Desafio de Chips de IA da NADI Coloca à Prova a Lacuna de Execução da Europa

A NADI lançou um desafio de chips de IA de €40 milhões com a SPRIND, da Alemanha, prometendo reduzir anos de trabalho em design de semicondutores a semanas. O programa oferece à Europa um teste direcionado para saber se financiamento público, sistemas autônomos de design e equipes de engenharia menores podem produzir silício competitivo.

O dinheiro importa, mas a estrutura importa mais. As agências financiarão diversas abordagens técnicas concorrentes, eliminarão as opções mais fracas após oito meses e apoiarão equipes selecionadas por mais um ano. O objetivo não é criar uma rival da Nvidia apoiada pelo Estado. É estabelecer uma rota mais rápida de uma ideia arquitetural a um design de chip pronto para produção.

Essa distinção cria a tensão central. A Europa já ocupa posições importantes em equipamentos para semicondutores, pesquisa e manufatura industrial. No entanto, tem dificuldade em transformar essas forças em processadores de IA amplamente adotados. O desafio de chips de IA da NADI ataca o gargalo do design, onde empresas americanas de chips e fornecedores de automação de design eletrônico mantêm vantagens profundas.

O Que o Desafio de Chips de IA da NADI Realmente Financia

O programa está financiando um processo experimental de design, e não apenas distribuindo subsídios para semicondutores.

A Agência Nacional para Inovação Disruptiva, conhecida como NADI, anunciou o desafio com a Agência Federal Alemã para Inovação de Ruptura, ou SPRIND, em 23 de setembro de 2026. Este é o primeiro programa da NADI e a primeira iniciativa conjunta de financiamento das agências.

A NADI é uma nova agência holandesa parcialmente inspirada na DARPA, a organização americana de pesquisa conhecida por gerir programas técnicos de alto risco. Seu papel difere do de um financiador científico convencional. A NADI planeja definir problemas estratégicos, recrutar equipes com soluções concorrentes e gerenciar ativamente seu progresso.

O governo holandês destinou €500 milhões à agência. A NADI afirma que foi criada para enfrentar a lacuna entre pesquisas promissoras e tecnologias que empresas ou órgãos públicos possam de fato implantar. Seu modelo proposto dá aos diretores de programa autoridade significativa sobre missões definidas e seus orçamentos.

Essa abordagem se assemelha muito à lógica operacional já utilizada pela SPRIND. A agência alemã foi criada em 2019 para apoiar ideias consideradas incertas demais para financiamento privado convencional. Seu processo de avaliação considera tanto a base técnica quanto o caminho potencial rumo a um produto comercializável.

O novo programa de design de chips terá duração de 20 meses em duas etapas. As agências oferecem contratos de preço fixo com base na estimativa de custos de cada equipe, com apoio de até €9,6 milhões por equipe ao longo das duas etapas.

A Etapa 1 dura oito meses e oferece até €2,6 milhões por equipe. Reportagens holandesas afirmam que sete equipes entrarão nessa fase. Em seguida, um júri selecionará os projetos mais fortes para a Etapa 2, que dura 12 meses e oferece até €7 milhões por equipe selecionada.

Relatos indicam que três equipes avançarão, embora a página pública do programa destaque a avaliação por um júri de especialistas em vez de garantir um número final. As agências também ajudarão os participantes a acessar especialistas técnicos e potenciais parceiros.

A competição busca designs tanto para treinamento quanto para inferência de IA. O treinamento é o processo computacionalmente intensivo que ensina um modelo a partir de dados. A inferência é o processo subsequente de executar esse modelo treinado para responder a solicitações ou realizar tarefas.

Essas cargas de trabalho impõem requisitos diferentes. O treinamento geralmente favorece enorme capacidade de computação paralela e memória de alta largura de banda. A inferência frequentemente dá maior ênfase à eficiência energética, latência, custo de implantação e desempenho para um modelo ou aplicação específicos.

Portanto, o desafio não exige que todas as equipes reproduzam a arquitetura de um acelerador generalista líder. Ele convida alternativas adaptadas à segurança de dados, biotecnologia, robótica, mobilidade e grandes infraestruturas de IA.

As inscrições permanecem abertas até 30 de novembro de 2026, às 11:00 CET. As agências agendaram webinars para 9 de outubro e 17 de novembro. Essas datas tornam o programa imediato verificável, mas suas alegações mais amplas ainda são metas, e não resultados alcançados.

