Wyzwanie NADI AI Chip wystawia europejską lukę wdrożeniową na próbę
NADI uruchomiło wraz z niemiecką agencją SPRIND wyzwanie dotyczące układów AI o wartości 40 mln euro, obiecując skrócić lata pracy nad projektowaniem półprzewodników do tygodni. Program stanowi dla Europy konkretny test tego, czy finansowanie publiczne, autonomiczne systemy projektowe i mniejsze zespoły inżynierskie mogą tworzyć konkurencyjny krzem.
Pieniądze mają znaczenie, lecz jeszcze ważniejsza jest struktura programu. Agencje sfinansują kilka konkurujących ze sobą podejść technicznych, po ośmiu miesiącach wyeliminują słabsze opcje i będą wspierać wybrane zespoły przez kolejny rok. Ich celem nie jest wspierany przez państwo rywal Nvidia. Chodzi o szybszą drogę od pomysłu architektonicznego do projektu układu gotowego do produkcji.
To rozróżnienie tworzy kluczowe napięcie. Europa już zajmuje ważną pozycję w dziedzinie sprzętu półprzewodnikowego, badań i produkcji przemysłowej. Ma jednak trudności z przełożeniem tych atutów na szeroko stosowane procesory AI. Wyzwanie NADI AI Chip atakuje wąskie gardło projektowania, gdzie amerykańskie firmy chipowe i dostawcy oprogramowania do automatyzacji projektowania elektroniki zachowują znaczącą przewagę.
Co faktycznie finansuje wyzwanie NADI AI Chip
Program finansuje eksperymentalny proces projektowania, a nie jedynie rozdziela granty dla sektora półprzewodników.
Narodowa Agencja Innowacji Przełomowych, znana jako NADI, ogłosiła wyzwanie wraz z niemiecką Federalną Agencją Innowacji Przełomowych, czyli SPRIND, 23 września 2026 roku. Jest to pierwszy program NADI oraz pierwsza wspólna inicjatywa finansowania obu agencji.
NADI to nowa holenderska agencja wzorowana częściowo na DARPA, amerykańskiej organizacji badawczej znanej z zarządzania programami technicznymi wysokiego ryzyka. Jej rola różni się od roli tradycyjnej instytucji finansującej naukę. NADI planuje definiować strategiczne problemy, rekrutować zespoły z konkurującymi rozwiązaniami i aktywnie zarządzać ich postępami.
Holenderski rząd przeznaczył na tę agencję 500 mln euro. NADI twierdzi, że powstała, aby zniwelować lukę między obiecującymi badaniami a technologią, którą firmy lub instytucje publiczne mogą faktycznie wdrożyć. Proponowany model zapewnia dyrektorom programów znaczną władzę nad określonymi misjami i ich budżetami.
To podejście jest bardzo zbliżone do modelu działania stosowanego już przez SPRIND. Niemiecka agencja została utworzona w 2019 roku, aby wspierać pomysły uznawane za zbyt niepewne dla tradycyjnego prywatnego finansowania. Jej proces oceny uwzględnia zarówno podstawy techniczne, jak i potencjalną drogę do produktu nadającego się do sprzedaży.
Nowy program projektowania chipów będzie trwał 20 miesięcy i obejmie dwa etapy. Agencje oferują umowy o stałej cenie, oparte na szacunkach kosztów każdego zespołu, ze wsparciem sięgającym 9,6 mln euro na zespół w obu etapach.
Etap 1 trwa osiem miesięcy i oferuje do 2,6 mln euro na zespół. Holenderskie media podają, że do tej fazy przystąpi siedem zespołów. Następnie jury wybierze najsilniejsze projekty do Etapu 2, który potrwa 12 miesięcy i zaoferuje do 7 mln euro na każdy wybrany zespół.
Z doniesień wynika, że awansują trzy zespoły, choć publiczna strona programu podkreśla ocenę przez eksperckie jury, a nie gwarantuje ostatecznej liczby. Agencje pomogą również uczestnikom uzyskać dostęp do ekspertów technicznych i potencjalnych partnerów.
