La conception d’une puce avancée peut encore mobiliser des équipes pendant plusieurs années. Ricursive Intelligence veut réduire ce cycle à quelques semaines grâce à une IA capable de concevoir, vérifier et améliorer les architectures matérielles. La startup a levé 335 millions de dollars pour une valorisation de 4 milliards de dollars, avec Nvidia parmi ses investisseurs. Ses fondatrices Anna Goldie et Azalia Mirhoseini doivent présenter leur approche à TechCrunch Disrupt 2026, autour d’une boucle reliant l’IA à la conception de son propre matériel.
Cette ambition dépasse l’automatisation d’une tâche isolée. Elle vise à faire apprendre au système les résultats d’un design pour améliorer le suivant, une logique qui pourrait modifier la manière dont les puces sont imaginées, testées et optimisées.
Ricursive vise un cycle de conception réduit de plusieurs années à quelques semaines
L’idée centrale de Ricursive consiste à appliquer l’IA à une chaîne de conception qui reste longue, coûteuse et fortement dépendante de l’expertise humaine. La startup veut automatiser plusieurs étapes, du placement des composants à la vérification du design, puis réutiliser l’expérience acquise pour les projets suivants.
Selon les informations publiées à l’occasion de TechCrunch Disrupt 2026, le cycle traditionnel de conception d’une puce peut durer entre deux et trois ans. Ricursive vise un délai de quelques semaines, en s’appuyant sur des systèmes capables de progresser d’une conception à l’autre.
Le principe ne consiste donc pas uniquement à demander à un modèle de produire du code matériel. Le système doit également analyser les résultats obtenus, identifier les compromis entre performance, consommation et surface, puis intégrer ces enseignements dans les itérations suivantes.
À retenir : Ricursive ne présente pas seulement l’IA comme un assistant pour ingénieurs. La startup veut construire une boucle d’apprentissage dans laquelle chaque puce contribue à améliorer la conception de la suivante.
Du placement des composants à la vérification
Le placement des composants constitue l’un des domaines où l’apprentissage automatique a déjà démontré son intérêt. Une puce regroupe des blocs qui doivent être disposés sur une surface limitée, tout en respectant des contraintes de distance, de consommation, de température et de vitesse de communication.
La vérification représente une autre étape critique. Avant la fabrication, les équipes doivent s’assurer que le design respecte les spécifications et qu’il fonctionnera dans les conditions prévues. Une erreur détectée tardivement peut imposer des corrections coûteuses et retarder la production.
Ricursive cherche à couvrir plusieurs parties de cette chaîne. TechCrunch décrit une approche allant du placement des composants à la vérification, avec un apprentissage réutilisable entre différents designs.
Les fondatrices viennent des travaux à l’origine d’AlphaChip
Anna Goldie et Azalia Mirhoseini ont auparavant travaillé sur AlphaChip, le système de Google consacré à l’optimisation du placement des blocs dans les puces. Leur parcours relie directement Ricursive à l’une des expériences les plus visibles d’utilisation de l’apprentissage par renforcement dans la conception matérielle.
AlphaChip a été présenté comme un système capable d’explorer automatiquement des configurations de placement. Cette tâche, généralement réalisée à l’aide d’outils spécialisés et d’un important travail d’ingénierie, peut être formulée comme un problème d’optimisation comportant de nombreuses contraintes.
L’approche consiste à tester différentes dispositions et à attribuer une valeur aux résultats selon des critères comme la longueur des interconnexions ou les performances attendues. L’algorithme peut ensuite privilégier les choix qui améliorent progressivement la solution.
Pourquoi le placement est un problème adapté à l’IA
Le placement physique se prête à une recherche automatisée parce qu’il existe un objectif mesurable et un grand nombre de configurations possibles. Les outils peuvent comparer les résultats à partir de métriques définies par les ingénieurs.
Cette caractéristique ne supprime pas le besoin d’expertise humaine. Les équipes doivent définir les contraintes, préparer les données, vérifier la faisabilité des résultats et intégrer le placement dans un flux complet de conception et de fabrication.
L’intérêt de l’IA apparaît surtout lorsqu’elle accélère l’exploration de solutions que les méthodes classiques testeraient plus lentement. La valeur ne vient pas d’un dessin produit sans contrôle, mais d’une recherche plus rapide dans un espace de designs complexe.
