用AI颠覆传统芯片设计流程，Cognichip获6000万美元A轮融资｜AlphaFounders

半导体行业的瓶颈有哪些？芯片设计很可能是最严重的瓶颈之一。

芯片设计的问题在于三点：时间长、花费大、以及相应带来的高门槛。

开发一款新的芯片，从设计到投产通常需要3-5年时间和上亿美元的投入。这导致芯片开发几乎变成大厂的游戏，创业公司即便能够进入行业，承担的风险也过高。

而且这三点问题，还带来一个弊端，就是算力创新发展与软件发展速度的错位。例如，AI模型虽然大体还是基于Transformer结构，但是微结构（MoE，以及不断优化的注意力机制）一直进化、规模在变大，这些都多芯片提出新要求。不过即便NVIDIA等头部厂商几乎每年推出新芯片，其结构也是更早之前设计的，与AI模型的最新需求不完全匹配。 

 一家叫Cognichip的公司希望解决芯片设计的这些就有弊端，他们用一种叫ACI（人工芯片智能）的技术，将芯片的开发时间缩短50%，成本降低75%，当这两个数值下降，算力创新和软件创新的匹配度，也会提高。

近日，Cognichip完成由Seligman Ventures领投的6000万美元A轮融资，SBI Investment及Mayfield、Lux Capital、FPV、Candou Ventures等现有支持者参投。

而在2025年，它获得Lux Capital和Mayfield领投，FPV和Candou Ventures参投的3300万美元的种子轮融资。两轮融资后，总融资额攀升至9300万美元。

用AI颠覆传统芯片设计流程，芯片设计周期缩短一半

Cognichip的创始团队是半导体初创公司比较典型的画像，由连续成功创业者Faraj Aalaei（CEO）为核心，组织了几位行业里的资深人士，并集合了一个由来自MIT、Stanford、Berkeley和多伦多大学的博士，以及数学和物理奥林匹克奖牌得主组成的强大团队。

其中Faraj Aalaei先后在贝尔实验室和富士通有长时间积累，之后创立了Centillium Communications（网络半导体），从种子轮到纳斯达克IPO只花了3年。之后又于2009 年加入Aquantia，先后担任CEO和董事长，后推动公司上市并于2019年被Marvell收购。

Cognichip的核心团队，图片来源：Cognichip

Ehsan Kamalinejad（CTO），曾领导Apple的AI功能开发，也曾在AWS做过AI。Simon Sabato（首席架构师）， 曾任Google、Cisco和Cadence的首席架构师，在FPGA加速器、ASIC及高速网络领域造诣深厚。Stelios Diamantidis（首席产品官），Synopsys AI驱动的DSO.ai平台的缔造者，推出了全球首款面向半导体领域的AI应用。

现在科技行业的一个矛盾在于尽管AI从软件层面的进步日新月异，在基础设施，尤其是AI芯片领域的创新速度却相对滞后。AI模型每隔1-2月可以小更新，半年就有大版本更新。但其所依赖的芯片，更新的周期却可能长达数年。

这种矛盾出现的原因，在于芯片设计领域的两大壁垒：高昂的成本与漫长的时间。

开发一款新的芯片，从设计到投产通常需要2年，当拿到首批样品时，它们可能仍需修改或重新流片。真正达到“产品市场契合度”，可能需要5年。而软件产品，达到“产品市场契合度”的时间要短得多，迭代的频率也快得多。

芯片开发的高成本和长周期，抬高了行业的准入门槛，拖慢了创新的速度。设想一家半导体公司，要设计一款新的芯片，它会希望能够满足未来软件的需求，但是数年后会发生什么，它毫无头绪，却要为这个“毫无头绪”的构想投入数亿美元。

更进一步，造成芯片设计领域两大壁垒的原因，是芯片设计的传统流程。这种流程是在1990年代定型的，遵循一种“瀑布模型”，它是单向的串行路径：架构定义、微架构设计、逻辑设计、验证 、原型制作、芯片点亮、系统验证 ，最后才是大规模量产。这个过程非常僵化，没有机会回头重新评估需求或引入新功能。

