérification de conception. L’enjeu n’est pas de remplacer d’un coup tous les ingénieurs. Il est de déléguer les explorations combinatoires monstrueuses à un système qui mémorise ce qui a marché, ce qui a échoué, et pourquoi.

La différence avec un outil classique d’EDA tient à l’apprentissage transverse. Un logiciel traditionnel applique des règles, des heuristiques, parfois de l’optimisation. Un système pensé comme celui de Ricursive Intelligence est censé transférer l’expérience d’une puce à la suivante. Concevoir un accélérateur d’entraînement devrait informer le prochain accélérateur d’inférence. Un nœud de procédé devrait éclairer le suivant.

• Réduire le temps entre spécification et layout exploitable.
• Capitaliser sur plusieurs générations de puces plutôt que recommencer à zéro.
• Ouvrir des architectures que le calendrier humain n’aurait pas eu le loisir d’explorer.
• Soulager les équipes de vérification des tâches les plus répétitives.
• Rapprocher le rythme du hardware de celui des modèles.

Cette liste paraît simple. Elle cache une difficulté connue de tous les vétérans du semi-conducteur : une belle proposition de placement ne vaut rien si elle viole des contraintes de timing, de puissance ou de manufacturabilité. Le vrai test d’un système auto-améliorant n’est donc pas la vitesse brute. C’est la capacité à produire des designs qui survivent au contact du réel.

La boucle IA-hardware, promesse et piège

Imaginez un cercle. L’IA propose un layout. Le layout donne une puce plus efficace. Cette puce entraîne plus vite le prochain modèle de conception. Le modèle suivant propose un meilleur layout. Sur le papier, la dynamique est excitante. Dans la pratique, chaque maillon peut casser. Une erreur de vérification se propage. Un biais d’apprentissage fige une famille d’architectures médiocres. Une contrainte de foundry arrive trop tard.

Les fondatrices le savent : elles ont déjà fait le chemin du laboratoire jusqu’aux TPU. Cette expérience compte. Elle rappelle qu’un système utile n’est pas celui qui gagne un benchmark académique, mais celui qui entre dans une chaîne de production, avec ses normes, ses revues, ses équipes mixtes humains-machines.

La question posée à TechCrunch Disrupt 2026 résume tout : What happens when AI starts designing its own hardware? Autrement dit, que se passe-t-il lorsque le concepteur et l’objet conçu commencent à s’entraîner mutuellement ? On peut y voir une accélération salvatrice. On peut aussi y lire un risque de concentration : ceux qui possèdent à la fois les modèles, les données de design et l’accès aux fonderies pourraient creuser un écart difficile à rattraper.

Pourquoi Disrupt 2026 s’intéresse à cette conversation

Goldie et Mirhoseini monteront sur la scène de Disrupt pour une session intitulée When AI Starts Designing Its Own Hardware. Le cadre n’est pas anodin. L’événement se tient du 13 au 15 octobre au Moscone West de San Francisco. Plus de dix mille fondateurs, investisseurs et opérateurs sont attendus, aux côtés de centaines d’intervenants et de startups exposantes.

Pour un public de dirigeants tech, le sujet dépasse la curiosité scientifique. Si le cycle de conception tombe réellement à l’échelle de la semaine, les feuilles de route hardware changent. Les négociations avec les foundries changent. Les paris d’investissement changent. Une startup qui livrait une architecture tous les trois ans pourrait en tester plusieurs dans le même intervalle, au moins en simulation avancée.

Il faut toutefois garder la tête froide. Une keynote n’est pas une tape-out. Une valorisation de quatre milliards n’est pas une usine. Ricursive Intelligence entre dans une phase où la démonstration industrielle pèsera plus que le pedigree académique, pourtant déjà impressionnant.

Le profil atypique de deux fondatrices déjà éprouvées

Le duo n’arrive pas en terrain inconnu. Avoir co-dirigé AlphaChip donne une crédibilité rare dans un secteur où les slides brillent souvent plus que les wafers. Goldie porte le rôle de CEO. Mirhoseini porte celui de CTO tout en maintenant un ancrage académique à Stanford. Cette double casquette, entreprise et laboratoire, n’est pas décorative. Le design de puces par IA se nourrit de recherche encore mouvante : représentation des contraintes, transfert entre nœuds, robustesse des politiques d’apprentissage.

