Krzemowe sprzężenie zwrotne: Cognichip chce, by AI sama projektowała procesory

W sektorze technologicznym od dekad panuje paradoks: najpotężniejsze modele sztucznej inteligencji powstają dzięki procesorom, których proces projektowania niemal nie zmienił się od lat. Tworzenie układów takich jak Nvidia Blackwell, najeżonych 104 miliardami tranzystorów, to wciąż syzyfowa praca inżynierska. Cognichip, kalifornijski start-up, który właśnie zamknął rundę finansowania na poziomie 60 milionów dolarów, stawia tezę, że czas, aby algorytmy spłaciły swój dług wobec sprzętu.

Koniec ery projektowania metodą rzemieślniczą

Obecny cykl życia procesora — od koncepcji do masowej produkcji — zajmuje zazwyczaj od trzech do pięciu lat. Sama faza projektowa potrafi pochłonąć dekady pracy zespołów inżynierskich, zanim powstanie fizyczny układ ścieżek. W świecie, gdzie zapotrzebowanie na moc obliczeniową zmienia się w tempie wykładniczym, tak długi termin oddania produktu do użytku staje się barierą wzrostu. Faraj Aalaei, CEO Cognichip, zauważa, że rynek potrafi ewoluować szybciej, niż trwa cykl produkcyjny, czyniąc ogromne inwestycje nieefektywnymi.

Rozwiązaniem ma być model głębokiego uczenia zintegrowany z procesem inżynieryjnym. Cognichip nie obiecuje całkowitego zastąpienia ludzi, lecz stworzenie dla nich narzędzia klasy „Copilot”, znanego programistom software’owym. Ambicje są ogromne: redukcja kosztów rozwoju o 75% i skrócenie harmonogramów o ponad połowę. To obietnice, które przyciągnęły takich gigantów jak Lip-Bu Tan z Intel Capital, którego udział w rundzie i wejście do rady nadzorczej nadają projektowi branżowej wiarygodności.

Dane syntetyczne i bariera własności intelektualnej

Największym wyzwaniem dla Cognichip nie jest sama architektura AI, lecz dostęp do danych treningowych. W branży półprzewodników schematy i topologie układów są najpilniej strzeżonymi tajemnicami korporacyjnymi. Aby ominąć tę barierę, firma opracowała procedury pozwalające klientom na bezpieczne trenowanie modeli na własnych danych bez ryzyka ich wycieku, a braki uzupełnia danymi syntetycznymi oraz architekturą open source RISC-V.

Uczelnia San Jose State University gościła już hackathon, podczas którego studenci wykorzystali narzędzia Cognichip do projektowania jednostek CPU. Choć demo wypadło obiecująco, firma wciąż stoi przed „momentem prawdy”. Mimo zebrania łącznie 93 milionów dolarów i współpracy z partnerami od września ubiegłego roku, Cognichip nie pokazał jeszcze gotowego układu scalonego w pełni opracowanego przez swój system.

Wyścig w cieniu rynkowych gigantów

Sektor EDA (Electronic Design Automation) nie jest jednak pustynią. Start-up musi zmierzyć się z ugruntowaną pozycją rynkową takich potęg jak Synopsys czy Cadence, które również integrują funkcje AI w swoich ekosystemach. Do gry wchodzą także inne, mocno dofinansowane podmioty, jak Alpha Design AI czy ChipAgentsAI. Inwestorzy, tacy jak Umesh Padval z Seligman Ventures, są jednak przekonani, że mamy do czynienia z „supercyklem” sprzętowym. W tym scenariuszu optymalizacja projektowania procesorów nie jest tylko udogodnieniem — to konieczność, bez której rozwój uczenia maszynowego uderzy w sufit fizycznych możliwości obecnej inżynierii.