A primeira etapa revelará se equipes de engenharia sérias aceitam o cronograma, os termos contratuais e a estrutura de avaliação. A segunda testará se a competição pode ir além de protótipos de software em direção a designs que fabricantes poderiam fabricar de forma realista.

Por Que a Europa Está Mirando o Design em Vez da Fabricação

A NADI e a SPRIND estão concentrando recursos públicos onde a Europa pode competir sem antes recriar toda uma cadeia de suprimentos de semicondutores.

A Europa ocupa uma posição contraditória na indústria de chips. Os Países Baixos abrigam a ASML, cujos sistemas de litografia são essenciais para a fabricação avançada de semicondutores. A Alemanha possui amplas capacidades em engenharia, pesquisa, setor automotivo e produção industrial.

Ainda assim, os principais processadores usados para IA generativa vêm principalmente de empresas americanas. A fabricação depende fortemente de fundições asiáticas, enquanto softwares críticos de design são controlados por um pequeno grupo de fornecedores consolidados.

Construir uma fábrica de fabricação avançada exige capital enorme, equipamentos especializados, operadores experientes e anos de desenvolvimento de processos. Um desafio de €40 milhões não pode criar essa infraestrutura. Pode, porém, testar se a IA muda a economia e a velocidade da etapa de design.

Jelle Prins, cofundador da NADI, descreveu os pontos fortes holandeses e alemães como complementares. Os Países Baixos contribuem com uma forte rede de equipamentos para semicondutores centrada na ASML. A Alemanha traz capacidade de manufatura industrial e pesquisa.

Essa parceria transforma a proximidade geográfica em um experimento de política pública. Em vez de criar outro programa nacional de semicondutores, as duas agências estão reunindo expertise entre fronteiras desde o início.

O primeiro-ministro holandês Rob Jetten apresentou essa cooperação como uma exigência, e não como um gesto simbólico. De acordo com a reportagem original da Reuters, ele argumentou que a Europa não pode se dar ao luxo de buscar grandes inovações país por país.

A declaração reflete uma fraqueza persistente na política tecnológica europeia. O continente tem universidades capazes, fabricantes especializados e financiamento público substancial. Esses ativos frequentemente permanecem divididos entre programas nacionais, sistemas de compras incompatíveis e projetos com caminhos limitados para comercialização.

A SPRIND e a NADI tentam substituir parte dessa fragmentação por um objetivo técnico comum. Sua competição dá a várias equipes o mesmo alvo amplo, enquanto permite arquiteturas, métodos e modelos de negócio diferentes.

As agências também estão escolhendo um problema com resultados mensuráveis. Uma equipe pode apresentar uma arquitetura de chip, gerar código em nível de transferência de registradores, verificar seu comportamento e comparar desempenho ou eficiência com cargas de trabalho definidas.

O código em nível de transferência de registradores, comumente chamado de RTL, descreve a lógica digital e o fluxo de dados que o hardware implementará. Ele fica entre uma ideia arquitetural de alto nível e o layout físico necessário para a fabricação.

O desafio oficial pede que as equipes usem IA na busca de arquitetura, na geração de RTL e na verificação. Esse escopo importa porque acelerar apenas uma tarefa pode simplesmente deslocar o gargalo para outro ponto.

Um sistema pode gerar RTL rapidamente, mas produzir lógica ineficiente ou difícil de verificar. Outro pode encontrar uma arquitetura impressionante que não pode ser mapeada economicamente para um processo de fabricação disponível.

Uma abordagem full-stack precisa conectar requisitos de modelos, decisões arquiteturais, geração de lógica, verificação, restrições físicas e suporte de software. Cada etapa precisa apresentar evidências de que a etapa anterior não introduziu erros ocultos.

É por isso que o programa se concentra em designs prontos para produção, e não apenas em artigos de pesquisa. As agências querem que as equipes mostrem que seus métodos podem sobreviver ao caminho rumo à fabricação.

O objetivo também responde à evolução das cargas de trabalho de IA. As arquiteturas dos modelos podem evoluir mais rapidamente do que os ciclos de desenvolvimento de silício personalizado. Um chip concebido para uma geração de modelos pode chegar quando desenvolvedores já migraram para diferentes padrões de memória ou técnicas de inferência.

Jano Costard, chefe de desafios da SPRIND, descreveu a melhoria pretendida como várias ordens de magnitude na velocidade de desenvolvimento. Trata-se de uma ambição, não de um resultado verificado de forma independente. Ainda assim, ela identifica a métrica que definirá o sucesso.

