Het ontwerpen van een geavanceerde chip kost momenteel tussen de 18 en 30 maanden, van eerste schets tot gefabriceerd silicium. Jeff Dean, voormalig Chief Scientist bij Google, is van mening dat kunstmatige intelligentie die tijdlijn kan terugbrengen tot wel drie maanden.

Deze claim, gedaan tijdens een verschijning op de Dwarkesh Podcast in februari 2025, stoelt op een eenvoudige observatie: het merendeel van het tijdvenster van 18 tot 30 maanden wordt ingenomen door menselijke ingenieurs die ontwerpbeslissingen nemen die in theorie geautomatiseerd zouden kunnen worden. De daadwerkelijke fabricage bij een foundry zoals TSMC — de Taiwan Semiconductor Manufacturing Company, die chips produceert voor veel ontwerpers in de industrie — duurt slechts ongeveer vier maanden. De rest van de tijd gaat op aan het verfijnen van floorplans, het bepalen van de plek van elk functioneel blok op het silicium, het routeren van de verbindingen ertussen en het uitvoeren van simulaties om het ontwerp te verifiëren. Dean's stelling is dat reinforcement learning — een techniek waarbij software leert door proberen en feedback in plaats van expliciete regels — en verbeterde tools voor electronic design automation (EDA) — de softwaretoolchains die ingenieurs gebruiken om chipontwerpen uit te werken en te verifiëren — de arbeidsintensieve ontwerpfase kunnen terugbrengen van ruim een jaar naar slechts enkele maanden, en bovendien met een kleiner team.

Van AlphaChip tot productiesilicium

Dean's argument is geworteld in jarenlang onderzoek bij Google, met name het AlphaChip-systeem dat in juni 2021 werd beschreven in een artikel in het tijdschrift Nature. AlphaChip gebruikte reinforcement learning om de chip-layout te automatiseren, een taak die normaal gesproken teams van ingenieurs wekenlang bezighoudt. Het systeem genereerde layouts in minder dan zes uur die evenaarden of overtroffen wat menselijke experts produceerden.

De technologie was meer dan een laboratoriumdemo. AlphaChip werd toegepast in productieontwerpen voor Google's Tensor Processing Units, de op maat gebouwde AInellers die een groot deel van de machinelearning-infrastructuur van het bedrijf aandrijven.

Dean betoogde dat kortere ontwerpcycli de noodzaak voor ingenieurs zouden verminderen om te voorspellen waar AI-onderzoek over 18 maanden zal staan. In plaats daarvan zouden teams chips kunnen ontwerpen die zijn afgestemd op de huidige algoritmische behoeften en snel kunnen itereren naarmate die behoeften zich ontwikkelen, in plaats van ruim een jaar vooraf specificaties vast te leggen voordat het silicium wordt gefabriceerd.

De industrie is al in beweging

Dean's visie is niet langer puur theoretisch. Diverse partijen zijn begonnen om te laten zien hoe AI-ondersteund chipontwerp er in de praktijk uitziet.

Architect Labs kondigde in september 2026 aan dat het een inferentiechip genaamd Redwood had ontworpen, die van specificatie naar proof-of-concept ging in minder dan twee weken — met andere start- en eindpunten dan de benchmark van schets tot gefabriceerd silicium die Dean beschreef.

OpenAI heeft zich ook op het hardwareterrein gewaagd. De Jalapeño AI-versneller van het bedrijf ging van initiële architectuur naar eerste silicium in minder dan 20 maanden, waarbij de cruciale RTL-naar-tape-out-fase — van register-transfer-level ontwerpcode tot het voltooide layout dat wordt overgedragen voor fabricage — in negen maanden werd afgerond. Dat eind-to-eindcijfer ligt op of onder de snelle kant van het traditionele venster van 18 tot 30 maanden dat Dean noemde, maar blijft ver boven het bereik van drie tot zes maanden dat hij mogelijk acht. Het bedrijf gebruikte grote taalmodellen om het ontwerpproces te ondersteunen en bereikte een verkleining van 10% van het chipoppervlak vergeleken met vergelijkbare menselijke ontwerpen — een metric die ertoe doet omdat het die-oppervlak bepaalt hoeveel chips er van elke siliciumwafer kunnen worden geproduceerd.

Dean zelf verliet Google in het midden van 2026 om samen met andere onderzoekers Discovery Loop op te richten. Het bedrijf richt zich op het bouwen van systemen voor recursieve zelfverbetering in hardware-ontwerpautomatisering. Samen genomen geven deze vroege resultaten — proof-of-conceptsprints van twee weken, siliciumtijdlijnen van 20 maanden en reinforcement-learning-layouttools — de industrie een set referentiepunten waaraan toekomstige claims over AI-verkorte ontwerpcycli kunnen worden getoetst.