Ricursive Intelligence usa l'AI per progettare chip e migliorare ogni iterazione

Diecimila volte più domanda di calcolo in cinque anni. Ricursive Intelligence risponde con un’AI che progetta chip e punta a migliorare a ogni ciclo di lavoro¹.

Sul palco di TechCrunch Disrupt, Anna Goldie e Azalia Mirhoseini hanno presentato la startup e la sua tesi: accelerare il design, spingere l’efficienza, affidare alle macchine i passaggi ripetitivi del flusso hardware¹. Goldie ha legato il piano al numero che guida l’urgenza: “Nei prossimi cinque anni avremo almeno 10.000 volte più domanda di calcolo”, una stima che definisce “forse persino conservativa”¹.

Il cuore tecnico è un ciclo iterativo. L’AI propone un layout, osserva l’esito, apprende dagli errori, riprova con una versione migliore. L’obiettivo è comprimere tempi e attriti del processo e liberare i team umani, che così possono concentrarsi su applicazioni e casi d’uso¹. Sulle modalità con cui il sistema apprende tra una versione e la successiva, le fondatrici non hanno fornito ulteriori dettagli durante l’intervento¹.

Goldie ha fissato la cornice: la domanda cresce più dell’offerta. “Non vogliamo costruire 10.000 volte più data center”, ha detto. La leva da azionare è l’efficienza. Progettare chip migliori. Usare meglio la larghezza di banda nei data center. Sfruttare in modo più efficace wafer e fabbriche¹. Questo, secondo la tesi presentata, può alleggerire la pressione sulla capacità installata senza moltiplicare i siti fisici¹.

Il messaggio operativo è netto: estrarre più valore dall’infrastruttura esistente prima di espanderla. Il ciclo di apprendimento, se funziona, riduce il lavoro manuale ripetitivo e orienta le risorse verso ciò che impatta l’utente finale¹.

Goldie ha riconosciuto anche la reazione istintiva di parte del pubblico: “Qualcuno può spaventarsi” all’idea che un’AI progetti i chip su cui girerà altra AI. La risposta proposta è spostare il focus sul risultato. Lasciare alla macchina il disegno sistematico, tenere alle persone le scelte che contano per l’esperienza d’uso¹.

Mancano però i numeri. Sul palco non sono arrivati risultati quantitativi, benchmark o specifiche tecniche del modello, né dettagli su domini, vincoli o interfacce con i tool esistenti¹. Per valutare la portata della proposta servono questi dati, o almeno una risposta puntuale delle fondatrici su tempi, metriche e casi d’impiego.

Se la previsione sulla domanda reggerà, la tesi di Ricursive Intelligence sposta il confronto dove oggi pesa di più: ottenere più calcolo dai transistor e dalle fabbriche che già esistono, prima di costruirne di nuove¹. La posta in gioco è concreta: priorità e metriche potrebbero cambiare, dall’estensione dei metri quadri all’efficienza per watt e per wafer¹.