Bedah Normal Computing: EDA AI dan Chip Termodinamika CN101 dari Alumni Google, Didukung US$85 Juta dan Samsung Catalyst

Ringkasan 30 detik

• Normal Computing tidak menekan noise, melainkan memakai noise untuk komputasi. Chip konvensional menghabiskan energi menekan fluktuasi dan noise termal transistor agar angka 0 dan 1 tetap deterministik. Arsitektur Carnot perusahaan ini melakukan hal sebaliknya: dinamika sistem fisik yang berelaksasi menuju kesetimbangan menjalankan komputasi probabilistik, dan jawabannya diambil dengan menyampling sebuah distribusi. Perusahaan menyebutnya ASIC berbasis fisika.
• Mesin pendapatannya adalah EDA, bukan chip. Normal EDA adalah platform desain chip native-AI yang intinya auto-formalization: menggabungkan model bahasa dengan logika formal untuk mengubah spesifikasi menjadi model formal dan mengotomatiskan desain dan verifikasi. Menurut perusahaan, lebih dari separuh dari sepuluh perusahaan semikonduktor terbesar berdasarkan pendapatan adalah mitranya, dan target terdekatnya adalah membawa silikon kustom ke pasar dua kali lebih cepat.
• Demonstrasi silikonnya nyata, tetapi skalanya kecil. CN101, yang tape-out pada Juli 2025, adalah test chip CMOS digital yang oleh perusahaan disebut «chip komputasi termodinamika pertama di dunia». Hasil yang dipublikasikan perusahaan di Hot Chips 2026 adalah generasi digit tulisan tangan MNIST pada satu chip dan generasi gambar CIFAR-10 dengan enam chip. Perusahaan sendiri menyebutnya «hasil skala kecil».
• Angka 1.000x adalah roadmap, bukan pengukuran. Efisiensi energi hingga 1.000x yang disebut perusahaan adalah target untuk workload sasaran: belum diverifikasi pihak ketiga dan belum diukur pada produk komersial. CN201 (2026) dan CN301 (akhir 2027-awal 2028) adalah chip yang harus membuktikannya.
• Dana strategis Samsung memimpin putaran ini. Pada Maret 2026, Samsung Catalyst Fund memimpin putaran US$50 juta yang menaikkan total pendanaan menjadi lebih dari US$85 juta, dan perusahaan secara resmi mengumumkan rencana ekspansi di Korea.

Profil perusahaan

Sejarah: dari AI probabilistik ke semikonduktor

Normal Computing berdiri pada 2022 di New York. Para pendirinya, Faris Sbahi, Matthias Tan, dan Antonio Martinez, adalah engineer yang pernah membangun sistem AI berskala besar di Google Brain, Google X, dan Palantir. Bendera pertama yang perusahaan ini kibarkan pada awal 2023 bukanlah semikonduktor, melainkan «AI probabilistik»: mengendalikan halusinasi AI generatif dengan model probabilitas. Putaran seed sebesar US$8,5 juta yang ditutup pada Januari 2023 (dipimpin bersama Celesta Capital dan First Spark Ventures, dengan partisipasi Micron Ventures) diceritakan ke arah itu.

Namun pada saat yang sama, perusahaan sudah menanam benih kedua. Makalah awal 2023 «Thermodynamic AI and the Fluctuation Frontier» mengelompokkan model difusi, jaringan neural Bayesian, metode Monte Carlo, dan simulated annealing ke dalam satu kelas komputasi probabilistik, dan mengusulkan perangkat keras probabilitas yang bisa mempercepat seluruh kelas itu. Setelah itu, pusat gravitasi perusahaan bergeser cepat ke semikonduktor. Alasannya praktis: desain chip adalah industri yang paling membutuhkan komputasi probabilistik dan yang paling mahal membayar kesalahan; satu re-spin saja menelan biaya puluhan juta dolar.