Se as equipes apenas reduzirem algumas semanas de um processo convencional de vários anos, o desafio não sustentará sua premissa mais forte. Se produzirem repetidamente designs verificáveis em meses ou semanas, a abordagem poderá mudar a forma como aceleradores especializados são financiados.

A oportunidade é especialmente relevante para a inferência. Prins comparou o uso dos maiores processadores da Nvidia para alguns trabalhos de inferência a levar um caminhão para comprar mantimentos. A analogia é imperfeita, mas destaca o descompasso entre a capacidade máxima de computação e a eficiência específica para cada carga de trabalho.

A inferência ocorre em centros de dados, fábricas, veículos, robôs e dispositivos de borda. Nem todos esses ambientes precisam do mesmo processador. Designs menores e especializados podem priorizar consumo de energia, latência, segurança ou operação local.

Isso cria uma oportunidade mais estreita do que derrotar a Nvidia em todo o mercado de IA. A Europa pode visar aplicações selecionadas nas quais seus clientes industriais, conhecimento de engenharia e requisitos regulatórios criem um ponto de partida útil.

O Principal Adversário da Europa É Sua Própria Lacuna de Execução

A disputa central não é NADI contra Nvidia; é o modelo europeu de financiamento coordenado contra seu histórico de fracasso na comercialização de pesquisas.

Comparações com a Nvidia atraem atenção porque a empresa domina o mercado de processadores para treinamento de IA. Elas também podem distorcer o que o desafio de chips de IA da NADI pode razoavelmente alcançar.

A vantagem da Nvidia vai além das especificações de um chip individual. Ela inclui software maduro, bibliotecas otimizadas, familiaridade dos desenvolvedores, designs de sistemas, tecnologia de rede e apoio de provedores de nuvem.

Um processador tecnicamente eficiente não supera automaticamente esse ecossistema. Desenvolvedores precisam de compiladores, ferramentas de depuração, frameworks, documentação e acesso previsível ao hardware. Compradores precisam de evidências de que o fornecedor consegue manter seus produtos.

Isso significa que uma inscrição bem-sucedida no desafio deve resolver mais do que o design lógico. Ela precisa de uma rota crível para um sistema de computação utilizável.

As agências parecem reconhecer essa limitação. Sua chamada enfatiza designs prontos para produção e métodos full-stack, em vez de alegações isoladas de desempenho. Ela também oferece acesso a orientação técnica e comercial.

No entanto, os materiais públicos da competição fornecem menos detalhes sobre compromissos de clientes, acesso a fundições, capacidade de encapsulamento, maturidade de software ou compras. Esses elementos determinam se um design forte se torna um processador implantado.

A Europa já viu essa lacuna antes. Programas de pesquisa podem produzir propriedade intelectual valiosa sem criar um fornecedor capaz de atender clientes comerciais. O financiamento pode terminar justamente quando um projeto alcança a cara transição do protótipo para a fabricação.

A própria justificativa da NADI se concentra nesse problema. Sua proposta de agência argumenta que os Países Baixos geram pesquisa de excelência, mas capturam pouco de seu valor comercial. Ela apresenta o financiamento orientado por missões como a ponte que falta entre universidades e mercados.

A competição em etapas do desafio foi concebida para tornar essa ponte mais seletiva. Em vez de financiar um grande consórcio durante todo o período, as agências apoiam várias abordagens antes de concentrar recursos nos participantes mais fortes.

Esse método pode expor premissas frágeis logo no início. As equipes precisam demonstrar progresso em relação a marcos comuns, enquanto concorrentes seguem caminhos distintos. Os gestores do programa podem comparar evidências em vez de avaliar cada projeto isoladamente.

O formato também oferece aos governos uma maneira de tolerar falhas técnicas. Espera-se que algumas equipes deixem o programa após a primeira etapa. Sua eliminação faria parte do desenho, e não provaria que todo o programa fracassou.

Essa disposição para encerrar projetos é essencial ao modelo inspirado na DARPA. Pesquisas de alto risco tornam-se difíceis de administrar quando cada concessão desenvolve proteção política ou cada consórcio espera apoio contínuo.

Assim, o desafio testará a independência da NADI tanto quanto a engenharia das equipes. Uma nova agência precisa demonstrar que consegue definir marcos rigorosos, rejeitar resultados fracos e redirecionar recursos sem transformar o processo em uma administração convencional de subsídios.

A SPRIND oferece uma experiência institucional que a NADI não possui. A agência alemã já conduziu programas de desafios e avalia projetos quanto ao potencial técnico e econômico. Seu envolvimento deve dar ao primeiro programa holandês uma estrutura operacional funcional.