Konkurs poszukuje projektów zarówno do trenowania AI, jak i wnioskowania. Trenowanie to intensywny obliczeniowo proces uczenia modelu na danych. Wnioskowanie to następujący później proces uruchamiania wytrenowanego modelu w celu odpowiadania na zapytania lub wykonywania zadań.
Te obciążenia stawiają odmienne wymagania. Trenowanie zazwyczaj premiuje ogromną równoległą moc obliczeniową i pamięć o wysokiej przepustowości. Wnioskowanie często kładzie większy nacisk na efektywność energetyczną, opóźnienia, koszt wdrożenia i wydajność dla określonego modelu lub zastosowania.
Wyzwanie nie wymaga więc, aby każdy zespół odtwarzał architekturę wiodącego akceleratora ogólnego przeznaczenia. Zaprasza do tworzenia alternatyw dostosowanych do bezpieczeństwa danych, biotechnologii, robotyki, mobilności i dużej infrastruktury AI.
Zgłoszenia są przyjmowane do 30 listopada 2026 roku, do godziny 11:00 CET. Agencje zaplanowały webinary na 9 października i 17 listopada. Daty te pozwalają zweryfikować bezpośredni program, lecz jego szersze deklaracje pozostają celami, a nie osiągniętymi rezultatami.
Pierwszy etap pokaże, czy poważne zespoły inżynierskie zaakceptują harmonogram, warunki umów i ramy oceny. Drugi sprawdzi, czy konkurs zdoła wyjść poza prototypy oprogramowania w kierunku projektów, które producenci mogliby realistycznie wyprodukować.
Dlaczego Europa celuje w projektowanie, a nie w produkcję
NADI i SPRIND koncentrują publiczne środki tam, gdzie Europa może konkurować bez konieczności odtwarzania najpierw całego łańcucha dostaw półprzewodników.
Europa zajmuje sprzeczną pozycję w branży chipów. Holandia jest siedzibą ASML, którego systemy litograficzne są niezbędne do zaawansowanej produkcji półprzewodników. Niemcy dysponują rozległymi możliwościami inżynieryjnymi, badawczymi, motoryzacyjnymi i przemysłowymi.
Mimo to wiodące procesory używane do generatywnej AI pochodzą głównie od firm amerykańskich. Produkcja zależy w dużej mierze od azjatyckich foundry, podczas gdy kluczowe oprogramowanie projektowe jest kontrolowane przez niewielką grupę ugruntowanych dostawców.
Budowa zaawansowanego zakładu produkcyjnego wymaga ogromnego kapitału, specjalistycznego sprzętu, doświadczonych operatorów i lat rozwoju procesów. Wyzwanie o wartości 40 mln euro nie może stworzyć takiej infrastruktury. Może jednak sprawdzić, czy AI zmienia ekonomikę i tempo etapu projektowania.
Jelle Prins, współzałożyciel NADI, opisał holenderskie i niemieckie atuty jako komplementarne. Holandia wnosi silną sieć firm zajmujących się sprzętem półprzewodnikowym, skupioną wokół ASML. Niemcy zapewniają potencjał produkcji przemysłowej i badań.
To partnerstwo przekształca bliskość geograficzną w eksperyment polityczny. Zamiast tworzyć kolejny krajowy program półprzewodnikowy, obie agencje od początku łączą wiedzę specjalistyczną ponad granicą.
Holenderski premier Rob Jetten przedstawił tę współpracę jako wymóg, a nie symboliczny gest. Według oryginalnego raportu agencji informacyjnej, argumentował, że Europa nie może sobie pozwolić na realizowanie znaczących innowacji kraj po kraju.
To stwierdzenie odzwierciedla trwałą słabość europejskiej polityki technologicznej. Kontynent dysponuje kompetentnymi uniwersytetami, wyspecjalizowanymi producentami i znacznym finansowaniem publicznym. Atuty te często pozostają podzielone między programy krajowe, niekompatybilne systemy zamówień oraz projekty o ograniczonych ścieżkach komercjalizacji.