Logika pergeserannya begini. Merancang chip pada dasarnya adalah mengambil keputusan dalam ketidakpastian: spesifikasi tidak lengkap, verifikasi tidak pernah selesai, dan tingkat keberhasilan silikon pertama rendah. Menaruh AI di atas proses ini menuntut agar keluaran AI bisa dibuktikan benar atau salah; silikon produksi tidak bisa dipercayakan kepada asisten yang tidak bisa diverifikasi. Karena itu jawaban perusahaan adalah menggabungkannya dengan metode formal, yaitu auto-formalization. Dan alih-alih hanya membantu chip orang lain dengan perangkatnya, perusahaan merancang langsung jenis chip yang paling sulit ditangani EDA tradisional, yaitu chip termodinamikanya sendiri, dan menjadikannya bukti hidup dari perangkat itu.

Anatomi Normal EDA: apa itu auto-formalization

Auto-formalization, konsep inti Normal EDA, adalah istilah di perbatasan riset AI: awalnya merujuk pada penerjemahan otomatis teorema matematika dari bahasa alami ke bahasa formal. Perusahaan memindahkannya ke desain semikonduktor: LLM membaca spesifikasi dalam berbagai format, dari dokumen arsitektur sampai deskripsi mikroarsitektur, tabel kebenaran, dan diagram timing, lalu mengubah maksudnya menjadi model logika formal. Begitu desain menjadi model formal, pertanyaannya berubah: apakah desain memenuhi spesifikasi bukan lagi soal «terlihat masuk akal», tetapi bisa dibuktikan.

Dari gabungan penjelasan perusahaan, platform ini beroperasi dalam empat tahap. Pertama, ia mempelajari seluruh spesifikasi dan aset verifikasi tim dan membangun representasi internal atas maksud dan tujuan. Kedua, ia menafsirkan masukan non-teks secara multimodal, seperti diagram timing dan gambar waveform, lalu menurunkan stimulus dan pemeriksa secara otomatis. Ketiga, ia menghasilkan dan mengoptimalkan desain di atas model formal sambil membuktikan kebenarannya, dan terus belajar. Keempat, untuk celah dan ambiguitas spesifikasi, ia menyimpulkan perilaku yang mungkin, mengusulkan pengujian, dan seorang engineer menyetujui atau mengoreksi: human-in-the-loop. Cakupan komersial saat ini adalah otomatisasi DV (verifikasi desain) dan RTL, dan perusahaan menyebut perluasan ke desain end-to-end serta alur kerja silikon non-konvensional.

Titik tabraknya dengan EDA yang ada jelas. Agentic EDA dari Synopsys dan Cadence juga memasukkan agen LLM ke dalam alur desain, tetapi titik awalnya adalah mengotomatiskan di atas toolchain yang menumpuk selama puluhan tahun. Klaim perusahaan ini adalah urutannya terbalik: menaruh model formal yang bisa dibuktikan di pusat, dengan AI bekerja di sekelilingnya. Dan sesuai dengan perusahaan yang intinya adalah verifikasi, ia adalah anggota pendiri koalisi benchmarking LLM dari Si2 (Silicon Integration Initiative), ikut serta dalam standar evaluasi EDA berbasis AI.

Batasan yang jujur juga harus disampaikan. Nama mitra belum diungkap, dan angka «lebih dari separuh top-10» berasal dari perusahaan sendiri. Antara target memangkas siklus desain dari tahunan menjadi bulanan dan pernyataan CEO saat ini, «2x lebih cepat hari ini», masih ada jarak. Namun fakta bahwa PitchBook mengklasifikasikan perusahaan ini sebagai sudah menghasilkan pendapatan, dan bahwa Samsung Catalyst memimpin setelah due diligence-nya, bisa dibaca sebagai sinyal tidak langsung bahwa platform ini setidaknya sudah melewati fase pilot gratis.

Prinsip komputasi termodinamika: tiga tagihan determinisme

Untuk memahami program Carnot, mulailah dari biaya probabilitas bagi chip konvensional. Kerangka yang berulang kali dipakai perusahaan dan tim pendirinya adalah «determinisme ditagih tiga kali».

