Ricursive Intelligence está construyendo herramientas de inteligencia artificial para diseñar chips, con una tesis ambiciosa: si el software puede explorar más opciones que un equipo humano en menos tiempo, también puede ayudar a aliviar el cuello de botella de cómputo que acompaña al auge de los modelos de IA. La empresa ha vuelto a situar esa idea en el centro de su propuesta durante la conversación reciente sobre infraestructura y semiconductores.
El diseño de un circuito avanzado no consiste únicamente en dibujar transistores. Hay que distribuir bloques, prever consumo energético, gestionar calor, comprobar tiempos de señal y asegurar que el resultado se puede fabricar. Cada decisión afecta a las demás. Por eso, incluso las compañías con grandes equipos de ingeniería necesitan meses para llegar a una versión lista para producción.
La promesa de Ricursive es usar IA para convertir una tarea con miles de decisiones interdependientes en un ciclo de búsqueda y aprendizaje continuo. Sus fundadoras, Anna Goldie y Azalia Mirhoseini, participaron previamente en trabajos sobre AlphaChip, un sistema de aprendizaje por refuerzo aplicado al diseño físico de chips. Ese antecedente da credibilidad técnica a una visión que todavía tiene un recorrido largo hasta el producto comercial masivo.
La oportunidad existe porque el mercado no solo demanda más aceleradores. También necesita chips adaptados a tareas concretas, desde inferencia en centros de datos hasta comunicaciones, robótica o dispositivos de bajo consumo. Encargar silicio a medida ha sido tradicionalmente caro y complejo. Si la automatización reduce el número de iteraciones, más empresas podrían plantearse hardware especializado sin asumir el coste de un proyecto completamente artesanal.
Ricursive habla de un modelo de mejora recursiva: utilizar IA para mejorar herramientas de diseño y, más adelante, usar chips mejores para entrenar sistemas de IA más capaces. La formulación es potente, aunque no debe confundirse con una garantía de que una máquina pueda sustituir por completo a los ingenieros. La validación, la propiedad intelectual, la fabricación y los límites físicos seguirán siendo determinantes.
Un diseño excelente en simulación no sirve si no puede verificarse, fabricarse a escala y funcionar dentro de los márgenes de energía y temperatura previstos. Esa es la distancia entre una demostración llamativa y un semiconductor competitivo. Las herramientas de automatización de diseño electrónico ya son esenciales en la industria, pero incorporar modelos generativos y agentes añade preguntas sobre trazabilidad, errores y derechos sobre los bloques utilizados.
La presión económica empuja en esa dirección. Entrenar y servir modelos grandes requiere cada vez más energía, memoria y capacidad de interconexión. Las mejoras de software ayudan, pero no eliminan las restricciones del hardware. Diseñar una arquitectura más eficiente puede reducir costes operativos durante años, algo especialmente relevante para proveedores cloud y compañías que despliegan IA a gran escala.
Para Europa y España, el interés no reside solo en competir con los grandes fabricantes. Sectores como automoción, energía, salud o industria pueden beneficiarse de componentes específicos, siempre que el acceso al diseño no quede reservado a unas pocas multinacionales. Unas herramientas más accesibles no reemplazan una estrategia industrial, pero sí pueden rebajar una barrera de entrada importante.
La carrera por la IA no se decidirá únicamente por quién entrena el modelo más grande, sino también por quién logra ejecutar una carga útil con menos energía y mejor hardware. Ricursive se posiciona justo en ese punto de cruce entre software y silicio. El reto será probar que sus métodos producen ventajas medibles frente a los flujos de ingeniería que ya usan los fabricantes.
El sector seguirá exigiendo evidencia. Las empresas de semiconductores no cambian sus procesos por una promesa de productividad, porque un fallo puede retrasar un producto millones de euros. Pero el interés por automatizar el diseño es real y creciente. Si Ricursive consigue demostrar mejoras repetibles en tiempos, rendimiento o consumo, habrá encontrado una palanca relevante para la economía de la IA.
