Normal Computing em profundidade: a EDA com IA e o chip termodinâmico CN101 dos ex-Google, com US$ 85 milhões e a Samsung Catalyst

Resumo em 30 segundos

• A Normal Computing não suprime o ruído: ela usa o ruído para computar. Um chip convencional gasta energia suprimindo as flutuações e o ruído térmico dos transistores para manter zeros e uns determinísticos. A arquitetura Carnot da empresa faz o oposto: deixa a dinâmica de um sistema físico que relaxa até o equilíbrio executar o cómputo probabilístico, e a resposta sai da amostragem de uma distribuição. A empresa chama isso de ASIC baseado em física.
• O motor de receita é a EDA, não o chip. A Normal EDA é uma plataforma de projeto de chips nativa de IA cujo núcleo é a auto-formalização: combina modelos de linguagem com lógica formal para transformar especificações em modelos formais e automatizar projeto e verificação. Segundo a empresa, mais da metade das dez maiores empresas de semicondutores por receita são parceiras, e a meta imediata é levar o silício personalizado ao mercado duas vezes mais rápido.
• A demonstração em silício é real, mas pequena. O CN101, com tape-out em julho de 2025, é um chip de teste em CMOS digital que a empresa chama de «o primeiro chip de computação termodinâmica do mundo». Os resultados publicados na Hot Chips 2026 são geração de dígitos manuscritos MNIST em um único chip e geração de imagens CIFAR-10 com seis chips. A própria empresa os descreve como «resultados em pequena escala».
• O número de 1.000x é roteiro, não medição. A eficiência energética de até 1.000x citada pela empresa é uma meta para cargas de trabalho alvo: não foi verificada por terceiros nem medida num produto comercial. O CN201 (2026) e o CN301 (fim de 2027-início de 2028) são os chips que terão de prová-la.
• O fundo estratégico da Samsung liderou a rodada. Em março de 2026, a Samsung Catalyst Fund liderou uma rodada de US$ 50 milhões que levou o total captado a mais de US$ 85 milhões, e a empresa anunciou oficialmente planos de expansão na Coreia.

Perfil da empresa

História: da IA probabilística aos semicondutores

A Normal Computing nasceu em 2022 em Nova York. Seus fundadores, Faris Sbahi, Matthias Tan e Antonio Martinez, eram engenheiros que haviam construído sistemas de IA em larga escala no Google Brain, no Google X e na Palantir. A primeira bandeira que a empresa levantou no início de 2023 não foi a dos semicondutores, mas a da «IA probabilística»: controlar as alucinações da IA generativa com modelos de probabilidade. A rodada seed de US$ 8,5 milhões fechada em janeiro de 2023 (coliderada por Celesta Capital e First Spark Ventures, com participação da Micron Ventures) foi contada nessa direção.

Mas, ao mesmo tempo, a empresa já plantava uma segunda semente. O artigo de início de 2023 «Thermodynamic AI and the Fluctuation Frontier» agrupou modelos de difusão, redes neurais bayesianas, métodos de Monte Carlo e recozimento simulado numa única classe de cómputo probabilístico, e propôs um hardware de probabilidade capaz de acelerá-la por inteiro. Depois disso, o centro de gravidade da companhia deslocou-se rápido para os semicondutores. Por um motivo prático: o projeto de chips é a indústria que mais precisa de computação probabilística e a que mais paga pelo erro; uma re-spin custa dezenas de milhões.

A lógica da virada é esta. Projetar um chip é decidir sob incerteza: as especificações são incompletas, a verificação não termina nunca e a taxa de sucesso do primeiro silício é baixa. Colocar IA nesse processo exige que a saída dela seja demonstrável; não se pode confiar o silício de produção a um assistente que não se pode verificar. Por isso a resposta da empresa foi uni-la a métodos formais: a auto-formalização. E não só ajudar os chips dos outros com a sua ferramenta: projetar diretamente o tipo de chip que a EDA tradicional pior maneja, o seu próprio chip termodinâmico, e transformá-lo na prova viva da ferramenta.

Anatomia da Normal EDA: o que é a auto-formalização

A auto-formalização, o conceito central da Normal EDA, é um termo da fronteira da pesquisa em IA: originalmente refere-se a traduzir teoremas matemáticos da linguagem natural para linguagens formais. A empresa o transplanta para o projeto de semicondutores: um LLM lê especificações em formatos diversos, de documentos de arquitetura a descrições de microarquitetura, tabelas-verdade e diagramas de temporização, e converte sua intenção num modelo de lógica formal. Quando o projeto vira um modelo formal, a pergunta muda: se ele cumpre a especificação deixa de ser uma questão de «parece razoável» e vira questão de demonstração.

Combinando o que a empresa expôs, a plataforma opera em quatro etapas. Primeiro, aprende por completo as especificações e os ativos de verificação da equipe e constrói uma representação interna da intenção e dos objetivos. Segundo, interpreta de forma multimodal entradas não textuais, como diagramas de temporização e imagens de formas de onda, e deriva estímulos e checagens automaticamente. Terceiro, gera e otimiza o projeto sobre o modelo formal enquanto demonstra sua correção, e continua aprendendo. Quarto, para lacunas e ambiguidades da especificação, infere o comportamento provável, propõe testes e um engenheiro aprova ou corrige: um human-in-the-loop. O escopo comercial atual é a automação de DV (verificação de projeto) e RTL, e a empresa fala em expandi-lo para o projeto de ponta a ponta e para fluxos de silício não convencional.

O ponto de colisão com a EDA existente é claro. A EDA agêntica da Synopsys e da Cadence também introduz agentes de LLM no fluxo de projeto, mas o seu ponto de partida é automatizar sobre cadeias de ferramentas acumuladas por décadas. A alegação da empresa é que a sua ordem é a inversa: pôr no centro o modelo formal demonstrável, com a IA trabalhando em volta dele. E, de forma coerente com uma companhia cujo núcleo é a verificação, ela é membro fundadora da coalizão de benchmarking de LLM do Si2 (Silicon Integration Initiative), participando dos padrões de avaliação da EDA com IA.

Também é preciso dizer os limites com honestidade. Os nomes dos parceiros não foram revelados, e o número de «mais da metade do top-10» é da própria empresa. Entre a meta de encurtar o ciclo de projeto de anos para meses e a fala atual do CEO, «2x mais rápido hoje», ainda há um trecho. Mas o fato de a PitchBook classificar a empresa como geradora de receita, e de a Samsung Catalyst ter liderado após a sua due diligence, lê-se como um sinal indireto de que a plataforma ultrapassou pelo menos a fase dos pilotos gratuitos.

Princípio da computação termodinâmica: os três custos do determinismo

Para entender o programa Carnot, é preciso começar pelo que a probabilidade custa a um chip convencional. O enquadramento que a empresa e a sua equipe fundadora repetem em publicações é que «o determinismo é faturado três vezes».

Primeiro, o custo de suprimir. Transistores flutuam por natureza. Um circuito digital mantém zeros e uns estáveis ao preço de margens de ruído e supressão de erros, e esse preço é energia. Segundo, o custo de gerar. Algoritmos probabilísticos como os modelos de difusão precisam de um termo de ruído; uma máquina determinística o imita da forma mais cara: geração de aleatoriedade em software. Terceiro, o custo de sincronizar. A sincronização lockstep, desnecessária para a semântica probabilística, consome energia e latência.

A computação termodinâmica recusa as três faturas. Em vez de suprimir a flutuação, a dissipação e a estocasticidade do sistema físico, ela as usa: o processo pelo qual o sistema relaxa até a sua distribuição de equilíbrio ao longo de uma paisagem energética é o cómputo. Para problemas cuja resposta é a amostragem, em que extrair amostras de uma distribuição de probabilidade é o trabalho em si, esse enfoque é barato em princípio. É simbólico que a equação governante da difusão termine num termo de ruído branco: o ruído de que o algoritmo precisa pode vir do ruído que o hardware já tem.

A posição precisa ser fixada com precisão. Este chip não é um substituto da GPU. O cómputo determinístico exato, como contabilidade ou sistemas operacionais, continuará sendo domínio do hardware digital. O que o Carnot busca é o assento de acelerador heterogéneo para cargas de trabalho essencialmente probabilísticas: amostragem, álgebra linear, inferência bayesiana e inferência de modelos generativos. É o assento vizinho ao que a computação quântica mira, com a diferença de ser fabricado em CMOS padrão à temperatura ambiente.

CN101: a demonstração em silício e os seus limites

Antes do CN101, a empresa publicou em 2025 na Nature Communications o seu primeiro computador termodinâmico experimental: uma SPU (Stochastic Processing Unit) com oito células analógicas acopladas numa placa de circuito impresso, um protótipo que demonstrou em hardware os princípios da IA termodinâmica. O CN101 é a primeira implementação que leva isso a um chip CMOS digital. Segundo a empresa, ele pode ser fabricado em processos padrão e os seus tiles funcionam de forma assíncrona com relógios locais.

As especificações publicadas do CN101 são modestas: quatro tiles de cómputo, 64 variáveis de estado por tile, problemas de 256 dimensões, variáveis de estado de 32 bits e uma NoC reconfigurável entre tiles. A empresa o declara explicitamente um chip de teste, com E/S de baixa velocidade: a sua finalidade não é desempenho comercial, e sim verificar que a computação termodinâmica escalável funciona em silício. Ele mira duas operações: álgebra linear e operações matriciais, e amostragem probabilística com a sua técnica própria de discretização, a LRW (Lattice Random Walk). A LRW foi projetada para oferecer as mesmas garantias de convergência do Euler-Maruyama, a discretização padrão das equações diferenciais estocásticas, e a empresa diz que o artigo correspondente foi aceito na npj Unconventional Computing.

Os resultados que a empresa apresentou na Hot Chips 2026 são os seguintes: um VAE condicional (autoencoder variacional) gerou dígitos manuscritos MNIST num único chip CN101; um modelo convolucional de flow-matching, com seis chips a funcionar como um único sistema, gerou imagens CIFAR-10 em concordância com uma implementação de referência em ponto flutuante, a um nível de cerca de 0,06 de RMSE por pixel. Numa geração de profundidade 100 (uma rede de 10 camadas por 10 passos de integração), a execução concorrente, que relaxa todas as camadas ao mesmo tempo, atingiu a mesma qualidade com 62x menos ciclos do que a execução sequencial (segundo a empresa). A versão acadêmica inclui ainda resultados de computação científica, como a estimativa de energia livre da alanina dipeptídeo.

A escala deve ser lida com honestidade. MNIST e CIFAR-10 são benchmarks de livro-texto, não cargas de trabalho reais de 2026. A própria empresa os chama de «resultados em pequena escala» e traça a linha: o que foi verificado são os elementos do princípio, que as transições de estado estocásticas operam em CMOS digital e podem ser montadas num modelo generativo funcional. O número de 62x são ciclos numa comparação de modos de execução específicos, não energia. E a alegação de eficiência energética de 1.000x não foi medida neste chip.

Roteiro: o que o CN201 e o CN301 precisam provar

A estrutura do roteiro é clara. Se o CN101 é o chip que pergunta «pode funcionar?», o CN201 é o que pergunta «é útil?» e o CN301 o que pergunta «muda o jogo?». Pela ótica do investimento, o ponto de inflexão é o CN201. Se a vantagem de potência na difusão em alta resolução aparecer de forma verificável por terceiros, a computação termodinâmica passará de tema de artigo a tema de compras; se não aparecer, o programa continuará a ser um longo projeto de pesquisa.

Finanças e financiamento: o que significa a Samsung Catalyst liderar

Nesta tabela de capital, o que deve ser lido é a composição, mais do que o valor. A Samsung Catalyst Fund é o fundo responsável pelo investimento estratégico do grupo Samsung. A sua responsável, Dede Goldschmidt, mencionou no anúncio o potencial da plataforma da Normal de oferecer uma chegada ao mercado mais rápida aos clientes de projeto de chips mais exigentes. Quando quem lidera não é um fundo financeiro, mas um cliente potencial e o dono do ecossistema, a leitura razoável é que a plataforma de EDA foi avaliada como produto real durante a due diligence interna da Samsung. O fato de a Micron Ventures acompanhar desde o seed até a Série B vai na mesma direção: duas empresas de memória estão na lista de acionistas desde cedo.

Também é singular o apoio da ARIA do governo do Reino Unido através do seu Scaling Compute Programme. Que uma companhia americana receba financiamento do programa britânico de pesquisa de alto risco, e que a diretora do programa tenha dito publicamente que «tirar silício funcional do CN101 é um resultado excepcionalmente raro para um trabalho tão ambicioso», é uma forma de due diligence técnica que merece ser lida.

O valuation não é público. Pela escala e pela etapa das rodadas, a Normal ainda está na fase de «provar receita da plataforma», e o programa de hardware é financiado pelo tempo que esse motor de receita compra.

Mapa da concorrência

A concorrência tem dois níveis. Na camada de EDA, «a IA ajuda a projetar chips» já é direção padrão da indústria; o jogo passa a ser quem ganha primeiro a confiança do silício de produção. Na camada de hardware, há um rival do mesmo paradigma, a Extropic, e atrás dela a pesquisa de computação analógica e probabilística de grandes organizações como a IBM. O que a Normal tem de próprio é ter as duas camadas numa única companhia e usá-las como prova uma da outra.

Perspectiva coreana e perspectiva MBA

Da Coreia, a empresa é interessante por três motivos. Primeiro, quem liderou o investimento é o fundo estratégico da Samsung, e a empresa anunciou oficialmente a sua expansão na Coreia. O papel de um escritório coreano é previsível, e o leitor deve tomar este parágrafo como inferência a partir do comunicado, não como fato anunciado: colaborar com Samsung Foundry, System LSI e a divisão de memória, os maiores clientes de projeto e fabricação do mundo, e contratar talento coreano de projeto e verificação. Segundo, a estrutura de clientes da Normal EDA. Se a afirmação da empresa de «mais da metade do top-10» for verdade, é provável que haja empresas coreanas nessa lista. Terceiro, a computação em memória depois da HBM. A computação probabilística e a PIM (processamento em memória) estão em camadas distintas, mas o problema é o mesmo: reduzir a movimentação de dados e computar mais perto da física. O fato de a Micron ser investidora desde cedo não é estranho a essa interseção.

Pela ótica de um MBA, a própria estrutura da companhia é material de caso. A Normal roda um modelo de dois motores. O motor 1, a EDA, fabrica receita de assinatura e pilotos, credenciais com grandes clientes e, acima de tudo, «tempo». O motor 2, o chip termodinâmico, se funcionar muda a identidade da companhia, mas tem alta probabilidade de fracasso e anos até o retorno. A decisão de projetar o motor 2 com o motor 1, isto é, usar o dogfooding como aparelho de demonstração, é a jogada mais fina desta estrutura: se o chip construído com a sua própria EDA funciona em silício, é a prova de vendas mais forte para a EDA; e os fluxos de trabalho dos clientes da EDA dirão à companhia que chip ela deve fabricar.

O risco inverso também vem da estrutura. Os dois motores têm mercados de talento, ciclos de venda e definições de sucesso distintos. Os grandes clientes da EDA são, ao mesmo tempo, árbitros concorrentes do roteiro de hardware. E este modelo só funciona se o motor 1 realmente vender. Se a receita da EDA ficar nos pilotos e não chegar a contratos formais, a companhia volta a ser uma organização de pesquisa cara.

Contrapontos e riscos

• A juventude do paradigma. Entre os pesquisadores do campo circula a analogia de que a computação termodinâmica de hoje é «a computação quântica dos anos 1990»: o princípio está demonstrado, mas a escala útil está longe. O roteiro da empresa promete fechar essa distância antes de 2028; deve ser lido com essa distância em mente.
• A alegação de 1.000x não está verificada. A eficiência energética de até 1.000x é uma meta e uma afirmação da empresa para cargas de trabalho alvo. Os resultados do CN101 são uma demonstração de contagem de ciclos e de qualidade de geração em pequena escala, não uma comparação de potência em cargas comerciais. A verificação independente do CN201 será o primeiro teste real.
• O problema de verificação do chip probabilístico. Um chip cuja resposta é uma distribuição não pode ser verificado com as metodologias de signoff existentes. Sobre a pilha de verificação construída sobre garantias determinísticas de temporização e função, é necessária uma nova metodologia que aceite garantias estatísticas. É um risco para a empresa e, paradoxalmente, o problema cuja solução a sua própria EDA precisa vender.
• Falta de ecossistema de software. Por mais eficiente que seja um chip, se não rodar sobre um stack no nível do PyTorch, ele não vende. A maturidade do modelo de programação, do compilador e das bibliotecas importa tanto quanto o silício, e essa camada é a mais cara para uma startup.
• Dependência do roteiro dos clientes. A receita da EDA está atada aos calendários de projeto de poucos grandes clientes; o atraso do programa de um só pode mexer com um trimestre.
• Consumo de capital. O caminho até o CN301 exigirá mais financiamento em grande escala. Se a pista construída pela rodada de 2026 se esgotar antes de saírem os resultados do CN201, a companhia terá de voltar ao mercado em piores condições.
• O bundling dos gigantes. Se os gigantes da EDA começarem a incluir funções agênticas nos seus bundles existentes a preço efetivamente zero, o poder de preço de uma startup de EDA independente encolhe rápido.

Cronologia

FAQ

Q: O que a Normal Computing vende, exatamente? A: Vende duas coisas. Uma é a Normal EDA, uma plataforma de projeto de chips nativa de IA que transforma especificações em modelos formais com auto-formalização e automatiza projeto e verificação. A outra são os chips de computação termodinâmica do programa Carnot, mas eles ainda não são um produto comercial: estão na fase do chip de teste CN101.

Q: O que é computação termodinâmica? A: Uma abordagem que não suprime a flutuação física nem o ruído do chip, e sim os usa diretamente para computar. O processo pelo qual o sistema relaxa até a sua distribuição de equilíbrio executa a amostragem e o cómputo probabilístico. A empresa alega que isso favorece cargas em que extrair amostras de uma distribuição é a essência: modelos de difusão, inferência bayesiana e álgebra linear.

Q: A eficiência de 1.000x está verificada? A: Não. O fator de até 1.000x é uma meta e uma afirmação da empresa para cargas de trabalho alvo. Os resultados publicados do CN101 são uma demonstração em pequena escala de geração MNIST e CIFAR-10 e o dado de que a execução concorrente usou 62x menos ciclos do que a sequencial. A comparação de potência em cargas comerciais é tarefa do CN201 em diante.

Q: Em que a auto-formalização difere da IA das EDAs existentes? A: No ponto de partida. A IA agêntica dos gigantes da EDA empilha automação sobre a sua cadeia de ferramentas. A Normal alega que primeiro traduz a especificação para um modelo de lógica formal com um LLM e põe no centro a demonstração da correção do projeto sobre esse modelo. O seu escopo comercial atual é a automação de DV e RTL.

Q: Por que a Samsung Catalyst Fund investiu? A: Segundo a declaração oficial, pelo potencial da plataforma de projeto de encurtar o time-to-market. A responsável do fundo mencionou o potencial da Normal de oferecer uma chegada ao mercado mais rápida aos clientes de projeto de chips mais exigentes. Somado ao plano de expansão na Coreia anunciado pela empresa, infere-se uma possível colaboração com o ecossistema Samsung, embora nenhum projeto conjunto concreto tenha sido anunciado.

Q: O chip termodinâmico vai substituir a GPU? A: Não. O cómputo determinístico exato continuará sendo domínio do hardware digital. O assento que o chip Carnot busca é o de acelerador heterogéneo especializado em cargas probabilísticas, cuidando da amostragem e da inferência generativa ao lado da CPU e da GPU.

Os fatos deste artigo foram conferidos em 22 de outubro de 2026 com comunicados da empresa, materiais públicos da Hot Chips 2026, artigos acadêmicos e imprensa independente. Os números e o estado dos parceiros marcados como «afirmação da empresa» ou «segundo a empresa» são citados tal qual vêm da sua fonte. A Normal Computing é uma empresa privada e não publica demonstrações financeiras auditadas. Dados que variam por fonte ou não são públicos, como o número de funcionários ou o valor da Série A, são indicados como tal no texto.

📩 Assine a newsletter da VLSI Korea

Receba primeiro no seu e-mail as nossas análises diárias de semicondutores. Assinatura gratuita.

Assinar grátis