最先进的硅芯片加速了人工智能的发展。如今，人工智能能否回馈这份助力？
Cognichip正在构建一个深度学习模型，以便在工程师设计新型计算机芯片时与其协同工作。它试图解决的问题是行业数十年来一直面临的难题：芯片设计极其复杂、成本高昂且进展缓慢。先进芯片从概念构思到大规模生产需要三到五年的时间；仅设计阶段就可能耗时长达两年，之后才进入物理布局环节。以英伟达最新的Blackwell系列GPU为例，其中包含了1040亿个晶体管——这是一个庞大的数量。
Cognichip 首席执行官兼创始人 Faraj Aalaei 表示，在制造一颗新芯片所需的时间里，市场可能发生变化，导致所有投资付诸东流。Aalaei 的目标是将软件工程师用来加快工作速度的 AI 工具引入半导体设计领域。
Aalaei 表示：“这些系统现在已经足够智能，只需引导它们并告知你期望的结果，它们就能生成出色的代码。”
他表示，该公司的技术可以将芯片开发成本降低 75% 以上，并将时间线缩短一半以上。
该公司于去年结束保密状态，并于周三宣布已筹集到由 Seligman Ventures 领投的 6000 万美元新资金，英特尔首席执行官 Lip-Bu Tan 也参与了此次融资，并将加入 Cognichip 的董事会。Seligman 的管理合伙人 Umesh Padval 也将加入董事会。自 2024 年成立以来，Cognichip 累计融资已达 9300 万美元。
尽管如此，Cognichip 目前还无法展示一款使用其系统设计的新芯片，也未披露自今年九月以来与其合作的部分客户信息。
该公司表示，其优势在于使用基于芯片设计数据训练出的自有模型，而非从通用大型语言模型（LLM）起步。这需要获取特定领域的训练数据，并非易事。与广泛开源大量代码的软件开发者不同，芯片设计师对其知识产权保护严密，使得通常用于训练 AI 编程助手的开源数据宝库大多难以获取。
Cognichip 不得不开发自己的数据集，包括合成数据，并从合作伙伴处授权获取数据。该公司还制定了相关流程，允许芯片制造商在不泄露数据的情况下，安全地在其专有数据上训练 Cognichip 的模型。
在缺乏专有数据的情况下，Cognichip 转向了开源替代方案。在去年的一次演示中，Cognichip 邀请圣何塞州立大学的电气工程学生参加黑客松活动，试用该模型。参赛团队能够利用该模型基于 RISC-V 开源芯片架构设计 CPU——这是一种任何人都可以在此基础上构建的自由可用设计。
Cognichip正与Synopsys和Cadence Design Systems等现有巨头竞争，同时也面临着ChipAgents等资金充裕的初创企业的挑战，后者于2月完成了7400万美元的A+轮融资，而Ricursive则在1月完成了3亿美元的A轮融资。
Padval 表示，当前涌入 AI 基础设施的资金潮是他四十年投资生涯中见过的最大规模。
他说：“如果半导体和硬件迎来超级周期，那么像 [Cognichip] 这样的公司也将迎来超级周期。”