Innhold Vis
Chip-design har i årevis vært en lukket klubb. Synopsys og Cadence eier verktøyene – EDA-programvare (Electronic Design Automation) – og lisensene koster titalls millioner kroner i året. Bare selskaper som Nvidia, Apple, Google og Qualcomm hadde råd til å designe egne brikker fra bunnen av. Alle andre kjøpte hyllevare eller betalte fabless-selskaper for å gjøre jobben. Men det er i ferd med å endre seg, og AI er årsaken.
Tre store startups har de siste månedene hentet over 400 millioner dollar for å gjøre chip-design tilgjengelig for selskaper som aldri hadde sjansen tidligere. Ricursive Intelligence – grunnlagt av skaperne bak Googles AlphaChip – hentet 300 millioner dollar i januar 2026 på en verdsettelse på 4 milliarder dollar. Cognichip hentet 60 millioner dollar i april på teknologi som lover å kutte designtiden fra måneder til dager. ChipAgents har nå 74 millioner dollar og kunder hos 80 av de ledende halvlederselskapene i verden.
Dette er ikke bare VC-hype. Det er et strukturelt skifte i hvem som kan lage sine egne brikker – og dermed hvem som kontrollerer AI-ytelse fremover.
Hvorfor har chip-design alltid vært så dyrt?
For å forstå hvorfor dette er et gjennombrudd, må man forstå problemet. Chip-design er ekstremt komplekst – en moderne SoC (System on Chip) kan inneholde milliarder av transistorer som må plasseres og kobles sammen med ekstrem presisjon. Feil koster enormt: én designfeil oppdaget etter at brikken er sendt til fabrikasjon kan koste ti millioner dollar eller mer i omarbeidete masker.
EDA-verktøyene er programvare som hjelper ingeniører med å håndtere denne kompleksiteten. Men de er notorisk vanskelige å bruke – det tar år å mestre Synopsys og Cadence sine verktøykjeder – og lisensene er svimlende dyre. Ifølge Semiconductor Engineering er fragmenterte verktøykjeder, bratte kostnader og arbeidsflyter som ikke har holdt tritt med økende brikke-kompleksitet blant de største hindringene.
Resultatet er at tilgang til egendefinert silicon har vært forbeholdt de rike. Et AI-startup som trenger spesialisert hardware må kjøpe Nvidias GPU-er eller Googles TPU-er – og betale de prisene Nvidia og Google velger å sette. Det er ikke akkurat et marked preget av sunn konkurranse.
Hva gjør AI annerledes her?
Tradisjonell EDA krever at ingeniører manuelt spesifiserer, simulerer og itererer gjennom designbeslutninger. AI-baserte verktøy kan automatisere store deler av dette. Cognichip bruker det de kaller «physics-inspired AI models» – modeller trent spesifikt på chip-designdata, ikke generelle LLM-er omskolet for formålet. Det gjør en merkbar forskjell på presisjon.
Tall fra Cognichips serie A-kunngjøring: designsykluser redusert fra måneder til dager, kostnadsreduksjon på 75%, og selskapet jobber allerede med over 30 halvlederselskaper inkludert mange av de 20 største i verden. Intel-sjef Lip-Bu Tan er med i styret – det er ikke et navn man tar med seg om man ikke er overbevist.
ChipAgents tar en litt annen vinkel – de bygger agentbaserte AI-systemer som jobber gjennom hele design- og verifikasjonsprosessen. Resultatene de oppgir er mildt sagt imponerende: 15 ganger raskere spesifikasjonslesing, 240 ganger raskere generering av formelle assertions, og 140 ganger vekst i ARR år over år. De har 80 kunder og flerårige, fleremillion-dollar-kontrakter ifølge Business Wire.
Ricursive Intelligence – den mest ambisiøse av dem alle
Ricursive er den som tenker aller størst. Grunnleggerne Dr. Anna Goldie og Dr. Azalia Mirhoseini skapte AlphaChip hos Google DeepMind – et AI-system som brukte forsterkningslæring til å plassere transistorer på brikker mer effektivt enn mennesker. Nå har de tatt den teknologien og bygget et eget selskap rundt en enkel – men fascinerende – premiss: en rekursiv selvforbedringssløyfe.
