Проектирование передового чипа в настоящее время занимает от 18 до 30 месяцев от первого эскиза до изготовленного кремния. Джефф Дин, бывший главный научный сотрудник Google, считает, что искусственный интеллект может сократить этот срок до трёх месяцев.

Это утверждение, высказанное в выступлении на подкасте Dwarkesh в феврале 2025 года, опирается на простое наблюдение: большая часть 18–30-месячного периода расходуется на принятие инженерами проектных решений, которые в теории могли бы быть автоматизированы. Само изготовление на фабрике, такой как TSMC — Taiwan Semiconductor Manufacturing Company, производящей чипы для многих разработчиков в отрасли, — занимает всего около четырёх месяцев. Остальное время уходит на доработку планировки кристалла, определение расположения каждого функционального блока на кремнии, трассировку соединяющих их проводников и моделирование для верификации проекта. Тезис Дина состоит в том, что обучение с подкреплением — метод, при котором программное обеспечение учится методом проб и обратной связи, а не по явным правилам, — и усовершенствованные инструменты автоматизации проектирования электроники (EDA) — программные цепочки, которыми инженеры пользуются для разработки и верификации топологий чипов, — могут сократить трудоёмкий этап проектирования с более чем года до нескольких месяцев, причём силами меньшей команды.

От AlphaChip до серийного кремния

Аргументация Дина основана на многолетних исследованиях в Google, в первую очередь на системе AlphaChip, описанной в статье, опубликованной в журнале Nature в июне 2021 года. AlphaChip использовала обучение с подкреплением для автоматизации размещения элементов чипа — задачи, которая обычно занимает команды инженеров неделями. Система генерировала топологии менее чем за шесть часов, качество которых соответствовало работе экспертов-людей или превосходило её.

Эта технология была не просто лабораторной демонстрацией. AlphaChip применялась в серийных проектах тензорных процессоров Google (Tensor Processing Units) — специализированных ИИ-ускорителях, на которых работает значительная часть инфраструктуры машинного обучения компании.

Дин утверждал, что более короткие циклы проектирования снизят необходимость для инженеров прогнозировать, где будет находиться исследования ИИ через 18 месяцев. Вместо этого команды смогут проектировать чипы под текущие алгоритмические потребности и быстро выполнять итерации по мере их изменения, а не фиксировать спецификации более чем за год до изготовления кремния.

Отрасль уже движется вперёд

Видение Дина уже не чисто теоретическим. Несколько команд начали демонстрировать, как выглядит проектирование чипов с помощью ИИ на практике.

Architect Labs объявила в сентябре 2026 года, что спроектировала инференc-чип под названием Redwood, пройдя путь от спецификации до доказательства концепции менее чем за две недели — это иные начальная и конечная точки, чем в эталоне «от эскиза до изготовленного кремния», который описал Дин.

OpenAI также вышла на рынок аппаратного обеспечения. Её ИИ-ускоритель Jalapeño прошёл путь от первоначальной архитектуры до первого кремния менее чем за 20 месяцев, причём критический этап от RTL до передачи на производство — от кода проекта на регистровом уровне передачи до готовой топологии, переданной на фабрику, — был завершён за девять месяцев. Этот сквозной показатель находится на нижней границе или ниже традиционного 18–30-месячного окна, на которое указывал Дин, хотя он всё ещё значительно выше диапазона в три-шесть месяцев, который он считает достижимым. Компания использовала большие языковые модели для помощи в процессе проектирования, добившись сокращения площади чипа на 10% по сравнению с эквивалентными проектами, выполненными людьми, — показатель, который важен, поскольку площадь кристалла определяет, сколько чипов можно произвести из каждой кремниевой пластины.

Сам Дин покинул Google в середине 2026 года, чтобы вместе с другими исследователями основать компанию Discovery Loop. Её специализация — создание систем рекурсивного самоулучшения в автоматизации проектирования аппаратного обеспечения. В совокупности эти ранние результаты — двухнедельные спринты до доказательства концепции, 20-месячные сроки до кремния и инструменты размещения на основе обучения с подкреплением — дают отрасли набор ориентиров, по которым можно оценивать будущие заявления о сжатии циклов проектирования с помощью ИИ.