첨단 칩 하나를 만드는 데 얼마나 걸릴까? 정답은 보통 3~5년이다. 설계 단계만 해도 2년이 소요된다. 그리고 그 2년은 가만히 기다리는 시간이 아니다. 수백, 수천 명의 엔지니어가 밀집해 협력해야 하며, 검증 오류 하나가 전체 파이프라인을 처음부터 다시 시작하게 만들 수 있다.
이것이 바로 Cognichip이 해결하려는 문제다. 2024년에 설립된 이 스타트업은 6000만 달러의 신규 투자 라운드를 마감했으며, 프리머니 평가액은 9300만 달러에 달한다. 이번 라운드는 Seligman Ventures가 주도했고, 인텔의 현 CEO인 Lip-Bu Tan이 이사회에 합류했다.
GPT로 RTL 코드를 작성하는 것이 아니다
Cognichip의 접근 방식은 대부분의 대규모 언어 모델을 IDE에 통합하려는 시도와 다르다. 범용 LLM을 사용해 하드웨어 설명 언어를 처리하는 대신, 칩 설계 데이터에 특화된 딥러닝 모델을 처음부터 자체 훈련시켰다.
이 차이는 매우 중요하다. 범용 모델은 칩 설계 사양을 이해하는 능력이 매우 제한적이다. 타이밍 제약, 전력 예산, 공정 라이브러리 규칙 등은 인터넷 텍스트를 긁어모은다고 학습할 수 있는 것이 아니다. Cognichip은 여러 칩 회사와 계약을 체결하여 독점 설계 데이터에 접근했고, 합성 데이터 파이프라인도 도입했다. 또한 칩 제조사가 데이터 유출을 걱정하지 않고 자사의 비공개 데이터로 모델을 미세 조정할 수 있는 격리된 훈련 환경을 구축했다.
이 회사는 RISC-V 오픈소스 아키텍처를 데모 검증에도 활용했다. 전기공학과 학생도 AI가 완전한 설계 흐름을 실행할 수 있음을 보여준 것이다.
CEO Faraj Aalaei는 목표에 대해 이렇게 설명했다. "이 시스템들은 이제 충분히 똑똑해져서, 원하는 결과를 알려주기만 하면 실제로 좋은 코드를 생성할 수 있습니다."
숫자: 75%와 50%
회사 측 공식 발표에 따르면 칩 개발 비용을 75% 이상 절감하고 개발 기간을 절반 이상 단축할 수 있다.
이 두 숫자는 반도체 업계에서 놀라운 수치다. 현재 주류 EDA(전자 설계 자동화) 도구는 이미 성숙했지만, 워크플로는 기본적으로 수십 년 전에 확립된 패러다임을 따르고 있다. RTL 수동 작성, 합성, 배치 및 배선, 타이밍 분석, 테이프아웃 검증—각 단계마다 전담 엔지니어가 필요하다. AI 개입의 가능성은 특정 단계를 대체하는 것이 아니라 전체 반복 주기를 압축하여 엔지니어의 역할을 코드 작성에서 결과 검토로 전환하는 데 있다.
그러나 이 수치는 회사 자체 주장이며, 아직 대규모 프로덕션 환경에서 공개 검증이 이루어지지 않았다. Seligman의 매니징 파트너 Umesh Padval은 40년간의 AI 인프라 투자 중 이번이 가장 큰 자본 유입이라고 말했다. 그러나 이는 동시에 이 분야가 얼마나 뜨거운지를 보여주며, 조달 금액을 기술 검증으로 오해해서는 안 된다는 점을 시사한다.
이 분야에는 이미 여러 중량급 플레이어가 포진
Cognichip만 있는 것이 아니다. 2026년 첫 몇 달 동안 경쟁사 ChipAgents는 7400만 달러의 시리즈 A를 완료했고, Ricursive는 3억 달러의 시리즈 A를 조달했다. 두 회사와 Cognichip을 합치면 2026년 첫 4개월 동안만 4억 달러 이상이 AI 칩 설계 분야에 유입된 셈이다.
기존 강자인 Synopsys와 Cadence Design Systems, 이 두 EDA 거대 기업도 움직이고 있다. 두 회사의 시가총액을 합치면 1000억 달러를 넘으며, AI 지원 설계 기능 개발에 집중적으로 투자하고 있다. 스타트업으로서는 상당한 압박이다.
Lip-Bu Tan이 Cognichip 이사회에 합류한 점은 주목할 만하다. 인텔 자체가 세계 최대 칩 기업 중 하나이며, 그 CEO가 직접 AI 칩 설계 스타트업을 지지한다는 신호는 단순한 금전적 문제를 넘어선다. 그는 칩 설계 프로세스에 대한 가장 깊은 이해와 인텔이 이 방향으로 협력할 가능성을 직접 가져왔다.
AI가 자신의 두뇌를 만드는 일
이 분야에서 가장 매혹적인 점은 그 재귀성에 있다. AI 모델 자체가 훈련과 추론을 위해 칩을 필요로 하는데, 이제 사람들이 AI를 사용해 그 칩들을 설계하려 하고 있다. 설계 주기를 정말로 획기적으로 단축할 수 있다면, 차세대 AI 가속기의 반복 속도는 더 이상 엔지니어 수에만 좌우되지 않고 AI 설계 도구 자체의 능력에도 달려 있게 될 것이다.
이것은 선순환 구조이며, 각 기업이 막대한 자금을 쏟아붓는 근본적인 논리다.
Cognichip이 앞으로 직면할 진정한 시험은 대기업이 실제 테이프아웃 프로젝트에서 자사 도구를 사용하는 사례를 만들어낼 수 있느냐는 것이다. 9300만 달러의 자금은 당분간 충분히 버틸 수 있는 규모다.
출처: CocoLoop, Cognichip wants AI to design the chips that power AI, and just raised $60M to try (TechCrunch)