- Ключевые выводы
- Почему проектирование чипов — такая сложная и дорогая головоломка
- Cognichip: ИИ-инженер дляchip design, а не для кода
- Что внутри: специализированная модель, а не общий ChatGPT
- Как Cognichip решает проблему с данными: синтетика, лицензии и безопасность
- Кто конкурирует: гиганты EDA и новые стартапы
- Финансы, совет директоров и открытые вопросы
- Зачем это кому-то нужно: потенциальный эффект для индустрии
- Справка
- Заключение
Ключевые выводы
- Создание современных чипов (как Nvidia Blackwell с 104 млрд транзисторов) занимает 3-5 лет и стоит баснословных денег.
- Стартап Cognichip строит специализированную модель ИИ, которая помогает инженерам на этапе проектирования, а не кодирования программ.
- Цель компании — сократить сроки разработки более чем вдвое и снизить затраты на 75%, используя обученную на данных проектирования модель.
- Главная сложность — доступ к закрытым данным проектирования чипов. Cognichip решает это через синтетические данные, партнёрские лицензии и безопасный формат «обучения на данных клиента».
- Компания вышла из режима скрытности в 2024 году, привлекла $93 млн, в том числе от индийской стороны Intel. Среди конкурентов — Synopsys, Cadence и стартапы Alpha Design AI, ChipAgentsAI.
- Пока нет публичных示例ов чипов, полностью спроектированных ИИ Cognichip, и компания не раскрывает список клиентов.
Представьте, что вам нужно выстроить в идеальный порядок 104 миллиарда крошечных элементов. Так выглядит задача по созданию нового чипа уровня Nvidia Blackwell. На это уходят годы и миллиарды долларов. А еслиMarketplace изменится за время разработки, все усилия могут оказаться напрасными. Стартап Cognichip хочет внедрить в этот консервативный мир то, что давно работает у программных инженеров: умный ИИ-помощник.
Почему проектирование чипов — такая сложная и дорогая головоломка
Процесс создания современного процессора или графического чипа — это один из самых масштабных и рискованных проектов в промышленности. Даже для гигантов вроде Nvidia или AMD.
На конвейере — три до пяти лет от первой идеи до серийного производства. При этом один лишь этап архитектурного проектирования, когда инженеры определяют логику и соединения, может занять до двух лет.
Сложность растёт экспоненциально. Чип Nvidia Blackwell содержит около 104 миллиардов транзисторов. Каждый из них должен быть правильно соединён с другими. Ошибка на этом этапе, найденная позже, обходится в десятки миллионов и откладывает запуск на месяцы.
Главный бизнес-риск: рынок не ждёт. За три-пять лет разработки требования могут кардинально измениться, и многомиллиардные инвестиции окажутся втуне. Отрасль остро нуждается в инструментах, которые ускорят само проектирование, а не последующие этапы.
Cognichip: ИИ-инженер дляchip design, а не для кода
Компания Cognichip, вышедшая из скрытности в 2024 году, ставит амбициозную цель. Вместо того чтобы делать ИИ для написания программного кода (как GitHub Copilot), она создаёт модель, которая работает «рядом с инженером-проектировщиком» на самых ранних и сложных стадиях.
«Эти системы (ИИ-помощники для программистов) стали настолько умными, что, просто направляя их и говоря, какой результат хочешь, они могут создать прекрасный код», — сравнивает основатель и CEO Cognichip Фарадж Алаэи (Faraj Aalaei).
Его цель — перенести ту же парадигму в мир чипов: дать инженеру целевое описание (например, «процессор с такими-то характеристиками энергопотребления и производительности»), а система сама предложит варианты архитектуры и логических блоков.
По заявлениям компании, её технологии могут сократить общую стоимость разработки чипа более чем на 75% и ускорить процесс более чем в два раза. Это радикальное улучшение по сравнению с текущими ручными и полуавтоматическими методами.
Что внутри: специализированная модель, а не общий ChatGPT
Ключевое отличие Cognichip от компаний, которые просто подключают GPT к задачам, — в использовании собственной модели, изначально обученной на данных проектирования микросхем.
Это принципиально важно. Общедоступные языковые модели (LLM) не знают специфики VLSI-проектирования, физических ограничений, правил дизайна (design rules) и электротехнических параметров. Их ответы будут бесполезны или опасны.
«Наше преимущество — модель, обученная на domain-specific данных», — подчёркивает Алаэи. Но вот проблема: эти данные — коммерческая тайна.
В отличие от программистов, выкладывающих миллионы строк кода на GitHub, chip designers (проектировщики чипов) хранят свои IP (интеллектуальную собственность) в строжайшей тайне. Больших открытых датасетов для обучения, как в мире ПО, попросту нет.
Как Cognichip решает проблему с данными: синтетика, лицензии и безопасность
Компании пришлось создавать собственные датасеты, в том числе с помощью генерации синтетических данных — реалистичных, но искусственных схем и blueprints, имитирующих реальные проекты.
Также Cognichip заключает лицензионные соглашения с партнёрами для доступа к историческим данным проектирования (конечно же, в обезличенном и anonymized виде).
Но главный ход — платформа, которая позволяет chipmaker’ам безопасно обучать модели Cognichip на своих собственных закрытых данных, не передавая их наружу. Технология похожа на федеративное обучение (federated learning), но адаптированная под задачи EDA (Electronic Design Automation).