Une continuité entre AlphaChip et Ricursive
AlphaChip ciblait principalement une étape spécifique du flux matériel. Ricursive affiche une ambition plus large : concevoir des systèmes capables d’automatiser plusieurs phases et de tirer parti des résultats de projets antérieurs.
Cette différence est importante. Un outil de placement peut optimiser une partie d’une puce, tandis qu’une boucle de conception complète doit gérer les interactions entre architecture, logique, implantation, vérification et contraintes de fabrication.
Le passage d’une démonstration d’optimisation à un flux utilisable en production dépendra donc de la capacité à garantir la qualité, la reproductibilité et la compatibilité avec les outils industriels.
Les 335 millions de dollars placent Ricursive au centre de la course au silicon
Ricursive a levé 335 millions de dollars et atteint une valorisation de 4 milliards de dollars. La startup a notamment réalisé une levée de 300 millions de dollars en Series A. Nvidia figure parmi ses investisseurs.
Ce financement témoigne de l’intérêt des investisseurs pour les entreprises qui cherchent à réduire le temps nécessaire à la création de nouvelles puces. Le soutien de Nvidia est également significatif dans un secteur où les besoins en calcul dépendent directement de la disponibilité de composants spécialisés.
La relation entre IA et matériel devient de plus en plus étroite. Les modèles nécessitent des accélérateurs performants pour être entraînés et exécutés, tandis que les fabricants de puces peuvent utiliser l’IA pour accélérer la création de ces accélérateurs.
Cette dynamique forme une boucle industrielle : des outils d’IA contribuent à concevoir du matériel, puis ce matériel fournit davantage de capacité de calcul pour les systèmes d’IA. Ricursive cherche explicitement à exploiter cette relation entre les deux domaines.
Un financement qui reflète une contrainte industrielle
L’accélération de la conception répond à une contrainte concrète : la demande en puissance de calcul évolue plus rapidement que les cycles traditionnels de développement matériel. Les entreprises doivent concevoir des puces adaptées à des charges de travail précises, tout en maîtrisant la consommation énergétique et les coûts de fabrication.
Réduire le temps de conception pourrait permettre de tester davantage d’architectures et d’adapter plus rapidement les composants à de nouveaux modèles. Cette possibilité reste liée à la validation physique du design et aux délais de fabrication, mais elle donne davantage de place à l’itération en amont.
La valorisation de Ricursive traduit donc une attente forte autour de l’automatisation de la conception. Elle ne constitue pas, à elle seule, une preuve que l’objectif de quelques semaines est déjà atteint en production.
Les éditeurs d’outils EDA ajoutent leurs propres agents d’IA
Ricursive n’est pas la seule entreprise à intégrer l’IA dans la conception électronique. Les éditeurs d’outils EDA, pour Electronic Design Automation, développent des fonctions capables d’assister ou d’automatiser différentes étapes du flux de conception.
Cadence a présenté en 2026 plusieurs agents regroupés sous les noms ChipStack, ViraStack, InnoStack et AuraStack. Ces outils couvrent respectivement des tâches liées au design RTL et à la vérification, au layout analogique, à l’implémentation numérique et à la conception de cartes ou de boîtiers 3D.
Synopsys a également mis en avant des flux intégrant des fonctions d’IA agentique pour des conceptions analogiques, numériques et multi-die, en collaboration avec TSMC. Ces annonces montrent que l’IA devient un axe de développement central pour les fournisseurs historiques du secteur EDA.
| Approche | Domaine ciblé | Objectif annoncé |
|---|---|---|
| Ricursive Intelligence | Conception et vérification de puces | Apprendre d’un design pour améliorer les suivants |
| AlphaChip | Placement des blocs | Explorer automatiquement des configurations de layout |
| Cadence ChipStack | Design RTL et vérification | Automatiser des tâches de conception numérique |
| Cadence ViraStack | Layout analogique | Générer des layouts analogiques |
| Synopsys et TSMC | Flux analogiques, numériques et multi-die | Intégrer des workflows agentiques au processus EDA |
La différence entre ces approches tient à leur position dans la chaîne de valeur. Les éditeurs EDA ajoutent des capacités d’IA à des plateformes existantes, tandis que Ricursive se présente comme une startup construisant un système centré sur une boucle d’apprentissage entre designs.
L’autonomie ne signifie pas encore absence de contrôle
Le terme agentique décrit des systèmes capables d’enchaîner plusieurs actions en fonction d’un objectif. Dans la conception de puces, un agent peut générer une proposition, lancer des analyses, interpréter les résultats et modifier le design.
