Cognichip hæver 60 millioner dollars i serie A for at genopbygge chipdesign omkring AI

Cognichip har hævet en $60 millioner serie A-runde ledet af Seligman Ventures, hvilket bringer deres samlede finansiering op til $93 millioner og signalerer en stigende momentum bag en ny kategori i halvlederdesign: fysik-informeret AI. Runden fik deltagelse fra SBI Investment og eksisterende investorer, herunder Mayfield, Lux Capital, FPV og Candou Ventures, hvor alle seed-investorer øgede deres positioner.

Finansieringen kommer på et tidspunkt, hvor halvlederindustrien står over for strukturelle begrænsninger. Design af avancerede chips er blevet stadig mere dyrt og tidskrævende, ofte krævende år og hundredvis af millioner dollars, hvilket skaber en flaskehals for AI-fremgang i sig selv.

En skift væk fra inkrementelle designværktøjer

Cognichip positionerer sig ikke som endnu et elektronisk designautomatiseringsværktøj, men som en fuldstændig genovervejelse af, hvordan chips designes. I kernepunktet ligger deres ACI® (Artificielt Chip-Intelligence)-platform.

Ifølge Cognichip er ACI en fysik-informeret grundmodel bygget specifikt til halvlederdesign. I modsætning til almindelige formål AI-modeller integrerer det fysiske begrænsninger, kredsløbsadfærd og produktionsrealiteter direkte i modellen. Dette giver det mulighed for at forstå hele chipudviklingslivscyklussen, fra arkitektur til verificering og produktion.

Selskabet hævder, at denne tilgang kan reducere designindsatsen med op til 75% og accelerere tidsrammerne med omkring 50%, hvilket grundlæggende omformer økonomien i chipudviklingen.

Hvorfor fysik-informeret AI er vigtig

Traditionel chipdesign er højt sekventielt, hvor ingeniører flytter sig trin for trin gennem komplekse arbejdsgange. Cognichips tilgang introducerer parallelisme, hvilket giver mulighed for at udforske multiple designbeslutninger samtidigt.

Dette er vigtigt, fordi moderne chips dækker digitale, analoge og mixed-signal-domæner, med voksende interafhængigheder, der gør optimering stadig mere svær. Ved at indbygge fysik direkte i AI-modellen kan ACI navigere disse kompromiser på måder, som ren data-drevne systemer ikke kan.

Resultatet er et system, der fungerer mindre som et værktøj og mere som en ingeniør-samarbejdspartner, der kan løse designproblemer med næsten designer-lignende resonnering.

Branchens veteraner signalerer tillid

Runden bringer også tung vægt til branchens validering. Lip-Bu Tan og Umesh Padval er indtrådt i Cognichips bestyrelse, hvilket styrker synspunktet, at AI-drevet design bliver en strategisk prioritet på tværs af halvleder-økosystemet.

Begge eksperter har dybe bånd til udviklingen af chipdesign-infrastruktur, herunder ledelsesroller i selskaber, der definerede tidligere generationer af designværktøjer og silicium-innovation. Deres deltagelse antyder, at branchen ser AI ikke som en inkrementel opgradering, men som en grundlæggende skift.

Fra værktøjer til infrastruktur

I løbet af de sidste to år har Cognichip fokuseret på at bygge, hvad de beskriver som en af de dybeste datasæt i halvlederdesign, dækkende alt fra kredsløbsniveau til produktionsbegrænsninger.

Dette datalag er kritisk. Chipdesign-data er typisk fragmenteret på tværs af værktøjer, leverandører og proprietære miljøer, hvilket gør det svært at træne generaliserede AI-systemer. Cognichips strategi er at samle disse datasæt i et styret system, der kan understøtte stor skala modeltræning og implementering.

Dette positionerer ACI som infrastruktur snarere end software – et lag, der kunne sidde på tværs af hele halvleder-stakken.

Tidlig erhvervs-traction

Selskabet arbejder allerede med mere end 30 halvlederfirmaer, herunder mange af de største spillere i branchen. Disse engagementer dækker digitale, analoge, mixed-signal og foundry-miljøer, hvilket antyder, at platformen testes på virkelige produktionsarbejdsgange.

Tidlige resultater viser ifølge rapporten reducerede designcykler og omkostninger, mens man opretholder ydelse og fabrikationsstandarder, som er kritiske for erhvervsadoption.

En af de mere interessante dynamikker bag Cognichips opstigning er den cirkulære afhængighed mellem AI og hardware. AI-modeller kræver stadig mere kraftfulde chips, men disse chips tager år at designe.

Ved at komprimere design-tidsrammer fra måneder eller år til potentielt dage forsøger Cognichip at bryde denne cirkel. Hvis det lykkes, kunne det accelerere ikke kun halvleder-innovation, men hele det AI-økosystem, der afhænger af det.

Hvad kommer næste

Cognichip bevæger sig ind i en fase centreret omkring erhvervsimplementering, hvor fokus skifter fra teknisk løfte til konsekvent ydelse i produktionsmiljøer på tværs af halvlederindustrien.

Hvis fysik-informeret AI kan pålideligt reducere design-tidsrammer og omkostninger i stor skala, kunne det ændre, hvordan organisationer tilgår chipudvikling, potentielt sænke barrierer for brug af brugerdefineret silicium og udvide deltagelse ud over traditionelle spillere.

Endnu bredere peger dette på en strukturel skift: chipdesign kan udvikle sig fra en højt specialiseret, ressource-intensiv proces til en mere tilgængelig og paralleliseret disciplin, med implikationer for AI-infrastruktur, cloud-computing og edge-systemer.