Pertama, biaya menekan. Transistor secara alami berfluktuasi. Sirkuit digital mempertahankan 0 dan 1 yang stabil dengan harga margin noise dan penekanan kesalahan, dan harga itu adalah energi. Kedua, biaya menghasilkan. Algoritma probabilistik seperti model difusi membutuhkan suku noise; mesin deterministik menirunya dengan cara paling mahal: pembangkitan keacakan di perangkat lunak. Ketiga, biaya menyinkronkan. Sinkronisasi lockstep, yang tidak dibutuhkan oleh semantik probabilistik, menghabiskan energi dan latensi.

Komputasi termodinamika menolak ketiga tagihan itu. Alih-alih menekan fluktuasi, disipasi, dan stokastisitas sistem fisik, ia memakainya: proses relaksasi sistem menuju distribusi kesetimbangannya di sepanjang lanskap energi adalah komputasinya. Untuk masalah yang jawabannya adalah sampling, di mana menarik sampel dari distribusi probabilitas adalah pekerjaan itu sendiri, pendekatan ini pada prinsipnya murah. Simbolis bahwa persamaan pengatur difusi berakhir pada suku white-noise: noise yang dibutuhkan algoritma bisa datang dari noise yang memang sudah dimiliki perangkat keras.

Posisinya juga harus diperjelas. Chip ini bukan pengganti GPU. Komputasi deterministik yang eksak, seperti akuntansi atau sistem operasi, tetap wilayah perangkat keras digital. Yang dicari Carnot adalah kursi akselerator heterogen untuk workload yang secara esensi probabilistik: sampling, aljabar linear, inferensi Bayesian, dan inferensi model generatif. Ini kursi yang bertetangga dengan sasaran komputasi kuantum, bedanya dibuat dalam CMOS standar pada suhu ruang.

CN101: demonstrasi silikon dan batasnya

Sebelum CN101, perusahaan menerbitkan pada 2025 di Nature Communications komputer termodinamika eksperimental pertamanya: SPU (Stochastic Processing Unit) dengan delapan sel analog yang dikopel pada papan sirkuit cetak, prototipe yang menunjukkan prinsip AI termodinamika dalam perangkat keras. CN101 adalah implementasi pertama yang membawanya ke chip CMOS digital. Menurut perusahaan, chip ini bisa diproduksi dalam proses standar dan tile-nya bekerja secara asinkron dengan clock lokal.

Spesifikasi CN101 yang dipublikasikan tergolong sederhana: empat tile komputasi, 64 variabel keadaan per tile, masalah 256 dimensi, variabel keadaan 32 bit, dan NoC yang bisa dikonfigurasi ulang antar-tile. Perusahaan secara eksplisit menyebutnya test chip, dengan I/O berkecepatan rendah: tujuannya bukan performa komersial, melainkan memverifikasi bahwa komputasi termodinamika yang bisa diskala benar-benar bekerja di silikon. Chip ini menyasar dua operasi: aljabar linear dan operasi matriks, serta sampling probabilistik dengan teknik diskretisasi milik perusahaan, LRW (Lattice Random Walk). LRW dirancang memberi jaminan konvergensi yang sama seperti Euler-Maruyama, diskretisasi standar persamaan diferensial stokastik, dan perusahaan menyebut makalah terkaitnya telah diterima di npj Unconventional Computing.

Hasil yang perusahaan presentasikan di Hot Chips 2026 adalah sebagai berikut: VAE kondisional (variational autoencoder) menghasilkan digit tulisan tangan MNIST pada satu chip CN101; model flow-matching konvolusional, dengan enam chip berjalan sebagai satu sistem, menghasilkan gambar CIFAR-10 yang cocok dengan implementasi referensi floating-point pada tingkat sekitar 0,06 RMSE per piksel. Pada generasi sedalam 100 lapisan (jaringan 10 lapisan dikali 10 langkah integrasi), eksekusi konkuren, yang merelaksasi seluruh lapisan sekaligus, mencapai kualitas yang sama dengan siklus 62x lebih sedikit dibandingkan eksekusi sekuensial (menurut perusahaan). Versi akademiknya juga mencakup hasil komputasi saintifik seperti estimasi energi bebas alanina dipeptida.