Ideen er at AI designer silicon som gir bedre ytelse for AI-trening, som igjen trener bedre AI som kan designe enda bedre silicon. Et selvforsterkende system. Lightspeed Venture Partners ledet 300-millioner-dollar-runden i januar 2026, og selskapet hentet teamet sitt fra Google DeepMind, Anthropic, Apple og Cadence ifølge pressmeldingen.
To måneder etter lansering, 4 milliarder dollar i verdsettelse. Det er et tempo markedet ikke har sett på chip-siden siden Nvidias vekst.
Hvem vinner når chip-design blir tilgjengelig?
Det er det virkelig interessante spørsmålet. Når barrieren for å designe egne brikker faller fra titalls millioner kroner til noe et velfinansiert startup kan bære – hvem endrer seg da?
Det mest åpenbare svaret er AI-selskaper. I dag er Nvidias GPU-er tilnærmet enerådende for AI-trening og inferens. Det er ikke fordi Nvidias hardware nødvendigvis er perfekt for alle arbeidsoppgaver – det er fordi alternativene er for dyre å utvikle. Et selskap som trener en spesialisert modell for bildeanalyse har fundamentalt andre behov enn et selskap som kjører store språkmodeller. Med tilpasset silicon kan man optimalisere for nøyaktig den arbeidsbelastningen man faktisk har, ikke den generelle GPU-arkitekturen.
Effektivisering av EDA-verktøy betyr også at design-sykluser som tok 18-24 måneder potensielt kan komprimeres til uker. I et felt der konkurransen beveger seg i måneder, ikke år, er det en enorm fordel. Jeg har tidligere skrevet om TurboQuant og Jevons paradoks – rimeligere og raskere chip-design vil ikke redusere etterspørselen etter silicon. Det vil øke den, fordi bruk av tilpassede brikker plutselig blir økonomisk forsvarlig for langt flere selskaper.
Er ikke Synopsys og Cadence skremt?
De burde nok følge med nøye. Synopsys og Cadence har sittet godt i et marked der alle er avhengige av dem og ingen har råd til å bytte. Når startups nå tilbyr plattformer som lover 75% kostnadsreduksjon og dramatisk kortere designtider, er det ikke gitt at de store EDA-selskapene kan konkurrere ved å gjøre det de alltid har gjort – bare litt bedre.
Det som er interessant er at disse startupene ikke nødvendigvis prøver å erstatte EDA-verktøyene direkte. ChipAgents posisjonerer seg som en plattform som fungerer med eksisterende verktøykjeder – det er AI-agenter som leser spesifikasjoner, genererer kode og kjører verifikasjon, men gjerne bruker Synopsys-verktøy under panseret. Det er smartere enn en frontal konfrontasjon med selskaper som har tiår med kunderlasjoner og patenter.
Jeg har skrevet om PRISM-brikken og fotonisk teknologi tidligere – det er verdt å merke seg at også fra forskerhold skjer det innovasjon i silicon som tradisjonelle EDA-verktøy ikke er bygget for å håndtere. Nye tilnærminger til chip-design krever nye designverktøy.
Hva betyr dette for AI-fremtiden?
Nvidia har vunnet AI-kappløpet til nå, delvis fordi de hadde de beste brikkene og delvis fordi ingen andre hadde råd til å lage alternativer i stor skala. Googles TPU-er og Amazons Trainium er unntak som bekrefter regelen – det krever milliarder i investeringer og år med arbeid å komme dit.
Hvis AI-verktøy virkelig kan redusere chip-designkostnader med 60-75% og komprimere tidslinjer fra år til måneder, skaper det en fundamentalt annerledes dynamikk. Mellomstore AI-selskaper kan plutselig vurdere å lage brikker optimalisert for sine spesifikke arbeidsoppgaver. Fabless startups med gode ideer men begrenset kapital kan komme til markedet. Konkurransen i silicon-markedet kan faktisk bli reell.
Om det holder hva disse selskapene lover, gjenstår å se. Men pengene er reelle, teamene er imponerende, og resultatene de oppgir fra eksisterende kunder er ikke noe man kan avfeie. Chip-design er i endring – og det er bra for alle som ikke ønsker at Nvidia skal bestemme prisen på AI-ytelse for all fremtid.
