Zaprojektowanie najnowocześniejszego chipu zajmuje obecnie od 18 do 30 miesięcy — od pierwszego szkicu po wyprodukowany krzem. Jeff Dean, były główny naukowiec Google, uważa, że sztuczna inteligencja może skrócić ten okres do zaledwie trzech miesięcy.

Ta teza, przedstawiona podczas występu w podcastcie Dwarkesha w lutym 2025 roku, opiera się na prostej obserwacji: większość okresu 18–30 miesięcy pochłaniają inżynierowie podejmujący decyzje projektowe, które teoretycznie mogłyby zostać zautomatyzowane. Faktyczna produkcja w fabryce takiej jak TSMC — Taiwan Semiconductor Manufacturing Company, która wytwarza chipy dla wielu projektantów w branży — zajmuje jedynie około czterech miesięcy. Reszta czasu pochłaniana jest na dopracowywanie planów płyt,decydowanie o rozmieszczeniu poszczególnych bloków funkcyjnych na krzemie, trasowanie łączących je przewodów oraz przeprowadzanie symulacji weryfikujących projekt. Teza Deana głosi, że uczenie ze wzmocnieniem — technika, w której oprogramowanie uczy się metodą prób i informacji zwrotnych, a nie sztywnych reguł — oraz ulepszone narzędzia elektronicznej automatyzacji projektowania (EDA), czyli łańcuchy oprogramowania używane przez inżynierów do tworzenia i weryfikacji layoutów chipów, mogą skrócić najbardziej pracochłonną fazę projektowania z ponad roku do zaledwie kilku miesięcy, i to mniejszym zespołem.

Od AlphaChip do produkcyjnego krzemu

Argumentacja Deana opiera się na latach badań w Google, w szczególności na systemie AlphaChip, opisanym w artykule opublikowanym w czasopiśmie Nature w czerwcu 2021 roku. AlphaChip wykorzystywał uczenie ze wzmocnieniem do automatyzacji rozmieszczaniaów chipu — zadania, które zazwyczaj zajmuje zespołom inżynierów tygodnie. System generował layouty w mniej niż sześć godzin, dorównujące jakościom pracy ekspertów lub ją przewyższające.

Ta technologia była czymś więcej niż pokazem laboratoryjnym. AlphaChip został wdrożony w projektach produkcyjnych jednostek Tensor Processing Units firmy Google — niestandardowych akceleratorów AI, które napędzają znaczną część infrastruktury uczenia maszynowego firmy.

Dean argumentował, że krótsze cykle projektowania zmniejszyłyby potrzebę przewidywania przez inżynierów, gdzie znajdzie się badania nad AI za 18 miesięcy. Zamiast tego zespoły mogłyby projektować chipy dostosowane do bieżących potrzeb algorytmicznych i szybko je iterować w miarę ich ewolucji, zamiast zobowiązywać się do specyfikacji na ponad rok przed wyprodukowaniem krzemu.

Branża już się rusza

Wizja Deana nie jest już czysto teoretyczna. Kilka firm zaczęło pokazywać, jak w praktyce wygląda projektowanie chipów wspomagane przez AI.

Architect Labs ogłosił we wrześniu 2026 roku, że zaprojektował chip inferencyjny o nazwie Redwood, przechodząc od specyfikacji do proof of concept w mniej niż dwa tygodnie — przy czym są to inne punkty początkowe i końcowe niż w opisanym przez Deana benchmarku od szkicu do wyprodukowanego krzemu.

OpenAI również wkroczyło na rynek sprzętu. Jego akcelerator AI Jalapeño przeszedł od wstępnej architektury do pierwszego krzemu w mniej niż 20 miesięcy, przy czym kluczowa faza od RTL do tape-out — od kodu projektu na poziomie rejestrów po gotowy layout przekazany do produkcji — została ukończona w dziewięć miesięcy. Ten wynik end-to-end mieści się na dolnej granicy lub poniżej szybkiego końca tradycyjnego zakresu 18–30 miesięcy, do którego odwoływał się Dean, choć pozostaje znacznie powyżej zakresu trzech do sześciu miesięcy, który jego zdaniem jest możliwy. Firma wykorzystała duże modele językowe do wsparcia procesu projektowania, osiągając 10% redukcję powierzchni chipu w porównaniu z równoważnymi projektami ludzkimi — a to wskaźnik istotny dlatego, że powierzchnja kryształu decyduje o tym, ile chipów można wyprodukować z każdej płytki krzemowej.

Sam Dean opuścił Google w połowie 2026 roku, aby wraz z innymi badaczami współzałożyć firmę Discovery Loop. Jej celem jest budowa systemów rekursywnego samoudoskonalenia w automatyzacji projektowania sprzętu. Razem te wczesne wyniki — dwutygodniowe sprinty proof of concept, 20-miesięczne harmonogramy krzem oraz narzędzia do layoutów oparte na uczeniu ze wzmocnieniem — dają branży zestaw punktów odniesienia, względem których można mierzyć przyszłe twierdzenia o cyklach projektowania skracanych przez AI.