Jeff Dean behauptet, KI könne die Chipentwicklung von 18–30 Monaten auf 3–6 Monate verkürzen
Wichtige Erkenntnisse
- •Jeff Dean sagte im Februar 2025 im Dwarkesh Podcast, KI könnte die Entwicklungszyklen für moderne Chips vom herkömmlichen 18- bis 30-monatigen Zeitfenster auf bis zu drei Monate verkürzen.
- •Googles AlphaChip-System nutzte bestärkendes Lernen, um Chip-Layouts in unter sechs Stunden zu erstellen, die die Qualität menschlicher Experten erreichten oder übertrafen, und kam in Produktions-Tensor-Processing-Units zum Einsatz.
- •Architect Labs kündigte im September 2026 an, dass sein Inference-Chip Redwood in weniger als zwei Wochen von der Spezifikation zum Proof-of-Concept gelangte.
- •OpenAIs KI-Beschleuniger Jalapeño schaffte es in weniger als 20 Monaten von der ersten Architektur zum ersten Silizium, wobei LLM-gestütztes Design eine 10%ige Verkleinerung der Chipfläche im Vergleich zu entsprechenden menschlichen Entwürfen brachte.
- •Dean verließ Google Mitte 2026 und gründete Discovery Loop mit, ein Unternehmen, das Systeme zur rekursiven Selbstverbesserung in der Hardware-Designautomatisierung entwickelt.
Die Entwicklung eines modernen Chips dauert derzeit zwischen 18 und 30 Monaten von der ersten Skizze bis zum gefertigten Silizium. Jeff Dean, ehemaliger Chief Scientist bei Google, ist der Ansicht, dass Künstliche Intelligenz diesen Zeitraum auf bis zu drei Monate verkürzen kann.
Die These, die er im Februar 2025 in einer Folge des Dwarkesh Podcasts äußerte, beruht auf einer naheliegenden Beobachtung: Der Großteil des 18- bis 30-monatigen Zeitraums wird von Ingenieuren beansprucht, die Designentscheidungen treffen, die theoretisch automatisiert werden könnten. Die eigentliche Fertigung in einem Foundry-Werk wie TSMC — der Taiwan Semiconductor Manufacturing Company, die Chips für viele der Designer der Branche herstellt — dauert nur etwa vier Monate. Die restliche Zeit fließt in die Verfeinerung der Grundrisspläne, die Festlegung, wo sich jeder Funktionsblock auf dem Silizium befindet, die Verdrahtung der Verbindungen und die Ausführung von Simulationen zur Verifikation des Designs. Deans These ist, dass bestärkendes Lernen — ein Verfahren, bei dem Software durch Versuch und Feedback statt durch explizite Regeln lernt — und verbesserte Electronic-Design-Automation-Tools (EDA) — die Software-Werkzeugketten, mit denen Ingenieure Chipdesigns layouten und verifizieren — die personalintensive Designphase von über einem Jahr auf nur wenige Monate verkürzen können, und zwar mit einem kleineren Team.
Von AlphaChip bis zur Produktionssilizium
Deans Argumentation stützt sich auf jahrelange Forschung bei Google, insbesondere auf das AlphaChip-System, das in einer im Juni 2021 in der Fachzeitschrift Nature veröffentlichten Arbeit beschrieben wurde. AlphaChip nutzte bestärkendes Lernen, um das Chip-Layout zu automatisieren — eine Aufgabe, die Ingenieursteams üblicherweise wochenlang beschäftigt. Das System erstellte Layouts in unter sechs Stunden, die die Qualität menschlicher Expertenarbeit erreichten oder übertrafen.
Die Technologie war mehr als eine Laborvorführung. AlphaChip wurde in Produktionsdesigns für Googles Tensor Processing Units eingesetzt, die kundenspezifischen KI-Beschleuniger, die einen Großteil der Machine-Learning-Infrastruktur des Unternehmens antreiben.
Dean argumentierte, dass kürzere Designzyklen den Bedarf verringern würden, dass Ingenieure vorhersagen müssen, wo die KI-Forschung in 18 Monaten stehen wird. Stattdessen könnten Teams Chips entwickeln, die auf aktuelle algorithmische Anforderungen zugeschnitten sind, und schnell iterieren, wenn sich diese Anforderungen weiterentwickeln — statt sich auf Spezifik festzulegen, die mehr als ein Jahr vor dem gefertigten Silizium liegen.
Die Branche bewegt sich bereits
Deans Vision ist nicht mehr rein theoretisch. Mehrere Unternehmen haben begonnen zu demonstrieren, wie KI-gestütztes Chipdesign in der Praxis aussieht.
Architect Labs kündigte im September 2026 an, einen Inference-Chip namens Redwood entworfen zu haben, der in weniger als zwei Wochen von der Spezifikation zum Proof-of-Concept gelangte — mit anderen Start- und Endpunkten als der von Dean beschriebene Maßstab von der Skizze bis zum gefertigten Silizium.
Auch OpenAI ist in den Hardwarebereich eingestiegen. Sein KI-Beschleuniger Jalapeño gelangte in weniger als 20 Monaten von der ersten Architektur zum ersten Silizium, wobei die kritische Phase vom RTL bis zum Tape-Out — vom Register-Transfer-Level-Designcode bis zum fertigen Layout, das an die Fertigung übergeben wird — in neun Monaten abgeschlossen war. Dieser End-to-End-Wert liegt am oder unter dem schnellen Ende des von Dean genannten traditionellen 18- bis 30-monatigen Zeitfensters, bleibt jedoch weit über dem von ihm für möglich gehaltenen Bereich von drei bis sechs Monaten. Das Unternehmen setzte große Sprachmodelle zur Unterstützung des Designprozesses ein und erreichte eine 10%ige Verkleinerung der Chipfläche im Vergleich zu entsprechenden menschlichen Entwürfen — eine Kennzahl, die zählt, weil die Chipfläche bestimmt, wie viele Chips pro Siliziumwafer gefertigt werden können.
Dean selbst verließ Google Mitte 2026 und gründete gemeinsam mit anderen Forschern Discovery Loop mit. Das Unternehmen konzentriert sich auf den Aufbau von Systemen zur rekursiven Selbstverbesserung in der Hardware-Designautomatisierung. Zusammen genommen geben diese frühen Ergebnisse — zweiwöchige Proof-of-Concept-Sprints, 20-monatige Silizium-Zeitpläne und Layout-Tools auf Basis bestärkenden Lernens — der Branche eine Reihe von Referenzpunkten, an denen sich künftige Behauptungen über KI-verkürzte Designzyklen messen lassen.