SPRIND i NADI próbują zastąpić część tej fragmentacji wspólnym celem technicznym. Ich konkurs stawia wielu zespołom ten sam szeroki cel, dopuszczając jednocześnie różne architektury, metody i modele biznesowe.
Agencje wybierają także problem o mierzalnych rezultatach. Zespół może przedstawić architekturę chipu, wygenerować kod na poziomie transferu rejestrów, zweryfikować jego działanie oraz porównać wydajność lub efektywność z określonymi obciążeniami.
Kod na poziomie transferu rejestrów, powszechnie nazywany RTL, opisuje logikę cyfrową i przepływ danych, które zostaną zaimplementowane w sprzęcie. Znajduje się on między wysokopoziomową ideą architektoniczną a fizycznym układem wymaganym do produkcji.
Oficjalne wyzwanie prosi zespoły o wykorzystanie AI w przeszukiwaniu architektury, generowaniu RTL i weryfikacji. Ten zakres ma znaczenie, ponieważ przyspieszenie tylko jednego zadania może po prostu przenieść wąskie gardło gdzie indziej.
System może szybko generować RTL, lecz tworzyć logikę nieefektywną lub trudną do zweryfikowania. Inny może znaleźć imponującą architekturę, której nie da się ekonomicznie odwzorować w dostępnym procesie produkcyjnym.
Podejście full-stack musi łączyć wymagania modelu, decyzje architektoniczne, generowanie logiki, weryfikację, ograniczenia fizyczne i wsparcie programowe. Każdy etap wymaga dowodów, że poprzedni nie wprowadził ukrytych błędów.
Dlatego program koncentruje się na projektach gotowych do produkcji, a nie wyłącznie na publikacjach badawczych. Agencje chcą, aby zespoły pokazały, że ich metody mogą przetrwać drogę do wytworzenia układu.
Cel odpowiada również na zmieniające się obciążenia AI. Architektury modeli mogą ewoluować szybciej niż cykle rozwoju niestandardowego krzemu. Chip opracowany dla jednej generacji modeli może trafić na rynek dopiero po tym, jak deweloperzy przejdą do innych wzorców pamięci lub technik wnioskowania.
Szef wyzwań SPRIND, Jano Costard, opisał zamierzoną poprawę jako wzrost szybkości rozwoju o kilka rzędów wielkości. Jest to ambicja, a nie niezależnie zweryfikowany wynik. Mimo to wskazuje metrykę, która określi sukces.
Jeśli zespoły jedynie skrócą o kilka tygodni tradycyjny wieloletni proces, wyzwanie nie potwierdzi swojej najmocniejszej tezy. Jeśli będą wielokrotnie tworzyć weryfikowalne projekty w miesiące lub tygodnie, podejście może zmienić sposób finansowania wyspecjalizowanych akceleratorów.
Szansa jest szczególnie istotna dla wnioskowania. Prins porównał używanie największych procesorów Nvidia do niektórych zadań wnioskowania do jechania ciężarówką po zakupy spożywcze. Analogia jest niedoskonała, lecz uwypukla niedopasowanie między maksymalną mocą obliczeniową a efektywnością dostosowaną do konkretnego obciążenia.
Wnioskowanie odbywa się w centrach danych, fabrykach, pojazdach, robotach i urządzeniach brzegowych. Te środowiska nie potrzebują tego samego procesora. Mniejsze, wyspecjalizowane konstrukcje mogą priorytetowo traktować zużycie energii, opóźnienia, bezpieczeństwo lub działanie lokalne.
Tworzy to możliwość węższą niż pokonanie Nvidia na całym rynku AI. Europa może celować w wybrane zastosowania, w których jej klienci przemysłowi, wiedza inżynierska i wymogi regulacyjne zapewniają użyteczny punkt wyjścia.
Głównym przeciwnikiem Europy jest jej własna luka wdrożeniowa
Kluczową rywalizacją nie jest NADI kontra Nvidia; jest nią skoordynowany model finansowania Europy kontra jej historia niepowodzeń w komercjalizacji badań.