不仅是AI，更是对芯片设计方式的推翻重来

要打破这种传统流程，需要彻底改革。假如芯片设计可以并行开发（多个环节同步推进，不用等上一阶段完全结束才启动下一阶段），模块化设计（构建具备可互换组件的芯片，让企业能更从容地适应市场转向），那么整个行业的效率就有可能提升。

为此Cognichip正在构建一个名为“人工芯片智能 (Artificial Chip Intelligence, ACI)”的基础AI模型，这是一种能够以设计师级别的认知能力来理解、学习并解决芯片设计问题的人工智能。

图片来源：Cognichip

这个模型需要从本质上能理解、学习并解决芯片设计问题。Cognichip用寄存器传输级 (RTL)、后综合 (post-synthesis) 的网表结果、电路图来训练它，也包括部分规格和验证信息。Cognichip设计这个模型的核心目标就是让它以极高的速度和极高的并行度来理解并执行芯片设计任务。

为了训练ACI模型，Cognichip内部组建了一支芯片设计师团队来创建专有芯片设计数据，并拥有一支规模可观的AI团队来开发合成数据以作补充。另一个重要的数据来源，是从芯片公司授权获取数据。授权这些数据需要各种方案、协议和架构，复杂，但是能建立壁垒。

当然，它能做到并不是简单地将工作流自动化，通过将AI深度嵌入半导体系统的物理原理中，它能够同时分析全局和局部变量，并行设计组件，并在整个芯片技术栈中执行约束感知型优化。  

Cognichip的目的不是打造AI EDA工具，而是对芯片设计方式进行一次全栈式的推翻重来。

通过ACI，芯片设计工程师能将设计工作量削减高达75%，并将开发周期缩短约50%，并极限优化芯片的功耗、性能和效率 (PPA) 指标，这使得硬件创新的步伐能够紧跟AI软件对计算提出的新需求。

而且，它使得企业能更适应市场需求和产品规格的变化，减少代价高昂的重新设计，降低供应链风险，并使公司能以更高的敏捷性规划未来增长。这就从根本上重塑了芯片开发的商业经济模型，让创业公司也有更多机会进入这个行业。

Cognichip瞄准了三类客户：成熟的半导体大厂，中等规模的公司，初创公司。 

它能帮半导体大厂“用更少资源做更多事”，例如对现有设计进行工艺缩减，以攻占一个非常精准的目标市场。

对于中等规模的公司，它侧重补充团队所缺失的专业知识和维度，让这些公司能以更低的成本在邻近市场构建新产品，完成横向扩张。

对于初创公司，它帮这些客户降低门槛，让它们能在较短时间内设计出以往只有市值数十亿美元的公司才能企及的芯片。

当芯片设计流程缩短、成本变低后，对行业的影响有多大？

AI的能力越来越强，渗透的领域和维度越来越广，也让创业者有了更多机会。  

但是成本问题，尤其是算力成本，始终是悬在创业者头上的一把剑。

用AI解决AI芯片的设计问题，Cognichip不是第一个有这个想法的公司。一方面，Google在几年前，就将AlphaChip用在TPU系列芯片的设计中，并获得了明显效果。另一方面，AlphaChip的核心团队已经创立了Ricursive这家公司，并在不久前获得3亿美元融资。

AI芯片的设计成本下降，带来的是AI芯片的定制化成本下降，这就会让创业者的机会变得更好。尤其是AI硬件的创业者，因为他们都有机会像苹果一样，用软硬件结合及垂直整合的方式，让成本和产品体验达到很好平衡。

中国的半导体产业，已经走过了开拓阶段，初步进入成熟阶段。若要继续追赶国际先进水平，就需要在芯片设计上下功夫。国内市场已经有数家EDA上市公司，若有创业公司能跟上使用AI进行芯片设计的这个技术潮流，加快芯片迭代的频率，那么整个产业链的活力和进步速度，都会提升。

本文由阿尔法公社原创。

✦

✦