Progettare un chip all'avanguardia richiede attualmente tra i 18 e i 30 mesi dal primo abbozzo al silicio fabbricato. Jeff Dean, ex Chief Scientist di Google, ritiene che l'intelligenza artificiale possa comprimere tale tempistica fino a soli tre mesi.

L'affermazione, fatta durante un'intervista al Dwarkesh Podcast a febbraio 2025, si basa su un'osservazione semplice: la maggior parte della finestra di 18-30 mesi è assorbita da ingegneri che prendono decisioni di progettazione che, in teoria, potrebbero essere automatizzate. La fabbricazione effettiva presso un foundry come TSMC — la Taiwan Semiconductor Manufacturing Company, che produce chip per molti progettisti del settore — richiede solo circa quattro mesi. Il resto del tempo è impiegato a rifinire i floor plan, decidere dove posizionare ogni blocco funzionale sul silicio, instradare i fili che li collegano ed eseguire simulazioni per verificare il progetto. La tesi di Dean è che l'apprendimento per rinforzo, una tecnica in cui il software apprende attraverso tentativi e feedback anziché regole esplicite, e strumenti migliorati di automazione della progettazione elettronica (EDA) — le catene di strumenti software che gli ingegneri usano per disporre e verificare i progetti di chip — possano ridurre la fase di progettazione ad alta intensità di manodopera da oltre un anno a pochi mesi, e con un team più piccolo.

Da AlphaChip al silicio di produzione

L'argomentazione di Dean si fonda su anni di ricerca presso Google, in particolare sul sistema AlphaChip descritto in dettaglio in un articolo pubblicato sulla rivista Nature a giugno 2021. AlphaChip ha utilizzato l'apprendimento per rinforzo per automatizzare il layout dei chip, un compito che tipicamente occupa team di ingegneri per settimane. Il sistema ha generato layout in meno di sei ore, di qualità pari o superiore a quella del lavoro degli esperti umani.

La tecnologia non è stata solo una dimostrazione di laboratorio. AlphaChip è stata impiegata nei progetti di produzione dei Tensor Processing Units di Google, gli acceleratori IA personalizzati che alimentano gran parte dell'infrastruttura di machine learning dell'azienda.

Dean ha sostenuto che cicli di progettazione più brevi ridurrebbero la necessità per gli ingegneri di prevedere dove si troverà la ricerca sull'IA tra 18 mesi. I team potrebbero invece progettare chip adattati alle esigenze algoritmiche attuali e iterare rapidamente man mano che tali esigenze evolvono, anziché impegnarsi su specifiche con più di un anno di anticipo rispetto al silicio fabbricato.

Il settore è già in movimento

La visione di Dean non è più puramente teorica. Diverse realtà hanno iniziato a dimostr come si presenta nella pratica la progettazione di chip assistita dall'IA.

Architect Labs ha annunciato a settembre 2026 di aver progettato un chip di inferenza chiamato Redwood, passando dalla specifica alla proof of concept in meno di due settimane — con punti di partenza e di arrivo diversi dal benchmark che va dall'abbozzo al silicio fabbricato descritto da Dean.

Anche OpenAI è entrata nel settore hardware. Il suo acceleratore IA Jalapeño è passato dall'architettura iniziale al primo silicio in meno di 20 mesi, con la fase critica da RTL a tape-out — dal codice di progettazione a livello di registro-transfer alla layout definitiva consegnata per la fabbricazione — completata in nove mesi. Quel dato end-to-end è pari o inferiore all'estremo rapido della finestra tradizionale di 18-30 mesi citata da Dean, pur rimanendo ben al di sopra dell'intervallo di tre-sei mesi che egli ritiene possibile. L'azienda ha utilizzato modelli linguistici di grandi dimensioni per assistere il processo di progettazione, ottenendo una riduzione del 10% dell'area del chip rispetto a progetti umani equivalenti — una metrica importante perché l'area del die determina quanti chip possono essere prodotti da ogni wafer di silicio.

Dean stesso ha lasciato Google a metà 2026 per co-fondare Discovery Loop insieme ad altri ricercatori. L'obiettivo dell'azienda è costruire sistemi per il miglioramento ricorsivo autonomo nell'automazione della progettazione hardware. Prese insieme, questi primi risultati — proof of concept realizzate in due settimane, tempistiche di silicio di 20 mesi e strumenti di layout basati sull'apprendimento per rinforzo — forniscono al settore una serie di punti di riferimento rispetto ai quali misurare le future affermazioni sui cicli di progettazione compressi dall'IA.