Cette autonomie doit cependant s’inscrire dans des règles strictes. Les composants doivent respecter des contraintes physiques, électriques et industrielles qui ne peuvent pas être évaluées uniquement par une réponse textuelle ou une simulation partielle.
La validation humaine conserve donc une place importante, notamment pour les choix d’architecture, les exigences de sûreté et la préparation à la fabrication. L’enjeu est moins de remplacer les ingénieurs que de réduire le temps consacré aux recherches répétitives et aux corrections successives.
Les benchmarks montrent encore la difficulté du code matériel
L’automatisation de la conception ne se résume pas à générer du Verilog ou du RTL à partir d’une description en langage naturel. Les systèmes doivent produire une logique correcte, respecter les interfaces, passer les tests et répondre aux contraintes de synthèse et d’implantation.
Un benchmark consacré à des problèmes de conception en Verilog a rapporté en 2025 un taux maximal de réussite de 34 % en pass@1 pour les modèles évalués. Le résultat mesure la proportion de problèmes résolus correctement dès la première proposition.
Les tâches de réutilisation de modules et de vérification se sont révélées particulièrement difficiles dans cette évaluation. Un benchmark publié en juin 2026 sur des tâches plus complexes de raisonnement RTL et de correction d’erreurs a également fait état de performances limitées.
Ces résultats encadrent les promesses d’automatisation. Un modèle peut accélérer la rédaction d’un module ou proposer plusieurs variantes, mais la fiabilité de l’ensemble du flux dépend de tests et de vérifications supplémentaires.
Le principal défi est la cohérence de bout en bout
Un design matériel peut être syntaxiquement correct tout en étant inutilisable. Il peut produire le mauvais résultat dans certains cas, dépasser une contrainte de fréquence, consommer trop d’énergie ou devenir impossible à implanter sur la technologie de fabrication visée.
La qualité d’un système d’IA doit donc être évaluée sur plusieurs niveaux :
- la correction fonctionnelle du code RTL ;
- la réussite des simulations et des tests formels ;
- la qualité de la synthèse et du placement ;
- le respect des objectifs de performance, de surface et de consommation ;
- la capacité à produire un résultat reproductible dans un flux industriel.
Cette évaluation explique pourquoi la conception de puces représente un problème plus difficile que la simple génération de code logiciel. Le résultat final doit satisfaire simultanément des contraintes logiques, physiques et manufacturières.
Le pass@1 ne suffit pas pour juger un flux industriel
Un système peut produire une solution correcte après plusieurs tentatives, alors qu’il échoue à la première génération. À l’inverse, une réponse qui passe un test élémentaire peut se révéler insuffisante une fois intégrée dans un système plus grand.
Les benchmarks sont donc utiles pour mesurer les progrès, mais ils ne remplacent pas la validation sur des projets réels. Les résultats disponibles montrent que l’IA progresse dans certaines étapes, tout en rencontrant encore des difficultés sur le raisonnement RTL complexe, la réutilisation et la correction de problèmes.
La boucle IA-matériel pourrait accélérer l’apparition de nouvelles architectures
L’impact le plus important de l’IA sur les puces pourrait venir de l’exploration architecturale plutôt que de la simple réduction du temps de saisie. Des outils plus rapides peuvent tester davantage de compromis entre spécialisation, mémoire, interconnexions et consommation.
Cette exploration est particulièrement pertinente pour les accélérateurs d’IA. Les modèles évoluent rapidement et leurs besoins ne sont pas identiques selon qu’ils servent à l’entraînement, à l’inférence, au traitement d’images ou à l’exécution locale sur un appareil.
Une architecture conçue pour une charge précise peut obtenir de meilleurs résultats qu’un processeur généraliste, à condition que le coût de conception reste compatible avec le marché visé. Réduire le cycle de développement rendrait économiquement plus accessible l’expérimentation de puces spécialisées.
Les fondatrices de Ricursive associent cette accélération à la possibilité de créer de nouvelles architectures et de rendre l’IA plus efficace. Cette perspective découle directement de leur objectif : permettre à des systèmes d’IA d’apprendre du processus de conception et d’améliorer les itérations suivantes.
L’efficacité ne dépend pas seulement du circuit
Une puce plus performante n’est pas automatiquement plus efficace. Il faut également prendre en compte la mémoire, les transferts de données, le logiciel, le refroidissement et l’utilisation réelle de l’accélérateur.