Ainda assim, a colaboração cria seus próprios custos de coordenação. Regras de contratação, expectativas relativas à propriedade intelectual, controles de exportação, requisitos de segurança e prioridades industriais nacionais podem complicar projetos transfronteiriços.

O registro de políticas holandês também distingue a NADI de uma autoridade separada de inovação em defesa inspirada na DARPA. Essa divisão pode esclarecer responsabilidades civis e militares, mas tecnologias de semicondutores de uso dual raramente se encaixam de forma clara em categorias institucionais.

Aceleradores de IA podem atender data centers comerciais, máquinas autônomas, sistemas de cibersegurança e aplicações de defesa. As equipes precisam de regras claras sobre propriedade, possibilidade de exportação e acesso aos projetos resultantes.

O melhor resultado não seria uma coleção de protótipos pertencentes ao governo. Seria um caminho repetível pelo qual equipes europeias possam projetar, fabricar, implantar e aperfeiçoar processadores especializados.

Esse caminho precisa incluir clientes privados e parceiros de fabricação. Agências públicas podem absorver o risco técnico inicial, mas não podem criar demanda nem substituir indefinidamente uma organização de produto funcional.

Portanto, o desafio pressiona mais do que os possíveis candidatos. Fundições europeias, institutos de pesquisa, desenvolvedores de software, operadores de nuvem e compradores industriais precisam decidir se participarão de uma rota compartilhada para o mercado.

Se esses grupos permanecerem como observadores, até mesmo um excelente projeto poderá estagnar após a competição. Se se tornarem clientes e parceiros, o programa poderá oferecer a coordenação que faltava aos ativos europeus de semicondutores.

A IA Pode Realmente Reduzir o Projeto de Chips de Anos para Semanas?

A IA pode acelerar tarefas importantes de projeto, mas o programa precisa provar que uma geração mais rápida não resulta em uma verificação mais lenta.

O mecanismo técnico começa pela busca. Arquitetos de chips tomam decisões interligadas sobre unidades de computação, memória, movimentação de dados, precisão, consumo de energia e restrições de fabricação.

Equipes tradicionais exploram apenas parte desse vasto espaço de projeto porque cada candidato exige modelagem, implementação e testes. Sistemas de IA podem gerar e avaliar muitas mais alternativas.

O aprendizado por reforço oferece uma abordagem. Um sistema propõe escolhas de projeto, recebe feedback de simulações ou ferramentas de engenharia e ajusta sua estratégia em direção a metas de desempenho definidas.

Agentes autônomos oferecem outra. Agentes de software separados podem lidar com exploração de arquitetura, geração de código, criação de testes, análise de erros e otimização, enquanto trocam resultados.

Modelos generativos também podem traduzir especificações de nível mais alto em RTL. Isso se assemelha à geração de código para software, mas a tolerância a erros sutis é muito menor.

Um defeito de software muitas vezes pode ser corrigido após o lançamento. Um erro descoberto após a fabricação do chip pode exigir um novo projeto e outra rodada de produção. Isso torna a verificação central para o desafio.

A verificação checa se um projeto se comporta corretamente em condições esperadas e inesperadas. Ela pode consumir uma grande parcela do tempo de desenvolvimento de semicondutores, pois engenheiros precisam considerar inúmeras combinações de estados e entradas.

A IA pode gerar testes, identificar lógica suspeita, priorizar casos extremos ou verificar formalmente propriedades. Ela também pode introduzir erros que parecem plausíveis e continuam difíceis de detectar.

A expressão “a IA se torna a verdadeira projetista do chip”, usada na página do desafio, deve portanto ser entendida como um objetivo do programa. Ela não estabelece que sistemas autônomos já possam substituir equipes experientes de semicondutores.

Engenheiros humanos ainda precisarão definir requisitos, interpretar compromissos, revisar resultados e assumir responsabilidade técnica. As inscrições mais confiáveis explicarão onde a automação funciona de forma confiável e onde a intervenção de especialistas continua necessária.

Um projeto também precisa sobreviver à implementação física. Uma lógica que funciona bem em uma simulação abstrata pode decepcionar depois que engenheiros consideram atrasos de interconexão, fornecimento de energia, calor, interfaces de memória, encapsulamento e variação de fabricação.

Tape-out marca o ponto em que um projeto físico finalizado é enviado para fabricação. Chegar ao tape-out é mais exigente do que produzir RTL funcional, e um chip fabricado ainda requer testes e integração de software.