On retrouve aussi une continuité intellectuelle. L’équipe ML for Systems cherchait déjà à appliquer l’apprentissage aux infrastructures elles-mêmes, pas seulement aux applications. Ricursive Intelligence prolonge ce geste : le système n’est plus seulement un modèle qui tourne sur une puce, il devient un agent qui participe à la naissance de cette puce.

Ce positionnement attire les capitaux, évidemment. Il attire aussi les regards critiques. Automatiser davantage le design, c’est redistribuer le travail des équipes EDA, des architectes et des vérificateurs. Les métiers ne disparaissent pas d’un claquement de doigts. Ils se déplacent vers le pilotage des objectifs, le contrôle des contraintes et l’interprétation des échecs. Une bonne histoire de startup oublie parfois cette friction humaine. Une bonne exécution ne le peut pas.

Ce que change une conception en semaines plutôt qu’en années

Accélérer le cycle ne signifie pas seulement livrer la même puce plus tôt. Cela autorise davantage d’essais. On peut abandonner une piste médiocre sans avoir brûlé une génération entière. On peut spécialiser plus finement un bloc pour un type de tenseur, un schéma d’attention, une mémoire particulière. On peut, surtout, aligner plus souvent le hardware sur l’état réel des modèles, et non sur l’état des modèles d’il y a deux ans.

Ce tableau n’est pas une garantie de résultat. C’est une carte des intentions. Entre l’intention et le wafer, il reste la physique, les règles de dessin, les rendements, les partenaires de fabrication. Personne, pas même une IA brillante, n’abolit la lithographie.

Investisseurs, Nvidia et la géopolitique discrète du calcul

La présence de Nvidia au capital n’est pas un détail de communiqué. L’entreprise occupe déjà une place centrale dans l’écosystème du calcul pour l’IA. Voir un acteur de ce poids s’intéresser à une plateforme de conception automatisée dit quelque chose de la rareté. Les GPU et accélérateurs ne suffisent plus si le goulot se déplace vers le temps de design et la capacité à itérer des architectures.

Une levée de 335 millions en si peu de temps raconte aussi l’état du marché late 2025. L’argent continue d’affluer vers tout ce qui promet de desserrer l’étau du hardware. Data centers, énergie, packaging avancé, logiciels de compilation, outils de conception : la file d’attente est longue. Ricursive Intelligence se place sur un maillon intellectuellement noble et économiquement sensible, celui où une semaine gagnée peut valoir des millions de dollars de time-to-market.

Reste une question de souveraineté que les fondatrices n’ont pas besoin de brandir pour qu’elle existe. Qui maîtrise les outils qui dessinent les puces maîtrise une partie du futur industriel. Les États l’ont compris. Les grands groupes aussi. Une startup de quatre milliards n’est pas un État. Elle peut néanmoins devenir une pièce maîtresse dans les chaînes d’alliances entre laboratoires, cloud providers et fabricants.

Les limites qu’il faudra regarder en face

Un article honnête ne s’arrête pas au superlatif. Plusieurs obstacles se dressent. Premier obstacle : la qualité des données de design. Pour apprendre d’une génération à l’autre, il faut des traces riches, comparables, parfois confidentielles. Les entreprises hésitent à partager ce qu’elles considèrent comme leur bijou de famille.

Deuxième obstacle : l’intégration avec les suites EDA existantes. Le monde du semi-conducteur n’attend pas une révolution pour jeter ses outils. Il empile, il couple, il certifie. Un système nouveau doit parler aux flux déjà en place, sous peine de rester une démonstration élégante.

Troisième obstacle : la responsabilité. Si une IA propose un layout qui passe les checks internes puis échoue en production, qui porte l’erreur ? L’éditeur de l’outil, l’équipe d’architecture, le partenaire de fonderie ? Ces questions paraissent juridiques. Elles conditionnent l’adoption.

Quatrième obstacle : l’illusion de vitesse. Compresser le design ne sert à rien si le packaging, le test, l’approvisionnement en substrats ou la capacité de foundry restent saturés. Ricursive Intelligence peut raccourcir une portion du chemin. Elle ne commande pas toute la route.

Ce que cette histoire dit de la course à l’intelligence

On parle souvent des modèles comme s’ils flottaient au-dessus de la matière. Ils ne flottent pas. Ils brûlent des watts, occupent des racks, dépendent de mémoires, de liens, de refroidissement. Chaque saut d’échelle réveille la question du support physique. Ricursive Intelligence remet cette évidence au centre, avec une torsion supplémentaire : le logiciel ne se contente plus de s’exécuter sur le matériel, il participe à le faire naître.

