晶片設計是個髒活。
不是字面上的髒，是費時、費錢、費腦力那種髒。一顆先進晶片從概念到量產要花三到五年，光設計階段就得兩年——這還是在動工布線之前。想想看 Nvidia 的 Blackwell GPU 裡面塞了 1,040 億個電晶體。光是把這些零件排列組合，就夠工程師喝一壺了。
但有一家叫 Cognichip 的新創公司覺得，這種苦日子不該再繼續了。
用 AI 救 AI 的「雞生蛋」問題
邏輯很簡單：AI 是靠先進晶片跑出來的，那為什麼不能用 AI 來設計更好的晶片？
Cognichip 的技術說白了，就是做一個能在旁邊輔助工程師的深度學習模型。執行長 Faraj Aalaei 說得很直白：現在的 AI 已經聰明到「你只要告訴它你要什麼結果，它就能給你寫出漂亮的程式碼」。他想把軟體工程師用慣的那些 AI 助手，直接搬進半導體設計領域。
目標很明確：開發成本砍掉 75% 以上，開發週期縮短一半以上。
老實說，如果真做得到，這整個產業都要地震。
六千萬美元，Intel CEO 親自入局
Cognichip 週三宣佈新一輪 6000 萬美元融資，由 Seligman Ventures 領投。Intel 執行長 Lip-Bu Tan 不但參投，還要進董事會。從公司成立到現在，Cognichip 已經累計籌到 9,300 萬美元。
不過，有一件事他們目前交代不出來：用他們的系統設計出來的晶片在哪？
Cognichip 無法展示具體的成品，也沒有公開任何合作客戶的名字。他們只說「去年從隱身模式浮現後，從去年九月開始就跟客戶在合作了」。
坦白講，這階段看不到東西很正常，但投資人花錢的時候，這還是個讓人捏把冷汗的問號。
難在資料，不是技術
很多人以為 AI 寫晶片跟 AI 寫程式一樣簡單。其實完全不是。
軟體工程師為什麼能用 Copilot 飛快寫 code？因為全世界有海量的開源程式碼可以訓練。晶片設計師呢？每家公司的 IP 都鎖得死死的。你要的訓練資料，根本不存在於開源社群。
Cognichip 的解法是自建資料集——包含合成資料加上跟合作夥伴授權的專利資料。他們還開發了一套機制，讓晶片廠可以在自己的伺服器上安全地訓練模型，完全不用把核心 IP 洩露出去。
沒有資料怎麼辦？用開源的 RISC-V 架構替代。去年他們辦過一次黑客松，讓聖荷西州立大學的電機系學生用他們的模型設計 CPU。效果還不錯。
競爭對手一個都不弱
Cognichip 不是唯一想做這件事的公司。
老牌 EDA 巨頭 Synopsys 和 Cadence 早就在這個市場站穩了。新創方面也沒閒著——ChipAgents 二月剛完成 7400 萬美元的 extended Series A，Ricursive 一月更募到了 3 億美元的 Series A。
Seligman 的合夥人 Umesh Padval 講了一句話滿有意思。他說，自己投資 40 年，從沒看過 AI 基礎設施的資金湧入規模像現在這麼誇張。「如果半導體和硬體是超級周期，那 Cognichip 這種公司更是超級周期裡的超級周期。」
我的看法
從我的角度——我自己在做細胞治療製程開發——這種用 AI 加速高複雜度設計流程的故事，跟我們領域用 AI 優化生物製程的邏輯是一樣的。資料是門檻，速度是價值，但真正的瓶頸永遠在落地驗證。
Cognichip 要證明自己，不靠 PPT，不靠估值。靠的是：到底能不能交出一顆真正從概念到矽晶的晶片。
到時候，晶片設計的遊戲規則可能就徹底改寫了。