A SPRIND afirma que equipes de destaque serão selecionadas para financiamento posterior, na ordem de dezenas de milhões de euros, a fim de executar seus projetos durante o tape-out. Os detalhes ainda não foram anunciados.

Essa lacuna é uma das maiores incertezas do programa. Os €40 milhões iniciais apoiam a competição de projeto, mas fabricação, encapsulamento avançado, validação e capacitação de desenvolvedores exigem capital adicional.

A redação também importa. Financiamento complementar direcionado não é o mesmo que financiamento comprometido para produção. As equipes ainda não podem presumir que concluir a Etapa 2 garante um processador fabricado.

O desafio deve ser avaliado com base em evidências reproduzíveis, e não em um único benchmark. Uma equipe pode otimizar uma arquitetura para uma carga de trabalho enquanto oculta trabalho manual, longa preparação ou baixa transferência para novos modelos.

Uma demonstração mais sólida mostraria o mesmo sistema projetando vários chips sob restrições diferentes. Ela registraria o tempo, os recursos computacionais, as intervenções humanas, os resultados de verificação e as premissas de fabricação de cada execução.

A replicação independente seria ainda mais valiosa. Engenheiros externos deveriam conseguir determinar se a automação produz resultados consistentes ou depende de um pequeno grupo de especialistas fazendo correções não documentadas.

A documentação passa a fazer parte da infraestrutura técnica. As equipes precisam de vínculos rastreáveis entre requisitos, artefatos gerados, resultados de verificação, decisões de projeto e revisões. Uma base de conhecimento pesquisável pode ajudar engenheiros a preservar essa cadeia, embora não possa substituir ferramentas de verificação formal.

A segurança merece atenção igual. Sistemas de projeto com IA podem processar arquiteturas confidenciais, dados de treinamento proprietários e informações sensíveis de fabricação. As equipes precisam controlar o que entra em modelos externos e como o código gerado é auditado.

Os dados de treinamento também podem incorporar padrões de projeto existentes, restrições de licenciamento ou práticas desatualizadas. Um modelo que gera rapidamente estruturas conhecidas não está necessariamente descobrindo arquiteturas melhores.

As agências escolheram o lugar certo para aplicar pressão: a longa sequência entre a intenção arquitetural e o projeto verificado. Elas ainda não demonstraram que a IA pode comprimir toda essa sequência com segurança.

É por isso que o mecanismo importa mais do que a meta de velocidade apresentada na manchete. Um resultado confiável especificará quais tarefas se tornaram mais rápidas, quais continuaram manuais e como as equipes impediram que a automação transferisse trabalho para etapas posteriores.

Três Sinais Decidirão se a Aposta Funciona

Candidaturas, resultados de verificação e compromissos de fabricação mostrarão se o programa está criando chips ou apenas uma ambiciosa competição de projeto.

O primeiro sinal é a qualidade do grupo de candidatos após o prazo de 30 de novembro. Sete equipes financiadas ofereceriam pouco valor se representassem variações de uma única abordagem de pesquisa ou não tivessem experiência prática em semicondutores.

Um grupo forte deve combinar aprendizado de máquina, arquitetura de chips, verificação, projeto físico, software de sistemas e conhecimento de produto. Também deve incluir equipes capazes de formar empresas ou estabelecer parcerias com fabricantes existentes.

A diversidade de abordagens importa porque o desafio é construído em torno da competição. Algumas equipes podem priorizar a geração de RTL assistida por modelos de linguagem. Outras podem usar aprendizado por reforço para busca de arquitetura ou agentes para coordenar ferramentas de projeto estabelecidas.

As agências deveriam eventualmente divulgar informação suficiente para explicar por que cada abordagem foi selecionada. Detalhes confidenciais podem permanecer protegidos, mas o público precisa de uma base para avaliar se o portfólio contém alternativas técnicas reais.

O segundo sinal são as evidências usadas após a Etapa 1. A análise de oito meses será a primeira oportunidade para distinguir engenharia acelerada de demonstrações refinadas.

Resultados úteis incluiriam RTL verificado, definições de cargas de trabalho, estimativas de energia e desempenho, registros de reprodutibilidade e relatos claros do esforço humano. As comparações devem usar premissas consistentes sobre processos de fabricação e memória.

Uma pontuação bruta de benchmark não será suficiente. As equipes podem produzir comparações enganosas ao alterar precisão numérica, tamanho da carga de trabalho, premissas de utilização ou software de suporte.