Porównania z Nvidia przyciągają uwagę, ponieważ firma dominuje na rynku procesorów do trenowania AI. Mogą jednak również zniekształcać obraz tego, co wyzwanie NADI AI Chip może rozsądnie osiągnąć.
Przewaga Nvidia wykracza poza specyfikacje pojedynczego chipu. Obejmuje dojrzałe oprogramowanie, zoptymalizowane biblioteki, znajomość platformy przez deweloperów, projekty systemowe, technologię sieciową i wsparcie dostawców chmurowych.
Wydajny technicznie procesor nie przełamuje automatycznie tej przewagi ekosystemowej. Deweloperzy potrzebują kompilatorów, narzędzi do debugowania, frameworków, dokumentacji i przewidywalnego dostępu do sprzętu. Nabywcy potrzebują dowodów, że dostawca będzie w stanie utrzymywać swoje produkty.
Oznacza to, że udane zgłoszenie do wyzwania musi rozwiązać więcej problemów niż tylko projektowanie logiki. Potrzebuje wiarygodnej drogi do użytecznego systemu obliczeniowego.
Agencje najwyraźniej dostrzegają to ograniczenie. Ich zaproszenie podkreśla projekty gotowe do produkcji i metody full-stack, a nie odizolowane deklaracje wydajności. Oferuje również dostęp do wskazówek technicznych i komercyjnych.
Jednak publiczne materiały konkursowe zawierają mniej szczegółów na temat zobowiązań klientów, dostępu do foundry, możliwości pakowania, dojrzałości oprogramowania czy zamówień. Te elementy decydują o tym, czy dobry projekt stanie się wdrożonym procesorem.
Europa widziała tę lukę już wcześniej. Programy badawcze mogą tworzyć cenną własność intelektualną, nie budując dostawcy zdolnego obsługiwać klientów komercyjnych. Finansowanie może zakończyć się dokładnie wtedy, gdy projekt osiąga kosztowne przejście od prototypu do produkcji.
Uzasadnienie samej NADI koncentruje się na tym problemie. Jej propozycja powołania agencji przekonuje, że Holandia generuje silne badania, lecz przechwytuje zbyt małą część ich wartości komercyjnej. Przedstawia finansowanie ukierunkowane na misje jako brakujący most między uniwersytetami a rynkami.
Wieloetapowa rywalizacja w ramach wyzwania ma sprawić, że ten most będzie bardziej selektywny. Zamiast finansować przez cały okres jedno duże konsorcjum, agencje wspierają kilka podejść, zanim skoncentrują zasoby na lepszych wykonawcach.
Ta metoda może wcześnie ujawnić słabe założenia. Zespoły muszą wykazać postępy względem wspólnych kamieni milowych, podczas gdy rywale podążają różnymi ścieżkami. Menedżerowie programu mogą porównywać dowody, zamiast oceniać każdy projekt w izolacji.
Format ten daje również rządom możliwość tolerowania technicznych niepowodzeń. Oczekuje się, że niektóre zespoły zakończą udział po pierwszym etapie. Ich eliminacja byłaby częścią projektu, a nie dowodem porażki całego programu.
Ta gotowość do przerywania projektów jest kluczowa dla modelu podobnego do DARPA. Badaniami wysokiego ryzyka trudno zarządzać, gdy każde dofinansowanie zyskuje polityczną ochronę lub każde konsorcjum oczekuje dalszego wsparcia.
Wyzwanie przetestuje więc niezależność NADI równie mocno jak kompetencje inżynieryjne zespołów. Nowa agencja musi pokazać, że potrafi wyznaczać twarde kamienie milowe, odrzucać słabe wyniki i przekierowywać środki bez przekształcania procesu w tradycyjną administrację grantową.
SPRIND zapewnia doświadczenie instytucjonalne, którego NADI jeszcze nie ma. Niemiecka agencja prowadziła już programy wyzwań i ocenia projekty pod kątem potencjału technicznego oraz gospodarczego. Jej udział powinien zapewnić pierwszemu holenderskiemu programowi sprawdzone ramy operacyjne.
