Anna Goldie: cérebro ainda é mais eficiente que a IA
A CEO da Ricursive, Anna Goldie, disse ao The Information que o cérebro, com cerca de 20 watts, ainda é mais eficiente que a IA. A tese dela é design de chips.
A CEO da Ricursive Intelligence disse ao The Information que a biologia mostra folga enorme de energia e de dados. A chave, segundo ela, está no design de chips.
Em 28 de setembro de 2026, Anna Goldie falou no episódio 3 do AI Deep Dive, programa do The Information (TITV). A cofundadora e CEO da Ricursive Intelligence afirmou que o cérebro ainda é mais eficiente que a IA de hoje: o sistema atual ainda gasta demais para aprender e responder. O cérebro humano, citou ela, opera com cerca de 20 watts e ainda faz percepção, raciocínio e coordenação ao mesmo tempo. Clusters de treino e inferência pesada pedem megawatts. O The Information republicou o trecho no X.
Essa folga importa porque o atraso prático da IA já não é só o modelo. É o silício, a conta de luz e o intervalo de um a três anos até nascer um chip feito para rodá-lo. Goldie não apresentou um produto que iguale o cérebro. Tratar isso como resultado da empresa é RUMOR.
Resumo rápido
A comparação é de watts e volume de dados, não de consciência. Transformers avançaram, em parte, porque cabiam nas GPUs feitas para gráfico. A Ricursive quer encolher o ciclo de design de chip de anos para semanas. O produto ponta a ponta ainda não tem prova de mercado.
Por que o cérebro ainda é mais eficiente que a IA
Eficiência, aqui, é watt e volume de dados. Uma lâmpada de mesa gasta na casa de 20 watts. Um galpão de servidores gasta megawatts. O mecanismo real é outro: neurônio biológico e transistor de silício não são a mesma máquina. A analogia acaba se alguém lê “cérebro” e pensa em implante neural.
A Ricursive trabalha com automação de design eletrônico (EDA), o software que posiciona blocos e fios num chip de data center. Não é interface cérebro-computador.
Transformers nas GPUs de sempre
No mesmo programa, Goldie disse que os modelos Transformer, a arquitetura da maior parte dos chatbots atuais, avançaram em parte porque se encaixavam nas GPUs, chips feitos primeiro para gráficos. GPU é unidade de processamento gráfico; hoje também treina modelos grandes porque faz bem contas em paralelo. O ponto ótimo para a IA, na visão dela, provavelmente fica longe do silício e das redes usadas agora. A saída seria codesign: o algoritmo e o acelerador são projetados juntos. No recorte oficial, a tese dela é que “é tudo uma questão de chips.”
A Ricursive e o AlphaChip
Goldie e Azalia Mirhoseini fundaram a Ricursive Intelligence em dezembro de 2025. TechCrunch, TIME e The Wall Street Journal descrevem a mesma aposta: encolher o ciclo de design de um chip, hoje de um a três anos, para semanas ou dias. As duas lideraram o AlphaChip no Google Brain e no Google DeepMind. O método saiu na Nature em 2021, no artigo “A graph placement methodology for fast chip design”. O Google DeepMind relata uso em produção em quatro gerações de TPU, o chip de IA do Google (v3, v4, v5e e v5p/Trillium), e no processador de datacenter Axion. TPU é o acelerador que o Google fabrica para os próprios modelos.
Quanto a empresa levantou
A Ricursive captou US$ 335 milhões no total: seed de US$ 35 milhões liderado pela Sequoia Capital no fim de 2025 e Series A de US$ 300 milhões liderado pela Lightspeed Venture Partners, com valuation de US$ 4 bilhões, em janeiro e fevereiro de 2026. Entraram também DST Global, Felicis e a NVentures, braço de risco da Nvidia. A Nvidia vende os aceleradores que hoje dominam o treino. Esse investimento é conflito de interesse.
No podcast Training Data da Sequoia, as fundadoras falam em sair do modelo fabless (quem projeta manda fabricar em outra empresa, em geral a TSMC) para o que chamam de designless: a IA desenha o silício a partir da necessidade de software. Isso é tese da empresa, não padrão da indústria.
O instituto Epoch AI estima que a computação de IA no mundo vem dobrando a cada sete meses, com taxa anual de 3,3 vezes em equivalentes H100 entre 2022 e 2026, número também citado pela TIME na lista TIME100 AI 2026. H100 é um acelerador da Nvidia usado como unidade de comparação.
Promessa x realidade
A empresa projeta otimização de até 10 vezes no custo total de propriedade (TCO, o que se gasta para ter e usar o chip ao longo do tempo) para aceleradores feitos para modelos específicos. É número da própria Ricursive, sem teste público independente. Parcerias de design ainda são iniciais. Não há métrica comercial aberta do software novo.
O cérebro entra na entrevista como prova de que computação inteligente e barata em energia é fisicamente possível. Não como anúncio de paridade com o tecido biológico.
Serve para quem quer entender por que uma startup de design de chip fala de cérebro. Não serve para quem espera implante neural, ou um chip que já iguale 20 watts.
O que ainda não sabemos
Não há, até agora, prova de mercado do produto ponta a ponta. Não sabemos se o ciclo de um a três anos cai para semanas fora do laboratório do Google, nem se o 10x de TCO aparece em chip vendido. Esta redação não testou o software da Ricursive.
Goldie usa o cérebro para dizer que ainda há folga. A Ricursive vende um ciclo mais curto. A folga de 20 watts continua sendo argumento, não produto.
Fontes
Entrevista
- The Information, AI Deep Dive episódio 3
- The Information no X, recorte da declaração
- The Information no X, recorte sobre Transformers
Oficial e estudos
- Ricursive Intelligence
- Google DeepMind, AlphaChip
- Nature, 2021, A graph placement methodology for fast chip design
- PR Newswire, Series A da Ricursive
- Sequoia Capital, ensaio sobre a Ricursive
- Sequoia Capital, podcast Training Data
- Epoch AI, produção de chips de IA
Imprensa