В качестве демонстрации, на хакатоне для студентов электротехнического факультета San Jose State, команды использовали модель Cognichip для проектирования CPU на базе открытой архитектуры RISC-V. Это доказало работоспособность в режиме, когда прямой доступ к коммерческим данным отсутствует.
Кто конкурирует: гиганты EDA и новые стартапы
Рынок автоматизации проектирования чипов (EDA) традиционно контролируют два гиганта: Synopsys и Cadence Design Systems. Оба они уже активно внедряют ИИ в свои инструменты (например, Synopsys DSO.ai).
Однако Cognichip позиционирует себя как более специализированную и «с нуля созданную для ИИ» платформу, что теоретически даёт преимущество в гибкости.
При этом появляется и целая плеяда хорошо финансируемых стартапов, преследующих ту же цель:
- Alpha Design AI — привлек $21 млн в Series A (октябрь 2025).
- ChipAgentsAI — закрыл расширенную Series A на $74 млн (февраль 2026).
Как отмечает инвестор Umesh Padval из Seligman Ventures, текущий вклад в AI-инфраструктуру — крупнейший за 40 лет его карьеры. «Если это супер-цикл для полупроводников и железа, то это супер-цикл для компаний вроде [Cognichip]».
Финансы, совет директоров и открытые вопросы
В последнем раунде (январь 2026) Cognichip привлёк $60 млн под руководством Seligman Ventures. Знаковое участие принял Лип-Бу Тан (Lip-Bu Tan), CEO Intel, инвестировавший через свой фонд Walden Catalyst Ventures. Он и Umesh Padval вошли в совет директоров.
Общее привлечённое финансирование с основания в 2024 году — $93 млн. Это серьёзный капитал для этапа «до первых коммерческих продуктов».
Однако есть и «голые факты». Cognichip пока не может показать публично чип, полностью спроектированный с помощью своей системы. Также компания не раскрывает имена клиентов, с которыми якобы сотрудничает с сентября 2025 года. Будет ли модель действительно интегрирована в рабочие процессы крупных foundry (TSMC, Samsung) или fabless-компаний (AMD, Qualcomm)? Время покажет.
Зачем это кому-то нужно: потенциальный эффект для индустрии
Если технология сработает заявленными характеристиками, это может стать точкой перелома для всей полупроводниковой индустрии, находящейся в цейтноте из-за гонки за сложностью (следуя закону Мура) и дефицита кадров.
Сокращение сроков проектирования вдвое позволит компаниям быстрее выводить на рынок специализированные чипы для AI, автономных систем и IoT, успевая под меняющиеся запросы.
Снижение затрат на разработку на 75% сделает feasible проекты, которые сейчас считаются слишком рискованными и дорогими, — например, кастомные чипы для узких отраслей или для стартапов в hardware.
Но главный вызов — интеграция. Chip design — священный процесс с высочайшими стандартами надёжности и точности. ИИ должен не просто предложить вариант, а доказать, что он будет работать на кремнии при всех условиях. Доверие инженеров — вот что придётся завоёвывать годами.
Справка
Cognichip — стартап в области EDA (Electronic Design Automation), основанный в 2024 году. Базируется, предположительно, в Кремниевой долине. Цель — создание ИИ-систем для автоматизации архитектурного и логического проектирования интегральных схем. Привлёк $93 млн от Seligman Ventures, Walden Catalyst Ventures (фонд Лип-Бу Тана) и других. Не раскрывает клиентов и готовых продуктов.
Фарадж Алаэи (Faraj Aalaei) — основатель и гендиректор Cognichip. Раньше мог занимать руководящие роли в других deep tech стартапах, но публичная биография ограничена. Визионер, сравнивающий будущее chip design с революцией, которую ИИ принёс в software engineering.
Nvidia Blackwell — архитектура графических процессоров и систем на кристалле (SoC), анонсированная Nvidia в 2024 году. Флагманские чипы серии Blackwell (например, B200) содержат около 104 миллиардов транзисторов, произведены по 4-нм техпроцессу и предназначены для тренировки и инференса больших языковых моделей. Является примером «чудовищной» сложности современного chip design.
Synopsys и Cadence Design Systems — два доминирующих игрока на рынке программного обеспечения для проектирования электронных схем (EDA). Обладают многолетней историей, огромными клиентскими базами и полными наборами инструментов (Synopsys: Fusion Compiler, DSO.ai; Cadence: Innovus, Cerebrus). Их стратегия — плагиновое внедрение ИИ в существующие продукты.
RISC-V — открытая архитектура набора команд (ISA) для процессоров. В отличие от проприетарных x86 (Intel/AMD) и ARM, её лицензия бесплатна, что позволяет любому проектировать и производить совместимые чипы. Стала популярной в IoT, embedded, исследовательских и государственных проектах. Является стандартом «песочницы» для демонстраций новых EDA-инструментов.
Заключение
Проектирование чипов давно ждало своего «Copilot-момента». Cognichip предлагает его, но на своей, намного более сложной и консервативной арене. У них есть амбициозный технический замысел, опытные инвесторы и понимание проблемы с данными. Но до реального vechicle проекта — чипа, спроектированного с нуля их ИИ, — ещё далеко. Индустрия смотрит на них с интересом, но и с глубоким скепсисом. Если они докажут, что могут сократить два года работы инженеров до нескольких месяцев без потери качества, это изменит правила игры. Если нет — станут ещё одним любопытным кейсом в истории ИИ для hardware.