Il y a là une continuité avec une intuition ancienne de l’informatique, celle des systèmes qui s’améliorent eux-mêmes. Sauf que le terrain n’est plus seulement le code. C’est le plan d’un die, avec ses micromètres, ses couches, ses règles de dessin. Le romantisme de la singularité se heurte ici à des checklists de timing. C’est tant mieux. C’est dans ce frottement que l’on distingue une recherche publiable d’une industrie.

Pour les fondateurs qui écoutent Goldie et Mirhoseini à San Francisco, le message utile n’est pas « tout sera automatique ». Il est plus sobre. Le prochain avantage compétitif pourrait venir de la vitesse à laquelle une organisation apprend à relier modèles, contraintes physiques et itérations de design. Ceux qui traiteront le hardware comme une fatalité figée avanceront moins vite que ceux qui le traiteront comme un objet apprenant.

Une lecture utile pour fondateurs, investisseurs et équipes produit

Si vous construisez une entreprise d’IA, la leçon n’est pas d’aller fonder une société de puces demain matin. Elle consiste à cartographier vos dépendances matérielles. Quel accélérateur dicte votre coût d’entraînement ? Quel délai de nouvelle génération bloque une fonctionnalité ? Quel partenaire unique vous rend fragile ?

Si vous investissez, le dossier Ricursive Intelligence illustre un type d’actif désormais recherché : non pas seulement un modèle plus grand, mais une infrastructure intellectuelle capable de produire plus vite le support des modèles. La valorisation est déjà élevée. Elle intègre une prime à l’équipe et une prime au récit de boucle fermée. Le travail des prochains trimestres sera de transformer cette prime en preuves répétables chez des clients exigeants.

Si vous dirigez une équipe hardware, le sujet peut sembler menaçant. Il peut aussi être lu comme un élargissement de palette. Les meilleurs groupes ne seront pas ceux qui refusent l’assistance automatique. Ce seront ceux qui sauront formuler des objectifs clairs, garder un regard critique sur les propositions de la machine et injecter dans le système les contraintes que seule l’expérience humaine connaît encore bien.

Le récit d’une accélération, pas d’une baguette magique

Ricursive Intelligence arrive avec une histoire presque trop belle : deux chercheuses déjà victorieuses sur des TPU, un outil qui apprend d’une puce à l’autre, une compression radicale du temps, des investisseurs prestigieux, une scène majeure à Disrupt. La beauté d’un récit n’interdit pas de le prendre au sérieux. Elle impose simplement de séparer ce qui est déjà prouvé de ce qui reste à tenir.

Déjà prouvé : l’IA peut contribuer de façon concrète au layout, assez pour entrer dans des générations de processeurs spécialisés chez un géant. Déjà visible : le marché est prêt à miser des sommes considérables sur tout ce qui raccourcit le chemin vers le prochain accélérateur. Encore à démontrer à l’échelle d’une entreprise indépendante : la généralisation d’un apprentissage transverse, la compression réelle des délais chez des clients variés, la robustesse industrielle de bout en bout.

Entre ces deux pôles se joue la suite. Soit la boucle s’enclenche vraiment, et le rythme du hardware se rapproche un peu de celui des modèles. Soit les frictions du réel rappellent que le silicium n’obéit pas aux communiqués. Dans les deux cas, la conversation ouverte par Goldie et Mirhoseini mérite d’être suivie. Elle touche au point exact où l’intelligence artificielle cesse d’être seulement un logiciel et commence à sculpter la matière qui la porte.

Au fond, la question n’est plus de savoir si l’IA participera au design des puces. Elle y participe déjà. La question devient : jusqu’où laissera-t-on cette participation s’étendre, à quelle vitesse, sous quel contrôle, et au bénéfice de qui. Ricursive Intelligence propose une réponse ambitieuse, capitalisée, incarnée par deux trajectoires scientifiques rares. Le reste se jouera wafer après wafer, revue après revue, génération après génération. C’est moins spectaculaire qu’une formule de keynote. C’est pourtant là que se décide si la boucle tant célébrée produit vraiment plus d’intelligence, ou seulement plus de slides.