L’IA peut aider à optimiser plusieurs de ces paramètres lorsqu’ils sont représentés dans les objectifs du système. Un modèle peut rechercher un compromis entre débit, latence, consommation et surface, mais la qualité de cette recherche dépend des métriques et des données disponibles.
La conception assistée par IA pourrait donc déplacer une partie du travail vers la définition des objectifs. Les ingénieurs devront préciser ce que le système doit optimiser et vérifier que les critères choisis correspondent aux contraintes du produit final.
L’apprentissage entre projets change la logique des outils
Les outils classiques exécutent généralement des méthodes définies pour un projet ou une famille de composants. Une boucle d’apprentissage cherche à conserver une partie de l’expérience acquise pour accélérer les travaux suivants.
Cette capacité peut réduire les tâches répétitives, notamment lorsque plusieurs puces partagent des blocs ou des contraintes similaires. Elle soulève aussi des questions de contrôle des données, de traçabilité et de validation des décisions prises par le système.
Pour être adoptée dans l’industrie, une telle approche devra fournir des résultats explicables et vérifiables. Les équipes devront savoir quelles contraintes ont guidé une proposition et pourquoi une modification a amélioré ou dégradé le design.
Les prochaines étapes se joueront entre démonstration et production
La présentation prévue par Anna Goldie et Azalia Mirhoseini à TechCrunch Disrupt 2026 doit porter sur la manière dont Ricursive veut fermer la boucle entre l’IA et la conception matérielle. Leur intervention est annoncée autour du thème de l’IA qui commence à concevoir son propre matériel.
L’intérêt de cette approche tient à son ambition de couvrir plusieurs étapes au lieu de se limiter à un assistant de productivité. La question décisive sera la capacité du système à produire des designs vérifiables et compatibles avec les exigences industrielles, de manière répétée.
Les acteurs établis avancent de leur côté avec des fonctions intégrées à leurs outils EDA. Cadence structure son offre autour de plusieurs agents spécialisés, tandis que Synopsys et TSMC travaillent sur des workflows agentiques pour différents types de conceptions.
La compétition ne se jouera donc pas uniquement sur la qualité d’un modèle. Elle portera aussi sur l’accès aux outils de fabrication, l’intégration dans les flux existants, la propriété intellectuelle des designs et la capacité à certifier les résultats.
Trois indicateurs permettront de mesurer le passage à l’échelle
Les annonces futures pourront être évaluées à partir de résultats concrets plutôt qu’à partir du seul nombre de paramètres des modèles :
- le temps nécessaire pour passer d’une spécification à un design vérifié ;
- l’écart de performance, de surface et de consommation avec un design humain comparable ;
- la capacité à réutiliser l’apprentissage sur plusieurs générations de puces.
Ces indicateurs permettront de distinguer une démonstration technique d’un outil réellement déployable. Ils montreront également si la réduction du temps de conception concerne une étape précise ou l’ensemble du parcours jusqu’au silicon.
Notre avis : l’IA redéfinit déjà certaines étapes, pas encore toute la puce
L’IA redéfinit effectivement la conception des puces, mais de manière progressive. Les résultats associés à AlphaChip, les nouveaux agents de Cadence et les workflows annoncés par Synopsys et TSMC montrent une automatisation croissante du placement, du layout, de la vérification et de l’implémentation.
Ricursive pousse cette logique plus loin avec une ambition claire : passer d’outils spécialisés à une boucle capable d’apprendre de chaque design. Sa levée de 335 millions de dollars et sa valorisation de 4 milliards de dollars montrent que cette vision bénéficie d’un soutien financier majeur, tandis que Nvidia figure parmi ses investisseurs.
Notre position est nette : la prochaine rupture ne viendra pas d’un modèle qui écrit seul une puce complète, mais de systèmes capables d’explorer rapidement des architectures, de vérifier leurs compromis et de transmettre leur expérience au projet suivant. Sur les six prochains mois, les annonces les plus importantes seront celles qui fourniront des résultats reproductibles sur des designs vérifiés et non de simples promesses d’autonomie.
Si Ricursive parvient à transformer sa boucle IA-matériel en flux de production, la question ne sera plus seulement de savoir si l’IA aide à concevoir les puces, mais quelles architectures les ingénieurs pourront enfin se permettre d’explorer.