Współpraca generuje jednak własne koszty koordynacyjne. Zasady kontraktowania, oczekiwania dotyczące własności intelektualnej, kontrole eksportowe, wymogi bezpieczeństwa i krajowe priorytety przemysłowe mogą komplikować projekty transgraniczne.
Holenderski dokument polityczny rozróżnia również NADI od odrębnej instytucji innowacji obronnych inspirowanej DARPA. Taki podział może wyjaśniać odpowiedzialność w obszarze cywilnym i wojskowym, lecz technologie półprzewodnikowe podwójnego zastosowania rzadko mieszczą się w czystych kategoriach instytucjonalnych.
Akceleratory AI mogą wspierać komercyjne centra danych, autonomiczne maszyny, systemy cyberbezpieczeństwa i zastosowania obronne. Zespoły potrzebują jasnych zasad dotyczących własności, możliwości eksportu i dostępu do powstałych projektów.
Najlepszym rezultatem nie byłby zbiór prototypów należących do państwa. Byłaby nim powtarzalna ścieżka, dzięki której europejskie zespoły mogą projektować, wytwarzać, wdrażać i ulepszać wyspecjalizowane procesory.
Ścieżka ta musi obejmować prywatnych klientów i partnerów produkcyjnych. Agencje publiczne mogą przejąć wczesne ryzyko techniczne, ale nie są w stanie wytworzyć popytu ani bezterminowo zastępować sprawnie działającej organizacji produktowej.
Wyzwanie wywiera zatem presję nie tylko na potencjalnych wnioskodawców. Europejskie fabryki układów, instytuty badawcze, twórcy oprogramowania, operatorzy chmur i nabywcy przemysłowi muszą zdecydować, czy uczestniczyć we wspólnej drodze na rynek.
Jeśli te grupy pozostaną obserwatorami, nawet doskonały projekt może utknąć po zakończeniu konkursu. Jeśli staną się klientami i partnerami, program może zapewnić koordynację, której brakowało europejskim zasobom półprzewodnikowym.
Czy AI Naprawdę Może Skrócić Projektowanie Chipów z Lat do Tygodni?
AI może przyspieszyć ważne zadania projektowe, ale program musi udowodnić, że szybsze generowanie nie prowadzi do wolniejszej weryfikacji.
Mechanizm techniczny zaczyna się od przeszukiwania. Architekci chipów podejmują wzajemnie powiązane decyzje dotyczące jednostek obliczeniowych, pamięci, przepływu danych, precyzji, zużycia energii i ograniczeń produkcyjnych.
Tradycyjne zespoły badają jedynie część tej ogromnej przestrzeni projektowej, ponieważ każdy kandydat wymaga modelowania, implementacji i testowania. Systemy AI mogą generować i oceniać znacznie więcej alternatyw.
Uczenie ze wzmocnieniem oferuje jedno z podejść. System proponuje wybory projektowe, otrzymuje informacje zwrotne z symulacji lub narzędzi inżynieryjnych i dostosowuje strategię do zdefiniowanych celów wydajnościowych.
Inną metodą są autonomiczni agenci. Oddzielni agenci programowi mogą zajmować się eksploracją architektury, generowaniem kodu, tworzeniem testów, analizą błędów i optymalizacją, wymieniając przy tym wyniki.
Modele generatywne mogą również tłumaczyć specyfikacje wyższego poziomu na RTL. Przypomina to generowanie kodu dla oprogramowania, lecz tolerancja na subtelne błędy jest znacznie niższa.
Usterkę oprogramowania często można naprawić po wydaniu produktu. Błąd wykryty po wyprodukowaniu chipu może wymagać nowego projektu i kolejnego cyklu produkcyjnego. To sprawia, że weryfikacja jest centralnym elementem wyzwania.
Weryfikacja sprawdza, czy projekt zachowuje się poprawnie w warunkach oczekiwanych i nieoczekiwanych. Może pochłaniać dużą część czasu rozwoju półprzewodników, ponieważ inżynierowie muszą uwzględniać niezliczone kombinacje stanów i danych wejściowych.
AI może generować testy, identyfikować podejrzaną logikę, priorytetyzować przypadki brzegowe lub formalnie sprawdzać właściwości. Może również wprowadzać błędy, które wydają się wiarygodne i pozostają trudne do wykrycia.
Sformułowanie „AI staje się faktycznym projektantem chipów”, użyte na stronie wyzwania, należy zatem rozumieć jako cel programu. Nie dowodzi ono, że autonomiczne systemy mogą już zastąpić doświadczone zespoły półprzewodnikowe.
Inżynierowie nadal będą musieli definiować wymagania, interpretować kompromisy, przeglądać wyniki i przyjmować odpowiedzialność techniczną. Najbardziej wiarygodne zgłoszenia wyjaśnią, gdzie automatyzacja działa niezawodnie, a gdzie interwencja ekspertów pozostaje konieczna.
Projekt musi też przetrwać implementację fizyczną. Logika, która dobrze działa w abstrakcyjnej symulacji, może rozczarować po uwzględnieniu przez inżynierów opóźnień połączeń, dostarczania energii, ciepła, interfejsów pamięci, pakowania i zmienności produkcyjnej.
Tape-out oznacza moment, w którym sfinalizowany projekt fizyczny zostaje wysłany do produkcji. Osiągnięcie tape-out jest bardziej wymagające niż stworzenie działającego RTL, a wyprodukowany chip nadal wymaga testowania i integracji oprogramowania.
SPRIND twierdzi, że wybitne zespoły będą brane pod uwagę przy późniejszym finansowaniu rzędu dziesiątek milionów euro, aby realizować swoje projekty w trakcie tape-out. Szczegóły nie zostały ogłoszone.
Ta luka jest jedną z największych niepewności programu. Początkowe €40 milionów wspiera konkurs projektowy, ale produkcja, zaawansowane pakowanie, walidacja i przygotowanie dla deweloperów wymagają dodatkowego kapitału.
Znaczenie ma również sformułowanie. Ukierunkowane finansowanie kontynuacyjne nie jest tym samym co zagwarantowane finansowanie produkcji. Zespoły nie mogą jeszcze zakładać, że ukończenie Etapu 2 gwarantuje wyprodukowanie procesora.
Wyzwanie należy oceniać na podstawie powtarzalnych dowodów, a nie pojedynczego benchmarku. Zespół może zoptymalizować jedną architekturę pod jedno obciążenie, ukrywając pracę ręczną, długie przygotowania lub słabą zdolność przenoszenia na nowe modele.
Silniejsza demonstracja pokazałaby, jak ten sam system projektuje kilka chipów w różnych ograniczeniach. Rejestrowałaby czas, zasoby obliczeniowe, interwencje człowieka, wyniki weryfikacji i założenia produkcyjne dla każdego uruchomienia.
Niezależna replikacja byłaby jeszcze cenniejsza. Zewnętrzni inżynierowie powinni móc ustalić, czy automatyzacja zapewnia spójne wyniki, czy też zależy od niewielkiej grupy ekspertów wprowadzających nieudokumentowane poprawki.
Dokumentacja staje się częścią infrastruktury technicznej. Zespoły potrzebują możliwych do prześledzenia powiązań między wymaganiami, wygenerowanymi artefaktami, wynikami weryfikacji, decyzjami projektowymi i rewizjami. Przeszukiwalna baza wiedzy może pomóc inżynierom zachować ten łańcuch, choć nie zastąpi narzędzi formalnej weryfikacji.
Bezpieczeństwo zasługuje na równą uwagę. Systemy projektowania AI mogą przetwarzać poufne architektury, zastrzeżone dane treningowe i wrażliwe informacje produkcyjne. Zespoły muszą kontrolować, co trafia do zewnętrznych modeli oraz w jaki sposób audytowany jest wygenerowany kod.
Dane treningowe mogą również kodować istniejące wzorce projektowe, ograniczenia licencyjne lub przestarzałe praktyki. Model, który szybko generuje znane struktury, niekoniecznie odkrywa lepsze architektury.
Agencje wybrały właściwe miejsce do wywierania presji: długi ciąg między zamierzeniem architektonicznym a zweryfikowanym projektem. Nie wykazały jeszcze, że AI może bezpiecznie skrócić całą tę sekwencję.
Dlatego mechanizm ma większe znaczenie niż nagłówkowy cel szybkości. Wiarygodny wynik określi, które zadania przyspieszono, które pozostały ręczne oraz jak zespoły zapobiegły przenoszeniu pracy przez automatyzację na późniejsze etapy.
Trzy Sygnały Zadecydują, Czy Zakład Się Uda
Zgłoszenia, wyniki weryfikacji i zobowiązania produkcyjne pokażą, czy program tworzy chipy, czy jedynie ambitny konkurs projektowy.
Pierwszym sygnałem jest jakość puli kandydatów po terminie 30 listopada. Siedem finansowanych zespołów miałoby niewielką wartość, gdyby reprezentowały warianty jednego podejścia badawczego lub nie miały praktycznego doświadczenia w półprzewodnikach.
Silna grupa powinna łączyć uczenie maszynowe, architekturę chipów, weryfikację, projektowanie fizyczne, oprogramowanie systemowe i wiedzę produktową. Powinna także obejmować zespoły zdolne do tworzenia firm lub współpracy z istniejącymi producentami.
Różnorodność podejść ma znaczenie, ponieważ wyzwanie opiera się na konkurencji. Niektóre zespoły mogą priorytetowo traktować generowanie RTL wspomagane przez modele językowe. Inne mogą wykorzystywać uczenie ze wzmocnieniem do przeszukiwania architektury albo agentów do koordynowania uznanych narzędzi projektowych.
Agencje powinny ostatecznie ujawnić wystarczająco dużo informacji, aby wyjaśnić, dlaczego wybrano każde podejście. Poufne szczegóły mogą pozostać chronione, ale opinia publiczna potrzebuje podstawy do oceny, czy portfel zawiera rzeczywiste techniczne alternatywy.
Drugim sygnałem są dowody wykorzystywane po Etapie 1. Ośmiomiesięczny przegląd będzie pierwszą okazją do odróżnienia przyspieszonej inżynierii od dopracowanych demonstracji.
Przydatne wyniki obejmowałyby zweryfikowany RTL, definicje obciążeń, szacunki zużycia energii i wydajności, zapisy dotyczące powtarzalności oraz jasne opisy pracy ludzkiej. Porównania powinny wykorzystywać spójne założenia dotyczące procesów produkcyjnych i pamięci.
Surowy wynik benchmarku nie wystarczy. Zespoły mogą tworzyć mylące porównania, zmieniając precyzję numeryczną, wielkość obciążenia, założenia dotyczące wykorzystania lub oprogramowanie wspierające.
Ocena powinna również oddzielać szybkość projektowania od jakości chipu. Wygenerowanie gorszego projektu w tydzień nie stanowi istotnego postępu względem stworzenia konkurencyjnego projektu w rok.
Costard powiedział Reutersowi, że program nie dąży do stopniowej poprawy. Jego argumentem jest, że Europa potrzebuje strategicznej przewagi, a nie nieco lepszej wersji istniejącej technologii, jak podsumowano w europejskim omówieniu.
Ten standard podnosi ciężar dowodu. Jury musi zidentyfikować wyniki, które są zarówno technicznie nietypowe, jak i wystarczająco wiarygodne, by otrzymać znacznie większe finansowanie.
Trzecim sygnałem jest to, czy najsilniejsze zespoły zapewnią możliwą do realizacji drogę do tape-out. Oficjalna strona programu opisuje późniejsze finansowanie jako cel, którego warunki zostaną określone w przyszłości.
Przed zakończeniem Etapu 2 udane projekty będą potrzebować mocy produkcyjnych fabryk, zestawów projektowych procesu, bloków własności intelektualnej, planów pakowania, zasobów testowych i planów rozwoju oprogramowania. Negocjowanie tych relacji wymaga czasu.
Wskazany z nazwy partner produkcyjny wzmocniłby twierdzenie programu, że dąży on do projektów gotowych do produkcji. Podobnie jak zaangażowany klient przemysłowy gotowy testować powstały sprzęt pod rzeczywistym obciążeniem.