Skalanya harus dibaca dengan jujur. MNIST dan CIFAR-10 adalah benchmark buku teks, bukan workload nyata 2026. Perusahaan sendiri menyebutnya «hasil skala kecil» dan menarik garisnya: yang terverifikasi adalah elemen prinsipnya, yakni transisi keadaan stokastik beroperasi dalam CMOS digital dan bisa dirakit menjadi model generatif yang bekerja. Angka 62x adalah jumlah siklus dalam perbandingan mode eksekusi tertentu, bukan energi. Dan klaim efisiensi energi 1.000x tidak diukur pada chip ini.

Roadmap: apa yang harus dibuktikan CN201 dan CN301

Struktur roadmap ini jelas. Jika CN101 adalah chip yang bertanya «bisakah ini bekerja?», CN201 adalah chip yang bertanya «apakah ini berguna?» dan CN301 adalah chip yang bertanya «apakah ini mengubah permainan?». Dari kacamata investasi, titik baliknya adalah CN201. Jika keunggulan daya pada difusi resolusi tinggi muncul dalam bentuk yang bisa diverifikasi pihak ketiga, komputasi termodinamika akan berpindah dari topik makalah menjadi topik pengadaan; jika tidak, program ini tetap menjadi proyek riset yang panjang.

Keuangan dan pendanaan: makna dipimpin Samsung Catalyst

Dalam cap table ini, yang harus dibaca adalah komposisinya, bukan jumlahnya. Samsung Catalyst Fund adalah dana yang menangani investasi strategis grup Samsung. Penanggung jawabnya, Dede Goldschmidt, menyebut dalam pengumuman investasi potensi platform Normal untuk menghadirkan time-to-market yang lebih cepat bagi pelanggan desain chip yang paling menuntut. Ketika pemimpinnya bukan dana finansial, melainkan calon pelanggan dan pemilik ekosistem, bacaan yang wajar adalah bahwa platform EDA ini dinilai sebagai produk nyata selama due diligence internal Samsung. Fakta bahwa Micron Ventures mengikuti dari seed sampai Seri B mengarah ke arah yang sama: dua perusahaan memori berada di daftar pemegang saham sejak awal.

Dukungan ARIA dari pemerintah Inggris melalui Scaling Compute Programme juga tidak biasa. Sebuah perusahaan AS menerima pendanaan dari program riset berisiko tinggi Inggris, dan direktur programnya mengatakan secara publik bahwa «mengeluarkan silikon CN101 yang bekerja adalah hasil yang luar biasa langka untuk pekerjaan seambisius ini», adalah satu bentuk due diligence teknis yang layak dibaca.

Valuasi tidak dipublikasikan. Dari skala dan tahap putarannya, Normal masih berada di fase «membuktikan pendapatan platform», dan program perangkat keras dibiayai oleh waktu yang dibeli mesin pendapatan itu.

Peta persaingan

Persaingannya dua lapis. Di lapisan EDA, «AI membantu merancang chip» sudah menjadi arah standar industri; perebutannya beralih ke siapa yang lebih dulu memenangkan kepercayaan silikon produksi. Di lapisan perangkat keras, ada rival sesama paradigma, Extropic, dan di belakangnya riset komputasi analog dan probabilistik dari organisasi besar seperti IBM. Kekhasan Normal adalah memegang kedua lapis dalam satu perusahaan dan saling memakainya sebagai bukti.

Perspektif Korea dan perspektif MBA

Dari Korea, perusahaan ini menarik karena tiga alasan. Pertama, pemimpin investasinya adalah dana strategis Samsung, dan perusahaan secara resmi mengumumkan ekspansi di Korea. Peran kantor Korea bisa ditebak, dan pembaca harus membaca paragraf ini sebagai inferensi dari rilis perusahaan, bukan fakta yang diumumkan: berkolaborasi dengan Samsung Foundry, System LSI, dan divisi memori, pelanggan desain dan manufaktur terbesar di dunia, serta merekrut talenta desain dan verifikasi Korea. Kedua, struktur pelanggan Normal EDA. Jika klaim perusahaan «lebih dari separuh top-10» itu benar, daftar tersebut kemungkinan memuat perusahaan Korea. Ketiga, komputasi dalam memori pasca-HBM. Komputasi probabilistik dan PIM (processing in memory) berada di lapisan berbeda, tetapi masalahnya sama: mengurangi pergerakan data dan berhitung lebih dekat ke fisika. Fakta bahwa Micron adalah investor awal tidak terlepas dari irisan ini.

Dari sudut pandang MBA, struktur perusahaan ini sendiri adalah bahan studi kasus. Normal menjalankan model dua mesin. Mesin 1, EDA, menghasilkan pendapatan langganan dan pilot, kredensial akun besar, dan di atas semuanya, «waktu». Mesin 2, chip termodinamika, jika berhasil akan mengubah identitas perusahaan, tetapi probabilitas gagalnya tinggi dan hasilnya butuh bertahun-tahun. Keputusan merancang mesin 2 dengan mesin 1, yaitu menggunakan dogfooding sebagai alat pembuktian, adalah langkah paling cerdik dari struktur ini: jika chip yang dibangun dengan EDA-nya sendiri bekerja di silikon, itu bukti penjualan terkuat bagi EDA; dan alur kerja pelanggan EDA akan memberitahu perusahaan chip apa yang harus dibuat.

Risiko sebaliknya juga berasal dari struktur yang sama. Dua mesin ini punya pasar talenta, siklus penjualan, dan definisi keberhasilan yang berbeda. Pelanggan besar EDA sekaligus adalah wasit yang bersaing bagi roadmap perangkat keras. Dan model ini hanya bekerja jika mesin 1 benar-benar laku. Jika pendapatan EDA berhenti di pilot dan tidak naik ke kontrak formal, perusahaan kembali menjadi organisasi riset yang mahal.

Keberatan dan risiko

• Kefasehan paradigma. Di kalangan peneliti bidang ini beredar analogi bahwa komputasi termodinamika hari ini adalah «komputasi kuantum tahun 1990-an»: prinsipnya sudah ditunjukkan, tetapi skala yang berguna masih jauh. Roadmap perusahaan menjanjikan menutup jarak itu sebelum 2028; bacalah dengan jarak itu dalam pikiran.
• Klaim 1.000x belum terbukti. Efisiensi energi hingga 1.000x adalah target dan klaim perusahaan untuk workload sasaran. Hasil CN101 adalah demonstrasi jumlah siklus dan kualitas generasi skala kecil, bukan perbandingan daya pada workload komersial. Verifikasi independen CN201 akan menjadi ujian pertama yang sesungguhnya.
• Masalah verifikasi chip probabilistik. Chip yang jawabannya adalah distribusi tidak bisa diverifikasi dengan metodologi signoff yang ada. Di atas tumpukan verifikasi yang dibangun di atas jaminan deterministik atas timing dan fungsi, dibutuhkan metodologi baru yang menerima jaminan statistik. Ini risiko bagi perusahaan, dan secara paradoks adalah masalah yang justru harus dijual solusinya oleh EDA-nya sendiri.
• Tidak adanya ekosistem perangkat lunak. Secanggih apa pun sebuah chip, jika tidak berjalan di stack sekelas PyTorch, ia tidak akan laku. Kematangan model pemrograman, kompilator, dan pustaka sama pentingnya dengan silikon, dan lapisan ini adalah yang paling mahal bagi startup.
• Ketergantungan pada roadmap pelanggan. Pendapatan EDA terikat pada jadwal desain segelintir pelanggan besar; keterlambatan program satu pelanggan saja bisa mengguncang satu kuartal.
• Konsumsi modal. Jalan menuju CN301 akan membutuhkan pendanaan besar lagi. Jika runway yang dibangun putaran 2026 habis sebelum hasil CN201 keluar, perusahaan harus kembali ke pasar dengan syarat yang lebih buruk.
• Bundling raksasa. Jika raksasa EDA mulai memasukkan fungsi agentik ke bundle yang ada dengan harga efektif nol, daya tawar harga startup EDA independen akan menyempit dengan cepat.

Linimasa

FAQ

Q: Apa sebenarnya yang dijual Normal Computing? A: Dua hal. Satu adalah Normal EDA, platform desain chip native-AI yang mengubah spesifikasi menjadi model formal dengan auto-formalization dan mengotomatiskan desain dan verifikasi. Yang lain adalah chip komputasi termodinamika program Carnot, tetapi itu belum produk komersial: masih tahap test chip CN101.

Q: Apa itu komputasi termodinamika? A: Pendekatan yang tidak menekan fluktuasi fisik dan noise chip, melainkan memakainya langsung untuk komputasi. Proses relaksasi sistem menuju distribusi kesetimbangannya sendiri menjalankan sampling dan komputasi probabilistik. Perusahaan mengklaim ini menguntungkan workload yang esensinya adalah menarik sampel dari distribusi: model difusi, inferensi Bayesian, dan aljabar linear.

Q: Apakah efisiensi 1.000x sudah terbukti? A: Belum. Angka hingga 1.000x adalah target dan klaim perusahaan untuk workload sasaran. Hasil CN101 yang dipublikasikan hanyalah demonstrasi skala kecil generasi MNIST dan CIFAR-10, serta data perusahaan bahwa eksekusi konkuren memakai siklus 62x lebih sedikit daripada eksekusi sekuensial. Perbandingan daya pada workload skala komersial adalah tugas CN201 dan seterusnya.

Q: Apa beda auto-formalization dengan AI pada EDA yang sudah ada? A: Titik awalnya. AI agentik raksasa EDA menumpuk otomatisasi di atas toolchain mereka. Normal mengklaim terlebih dahulu menerjemahkan spesifikasi menjadi model logika formal dengan LLM, dan menaruh pembuktian kebenaran desain di atas model itu sebagai pusatnya. Cakupan komersialnya saat ini adalah otomatisasi DV dan RTL.

Q: Mengapa Samsung Catalyst Fund berinvestasi? A: Menurut pernyataan resmi, karena potensi platform desain untuk memangkas time-to-market. Penanggung jawab dana itu menyebut potensi Normal menghadirkan time-to-market yang lebih cepat bagi pelanggan desain chip yang paling menuntut. Ditambah rencana ekspansi di Korea yang diumumkan perusahaan, muncul inferensi kemungkinan kolaborasi dengan ekosistem Samsung, meski proyek bersama yang konkret belum diumumkan.

Q: Apakah chip termodinamika akan menggantikan GPU? A: Tidak. Komputasi deterministik yang eksak tetap wilayah perangkat keras digital. Kursi yang dituju chip Carnot adalah akselerator heterogen khusus workload probabilistik, menangani sampling dan inferensi generatif di samping CPU dan GPU.

Fakta dalam artikel ini diverifikasi silang per 22 Oktober 2026 terhadap rilis perusahaan, materi publik Hot Chips 2026, makalah akademik, dan liputan independen. Angka dan status kemitraan yang ditandai «klaim perusahaan» atau «menurut perusahaan» dikutip sebagaimana adanya dari sumbernya. Normal Computing adalah perusahaan tertutup dan tidak mempublikasikan laporan keuangan teraudit. Data yang berbeda antar-sumber atau tidak publik, seperti jumlah karyawan dan jumlah Seri A, dinyatakan sebagaimana adanya di dalam teks.

📩 Berlangganan VLSI Korea

Dapatkan analisis semikonduktor harian kami lebih dulu di email Anda. Berlangganan gratis.

Berlangganan gratis