A avaliação também deve separar velocidade de projeto de qualidade do chip. Gerar um projeto inferior em uma semana não representa progresso significativo em relação à produção de um projeto competitivo em um ano.

Costard disse à Reuters que o programa não busca melhoria incremental. Seu argumento é que a Europa precisa de uma vantagem estratégica, e não de uma versão ligeiramente melhor de tecnologia estabelecida, conforme resumido na cobertura europeia.

Esse padrão eleva o ônus da prova. O júri precisa identificar resultados que sejam tecnicamente incomuns e suficientemente confiáveis para receber substancialmente mais recursos.

O terceiro sinal é se as equipes mais fortes conseguem garantir uma rota executável para o tape-out. A página oficial do programa descreve o financiamento posterior como uma meta cujos termos serão definidos no futuro.

Antes do fim da Etapa 2, projetos bem-sucedidos precisarão de capacidade de fundição, kits de projeto de processo, blocos de propriedade intelectual, planos de encapsulamento, recursos de teste e roteiros de software. Essas relações levam tempo para serem negociadas.

Um parceiro de fabricação identificado fortaleceria a alegação do programa de que ele busca projetos prontos para produção. O mesmo ocorreria com um cliente industrial comprometido, preparado para testar o hardware resultante em uma carga de trabalho real.

Sem esses compromissos, o desafio corre o risco de terminar na já conhecida fronteira europeia entre pesquisa e implantação comercial. O projeto pode ser promissor, enquanto o produto permanece hipotético.

O total de €40 milhões deve ser mantido em perspectiva. É suficiente para financiar equipes focadas e testar um novo método de desenvolvimento. Não é suficiente para reproduzir a infraestrutura acumulada dos líderes globais em semicondutores.

Essa limitação não invalida o programa. Ela torna a estratégia mais precisa. A NADI e a SPRIND devem usar recursos públicos para identificar onde um esforço europeu menor pode gerar uma vantagem defensável.

A inferência é um alvo plausível porque a demanda abrange muitos ambientes especializados. Empresas industriais europeias também possuem conhecimento de domínio capaz de orientar chips para robótica, mobilidade, biotecnologia ou processamento local seguro.

No entanto, a especialização pode reduzir o mercado endereçável. Um processador ajustado de forma excessivamente restrita a um modelo ou cliente pode ter dificuldade para recuperar seus custos de desenvolvimento e suporte.

As equipes precisarão de uma arquitetura que ofereça eficiência significativa sem se tornar obsoleta quando os modelos de IA mudarem. Software flexível e hardware configurável podem ser tão importantes quanto o desempenho máximo.

A análise transfronteiriça observa corretamente que o programa não pretende financiar um substituto direto para a Nvidia. Seu objetivo mais realista é encontrar alavancagem em um processo de design que permaneceu lento e caro.

Isso torna o desafio de chips de IA da NADI relevante além da Europa. Empresas de semicondutores em todo o mundo estão explorando maneiras de usar IA na automação de design. Uma competição pública transparente poderia gerar evidências sobre quais métodos funcionam e quais alegações fracassam.

Para desenvolvedores e compradores empresariais, o efeito imediato será limitado. Nenhum novo processador está disponível, e o programa ainda não selecionou suas equipes da primeira etapa.

As implicações de longo prazo são mais concretas. Ciclos de design mais rápidos poderiam produzir chips ajustados a cargas de trabalho mais específicas, orçamentos de energia menores ou requisitos mais rigorosos de localização de dados. Os compradores poderiam obter alternativas ao uso dos maiores aceleradores de uso geral para todas as tarefas.

Os próximos três meses não decidirão se a IA pode projetar chips competitivos. Eles mostrarão se a NADI e a SPRIND atraíram equipes capazes de testar essa proposta com seriedade.

Observe primeiro o portfólio de candidatos. Em seguida, analise os critérios de avaliação da Etapa 1 e as evidências que as equipes devem apresentar. Por fim, procure parceiros de fabricação e clientes comprometidos antes de tratar qualquer projeto como um futuro produto.

A Europa já possui conhecimento em semicondutores, equipamentos, instituições de pesquisa e usuários industriais. Sua capacidade ausente frequentemente tem sido a execução coordenada em todo o caminho até o mercado.

O desafio de chips de IA da NADI é uma tentativa focada de fechar essa lacuna. Seu sucesso não será medido pelo tamanho de seu anúncio. Será medido por saber se um projeto verificado sai da competição, chega a uma fundição e executa uma carga de trabalho de que um cliente realmente precisa.