Bez tych zobowiązań wyzwanie może zakończyć się na znanej europejskiej granicy między badaniami a wdrożeniem komercyjnym. Projekt może być obiecujący, podczas gdy produkt pozostanie hipotetyczny.
Łączną kwotę 40 mln euro należy zachować w odpowiedniej perspektywie. Jest wystarczająco duża, aby sfinansować wyspecjalizowane zespoły i przetestować nową metodę rozwoju. Nie wystarczy jednak, by odtworzyć nagromadzoną infrastrukturę światowych liderów półprzewodników.
To ograniczenie nie unieważnia programu. Wyostrza jego strategię. NADI i SPRIND muszą wykorzystać środki publiczne, aby ustalić, gdzie mniejszy europejski wysiłek może zapewnić trwałą przewagę.
Wnioskowanie jest wiarygodnym celem, ponieważ popyt obejmuje wiele wyspecjalizowanych środowisk. Europejskie firmy przemysłowe posiadają również wiedzę domenową, która może pomóc w projektowaniu układów dla robotyki, mobilności, biotechnologii lub bezpiecznego przetwarzania lokalnego.
Specjalizacja może jednak ograniczyć rynek docelowy. Procesor zbyt wąsko dostrojony do jednego modelu lub klienta może mieć trudności z odzyskaniem kosztów rozwoju i wsparcia.
Zespoły będą potrzebować architektury zapewniającej znaczącą efektywność, ale nieprzestarzałej wraz ze zmianami modeli AI. Elastyczne oprogramowanie i konfigurowalny sprzęt mogą mieć równie duże znaczenie jak szczytowa wydajność.
Analiza transgraniczna słusznie zauważa, że program nie ma na celu sfinansowania bezpośredniego zastępstwa dla Nvidia. Jego bardziej realistycznym celem jest znalezienie przewagi w procesie projektowania, który pozostaje powolny i kosztowny.
To sprawia, że wyzwanie NADI dotyczące układów AI jest istotne także poza Europą. Firmy półprzewodnikowe na całym świecie badają sposoby wykorzystania AI w automatyzacji projektowania. Przejrzysty konkurs publiczny może dostarczyć dowodów na to, które metody działają, a które deklaracje zawodzą.
Dla deweloperów i nabywców korporacyjnych bezpośredni efekt będzie ograniczony. Żaden nowy procesor nie jest jeszcze dostępny, a program nie wybrał dotąd zespołów do pierwszego etapu.
Długoterminowe konsekwencje są bardziej konkretne. Szybsze cykle projektowe mogą doprowadzić do powstania układów dostrojonych do węższych obciążeń, niższych budżetów energetycznych lub bardziej rygorystycznych wymogów lokalności danych. Nabywcy mogliby zyskać alternatywy dla stosowania największych akceleratorów ogólnego przeznaczenia do każdego zadania.
Najbliższe trzy miesiące nie rozstrzygną, czy AI potrafi projektować konkurencyjne układy. Pokażą, czy NADI i SPRIND przyciągnęły zespoły zdolne poważnie przetestować tę tezę.
Najpierw warto obserwować portfolio zgłoszonych kandydatów. Następnie należy przeanalizować kryteria oceny etapu 1 oraz dowody, które zespoły muszą przedstawić. Na koniec, zanim jakikolwiek projekt zostanie uznany za przyszły produkt, warto szukać zaangażowanych partnerów produkcyjnych i klientów.
Europa już dysponuje wiedzą półprzewodnikową, sprzętem, instytucjami badawczymi i użytkownikami przemysłowymi. Jej brakującą kompetencją była często skoordynowana realizacja na całej drodze do rynku.
Wyzwanie NADI dotyczące układów AI jest ukierunkowaną próbą zamknięcia tej luki. O jego sukcesie nie zadecyduje rozmiar ogłoszenia. Będzie on mierzony tym, czy zweryfikowany projekt opuści konkurs, trafi do fabryki półprzewodników i uruchomi obciążenie, którego klient rzeczywiście potrzebuje.
