Cognichip recauda 60 millones de dólares en su ronda de serie A para reconstruir el diseño de chips alrededor de la IA

Cognichip ha recaudado una ronda de serie A de $60 millones liderada por Seligman Ventures, lo que eleva su financiación total a $93 millones y señaliza un creciente impulso detrás de una nueva categoría en el diseño de semiconductores: la IA informada por la física. La ronda contó con la participación de SBI Investment y de los inversores existentes, incluyendo Mayfield, Lux Capital, FPV y Candou Ventures, con todos los inversores de capital de riesgo aumentando sus posiciones.

La financiación llega en un momento en que la industria de los semiconductores se enfrenta a límites estructurales. Diseñar chips avanzados se ha vuelto cada vez más caro y consume mucho tiempo, a menudo requiriendo años y cientos de millones de dólares, lo que crea un cuello de botella para el propio progreso de la IA.

Un cambio de rumbo en las herramientas de diseño incremental

Cognichip se está posicionando no como otra herramienta de automatización de diseño electrónico, sino como una reestructuración completa de cómo se diseñan los chips. En el núcleo se encuentra su plataforma ACI® (Inteligencia Artificial de Chip).

Según Cognichip, ACI es un modelo de fundamento informado por la física construido específicamente para el diseño de semiconductores. A diferencia de los modelos de IA de propósito general, integra directamente las restricciones físicas, el comportamiento de los circuitos y las realidades de la fabricación en el modelo. Esto le permite razonar a lo largo de todo el ciclo de vida del desarrollo del chip, desde la arquitectura hasta la verificación y la producción.

La empresa afirma que este enfoque puede reducir el esfuerzo de diseño hasta un 75% y acelerar los plazos aproximadamente un 50%, lo que redefine fundamentalmente la economía del desarrollo de chips.

Por qué la IA informada por la física es importante

El diseño de chips tradicional es altamente secuencial, con ingenieros que avanzan paso a paso a través de flujos de trabajo complejos. El enfoque de Cognichip introduce paralelismo, lo que permite explorar múltiples decisiones de diseño simultáneamente.

Esto es importante porque los chips modernos abarcan dominios digitales, analógicos y de señal mixta, con interdependencias crecientes que hacen que la optimización sea cada vez más difícil. Al incorporar directamente la física en el modelo de IA, ACI puede navegar estos compromisos de manera que los sistemas impulsados únicamente por datos no pueden.

El resultado es un sistema que actúa menos como una herramienta y más como un colaborador de ingeniería, capaz de resolver problemas de diseño con un razonamiento cercano al del diseñador.

Los veteranos de la industria señalan confianza

La ronda también trae una validación importante de la industria. Lip-Bu Tan y Umesh Padval se han unido a la junta directiva de Cognichip, reforzando la visión de que el diseño impulsado por la IA se está convirtiendo en una prioridad estratégica en todo el ecosistema de semiconductores.

Ambos ejecutivos tienen profundas conexiones con la evolución de la infraestructura de diseño de chips, incluyendo roles de liderazgo en empresas que definieron generaciones anteriores de herramientas de diseño y innovación de silicio. Su participación sugiere que la industria ve la IA no como una actualización incremental, sino como un cambio fundamental.

De herramientas a infraestructura

Durante los dos últimos años, Cognichip se ha centrado en construir lo que describe como uno de los conjuntos de datos más profundos en el diseño de semiconductores, que abarca desde el comportamiento a nivel de circuito hasta las restricciones de fabricación.

Esta capa de datos es crítica. Los datos de diseño de chips suelen estar fragmentados en herramientas, proveedores y entornos propietarios, lo que hace difícil entrenar sistemas de IA generalizados. La estrategia de Cognichip es unificar estos conjuntos de datos en un sistema gobernado que pueda soportar el entrenamiento y la implementación de modelos a gran escala.

Esto posiciona a ACI como infraestructura en lugar de software: una capa que podría estar en toda la pila de semiconductores.

Adopción temprana en la empresa

La empresa ya está trabajando con más de 30 empresas de semiconductores, incluyendo muchos de los principales jugadores de la industria. Estos compromisos abarcan entornos digitales, analógicos, de señal mixta y de fundición, lo que sugiere que la plataforma se está probando en flujos de trabajo de producción real.

Los resultados iniciales reportados muestran reducciones en los ciclos de diseño y los costos, manteniendo al mismo tiempo los estándares de rendimiento y fabricación, lo cual es crucial para la adopción empresarial.

Una de las dinámicas más interesantes detrás del ascenso de Cognichip es la dependencia circular entre la IA y el hardware. Los modelos de IA requieren chips cada vez más potentes, pero esos chips tardan años en diseñarse.

Al comprimir los plazos de diseño de meses o años a posiblemente días, Cognichip está intentando romper ese bucle. Si tiene éxito, esto podría acelerar no solo la innovación en semiconductores, sino todo el ecosistema de IA que depende de ella.

Qué viene a continuación

Cognichip se está moviendo hacia una fase centrada en la implementación empresarial, donde el enfoque se desplaza desde la promesa técnica al rendimiento consistente en entornos de producción en toda la industria de semiconductores.

Si la IA informada por la física puede reducir de manera fiable los plazos de diseño y los costos a escala, podría alterar la forma en que las organizaciones abordan el desarrollo de chips, lo que podría reducir las barreras para el silicio personalizado y expandir la participación más allá de los jugadores tradicionales.

Más ampliamente, esto apunta a un cambio estructural: el diseño de chips puede evolucionar desde un proceso altamente especializado y consume muchos recursos hasta una disciplina más accesible y paralela, con implicaciones para la infraestructura de IA, la computación en la nube y los sistemas de borde.