Ecco un divertente paradosso: i chip che alimentano l’AI di oggi sono progettati da esseri umani che trascorrono anni a perfezionare layout che l’AI potrebbe teoricamente realizzare in mesi. Nel frattempo, Cognichip ha appena raccolto 60 milioni di dollari scommettendo che l’AI può progettare chip migliori degli esseri umani che hanno progettato l’AI. Se il tuo cervello ha appena subito un corto circuito, benvenuto nel 2025.
Ho esaminato abbastanza strumenti di AI da sapere quando qualcuno sta vendendo fumo rispetto a chi sta realmente risolvendo un problema. Cognichip rientra nella seconda categoria, ma non per le ragioni che il loro team PR vorrebbe farti credere.
Il Problema Di Cui Nessuno Parla
La progettazione di chip è brutalmente costosa e dolorosamente lenta. Parliamo di tempistiche di 18-24 mesi e bilanci che fanno piangere i capitalisti di rischio. Il processo tradizionale coinvolge eserciti di ingegneri che posizionano manualmente miliardi di transistor, eseguendo simulazioni, individuando problemi e ricominciando da capo. È come risolvere un cubo di Rubik dove ogni mossa richiede tre settimane e costa 50.000 dollari.
Questo è importante perché ogni azienda di AI ha bisogno di silicio personalizzato. Non puoi semplicemente acquistare chip di produzione quando cerchi di addestrare modelli che porterebbero al fallimento una piccola nazione in costi di cloud computing. Ma i chip su misura richiedono un lavoro di progettazione personalizzato, il che richiede bilanci personalizzati che la maggior parte delle startup non ha.
Entra in gioco la piattaforma “Artificial Chip Intelligence” di Cognichip. Sì, hanno registrato il marchio ACI® perché apparentemente avevamo bisogno di un altro acronimo nel campo dell’AI.
Cosa Hanno Davvero Costruito
L’approccio di Cognichip utilizza modelli di AI informati dalla fisica per automatizzare la progettazione dei chip. Non “automatizzare” nel senso di marketing dove gli esseri umani svolgono ancora il 90% del lavoro. Automazione reale. Il loro sistema comprende abbastanza bene la fisica dei semiconduttori, le restrizioni di progettazione e le limitazioni produttive da generare progettazioni pronte per la produzione.
I numeri sono legittimamente impressionanti. Hanno raggiunto riduzioni dei costi del 75% e accorciato i tempi di progettazione del 50%. Non si tratta di un miglioramento incrementale: questa è la differenza tra una startup in grado di permettersi silicio personalizzato o di accontentarsi di componenti off-the-shelf che non sono esattamente giusti.
Seligman Ventures ha guidato il loro finanziamento di 60 milioni di dollari nella Serie A, il che è già indicativo. I VC lanciano soldi alle aziende di AI come coriandoli, ma la progettazione di chip è diversa. Non puoi simulare il silicio funzionante. O i tuoi chip funzionano o non funzionano, e quelli di Cognichip apparentemente funzionano.
Perché Sono Comunque Scettico
Ascolta, voglio che questo abbia successo. Democratizzare la progettazione dei chip sarebbe davvero utile. Ma affrontiamo l’elefante nella sala pulita: stiamo utilizzando l’AI per progettare i chip che eseguiranno una AI migliore, che progetterà chip migliori, che eseguirà un’AI ancora migliore. Questo è o un ciclo virtuoso o l’incipit di un film di fantascienza dove le cose vanno storte.
La vera domanda non è se l’AI può progettare chip—Cognichip ha dimostrato di poterlo fare. La domanda è se i chip progettati dall’AI introducono modalità di guasto che non abbiamo considerato. Gli ingegneri umani commettono errori che comprendiamo. L’AI commette errori che stiamo ancora imparando a prevedere.
C’è anche il problema dei dati. La progettazione di chip richiede enormi set di dati di progettazioni precedenti, risultati di produzione e modalità di guasto. Cognichip sta costruendo un “modello di base di AI informato dalla fisica”, che suona impressionante fino a quando non ricordi che la fisica è complicata e la fisica dei semiconduttori è la fisica in modalità difficile. Una supposizione errata nei tuoi dati di addestramento e stai producendo costosi fermacarte.
Cosa Significa Questo
Se Cognichip mantiene le sue promesse, stiamo assistendo a un cambiamento fondamentale in chi può costruire silicio personalizzato. In questo momento, solo le aziende con budget a nove cifre possono permettersi la progettazione di chip personalizzati. Se scendi del 75%, all’improvviso le aziende di AI di medie dimensioni possono giocare nella sandbox del silicio personalizzato.
Questo è importante perché la corsa all’hardware AI non è solo chi ha i chip più grandi—riguarda chi può iterare più velocemente. Se Cognichip può dimezzare i cicli di progettazione riducendo contestualmente i costi di tre quarti, non stanno solo rendendo la progettazione dei chip più economica. La stanno rendendo abbastanza veloce da contare.
I 60 milioni di dollari raccolti suggeriscono che gli investitori credono che questo sia reale. Il fatto che Fast Company li abbia nominati tra le aziende più innovative del mondo suggerisce che l’industria sta prestando attenzione. Ma ho visto abbastanza cicli di hype nell’AI da sapere che raccogliere fondi e vincere premi non equivale a spedire prodotti che funzionano su larga scala.
Il Verdetto
Cognichip sta risolvendo un problema reale con risultati misurabili. La riduzione dei costi del 75% e il miglioramento dei tempi del 50% non sono proiezioni—sono numeri realizzati. Questo è abbastanza raro nell’AI da meritare attenzione.
Ma siamo ancora all’inizio. L’AI che progetta chip AI è o il futuro dello sviluppo dei semiconduttori o un esperimento costoso in ottimizzazione ricorsiva. Probabilmente entrambi. Il fatto che chip di produzione siano già in fase di spedizione suggerisce che Cognichip ha qualcosa di reale, ma il divario tra “funzionanti in produzione” e “standard industriale” è il posto dove molte tecnologie promettenti vanno a morire.
Sono cautamente ottimista, il che per me è fondamentalmente una recensione entusiasta. Torna tra 18 mesi per vedere se stanno davvero democratizzando la progettazione dei chip o se sono solo un’altra azienda di AI ben finanziata con dimostrazioni impressionanti e una scala di produzione limitata.
🕒 Published: