While Cerebras builds custom AI chips, French startup Kog squeezes performance out of the GPUs enterprises already own. By rewriting low-level software for existing datacenter hardware, Kog eliminates the latency bottlenecks that slow AI workflows.

Challenging the Necessity of Custom AI Silicon

The AI industry has pivoted to purpose-built chips for inference. Kog's CEO, Gaël Delalleau, says the belief that standard GPUs can’t handle decoding is wrong. Modern GPUs—Nvidia H200, AMD MI300X—offer memory bandwidth that current software leaves idle.

Kog’s Kog Inference Engine (KIE) targets "extremely fast single-request decoding," a must-have for real-time apps. In a recent demo the company hit 3,000 tokens per second (TPS) with Laneformer 2B, an open-source 2-billion-parameter model tuned for their stack. The demo uses a small model, but Kog plans to extend those gains to much larger LLMs.

A "Hacker" Approach to GPU Engineering

Unlike hardware-agnostic providers such as ZML, Kog digs deep. The team reverse-engineers GPUs at the assembly and binary levels, treating the silicon as a set of physical laws to master.

That low-level focus extracts every ounce of efficiency, but it costs time. With a lean crew of 11 engineers, Kog spends weeks or months dissecting each new GPU architecture before adding support. The method delivers top-tier performance but limits how quickly Kog can cover new hardware.

Targeting High-Value AI Use Cases

Kog focuses on sectors where latency equals lost revenue:

  • Software engineering: Tools like Claude Code stall for minutes. Kog aims to turn "waiting hours" into near-instant results.
  • Generative app/game design: Prompt-to-app pipelines need rapid iteration to keep users engaged and revenue flowing.

The company’s next milestone is a 10× speedup on its first major large-scale model. Backed by Scaleway, Bpifrance and the French Tech 2030 program, Kog positions itself as a key player in Europe’s AI sovereignty drive.

Key Takeaways

  • Optimization over hardware: Kog pushes the memory bandwidth of Nvidia H200 and AMD MI300X GPUs to the limit with extreme low-level software engineering.
  • Breaking the latency barrier: The startup targets a 30× boost in LLM inference speed for real-time professional workflows such as automated coding and generative design.
  • Deep-level engineering: By adopting a "hacker" mindset, Kog reverse-engineers GPU assembly and binary code to achieve performance that standard stacks cannot reach.

Kog, a French startup, says its Kog Inference Engine aims to run large-language-model (LLM) decoding up to 30 times faster on the same Nvidia H200 or AMD MI300X GPUs that data-center operators already own.

Why the push for speed matters now

LLM inference now throttles products like code-completion assistants, on-the-fly content generators, and interactive game-design tools. In those settings, the gap between a user’s prompt and the model’s reply directly impacts productivity and revenue. High-level APIs such as CUDA leave a large slice of GPU memory bandwidth idle, especially during token-by-token decoding, which dominates real-time use cases.

Kog’s low-level answer

Kog skips conventional software layers and talks straight to the silicon. Its engineers reverse-engineer the GPU at the assembly level, treating the hardware as a set of constraints to obey rather than a black box to abstract. The result is a custom execution path that keeps data flowing through the GPU’s memory pipes at near-full capacity.

In a recent demo the company ran Laneformer 2B—a 2-billion-parameter open-source model tuned for its stack—and reported a high token throughput. The model is modest compared with larger commercial systems, but the speed gain shows what a purpose-built software stack can extract from the same hardware.

The engineering trade-off

The upside comes with a steep cost curve. Kog’s 11-engineer team spends weeks or months dissecting each new GPU architecture before it can be supported. That depth yields high performance on the targeted cards, but it also means Kog cannot instantly add support for every new GPU that hits the market. Customers benefit only if their fleets include the Nvidia H200 or AMD MI300X GPUs Kog has already optimized.

Who stands to gain

  • ソフトウェアエンジニアリングツール – Claude Codeなどのコード生成製品は、モデルがリクエストを処理する間、数分間停止することがよくあります。この待ち時間を数秒に短縮できれば、インタラクティブな開発ははるかにスムーズになります。
  • ジェネレーティブ・デザイン・パイプライン – テキストプロンプトをアプリのプロトタイプやゲームアセットに変換するスタジオには、クリエイターの関心を維持するための迅速なイテレーションが必要です。デコードの高速化はデザインループを短縮し、コンバージョン率を向上させます。

両セクターにおいて、レイテンシはそのまま請求可能な時間の損失や解約に直結するため、30倍のスピードアップは決定的な競争優位性となり得ます。

より広い視点

Kogの戦略は、カスタムAIシリコンを構築するという業界のトレンドに逆行しています。Cerebrasのような企業は、ワットあたりのスループット向上を約束するチップに数十億ドルを投じています。Kogは、今日のGPUにはすでにデコードに十分なメモリ帯域幅があると考えています。欠けているのは、それを実際に活用できるソフトウェアです。もしこの主張が大規模な環境でも成立すれば、開発者は高価なハードウェアのアップグレードを先延ばしにし、ソフトウェアのアップグレードだけでニアリアルタイムの推論を実現できるようになります。

潜在的な課題

  • メンテナンスの負担 – 新しいGPU世代が登場するたびに、新たなリバースエンジニアリングが必要になります。市場が多様化するにつれ、少人数のチームではリソースが不足する可能性があります。
  • より大規模なモデルへのスケーラビリティ – デモでは20億パラメータのモデルが使用されました。同じ手法をより大規模なシステムにスケールさせる際、メモリ容量の限界に突き当たったり、まだ公開されていない追加のエンジニアリング手法が必要になったりする可能性があります。
  • 代替手段 – クラウドプロバイダーは、専用チップとソフトウェアを組み合わせた推論最適化インスタンスをすでに提供しています。一部のワークロードでは、Kogのスタックによるわずかな利得が、マネージドサービスの利便性を上回らない可能性があります。

注視すべき点

  • 初の大規模モデルの展開 – Kogは、次のマイルストーンは「主要な大規模モデル」における10倍のスピードアップであると述べています。20億パラメータのデモとエンタープライズグレードのモデルとの差が、このアプローチの最も明確なテストとなるでしょう。
  • ハードウェアサポートの拡大 – 新しいGPUやその他のアクセラレータへのサポート追加は、低レイヤーのモデルが急速なハードウェアの更新サイクルに追従できるかどうかの指標となります。

まとめ

Kogは、ソフトウェアスタックをゼロから書き直すことで、既存のGPUからより多くの性能を引き出すことが可能であることを示しています。LLMデコードの30倍高速化という約束は、新しいシリコンが登場するたびに必要となる膨大なエンジニアリングの労力を会社が維持できる限り、開発者がAIサービスの価格設定やアーキテクチャを設計する方法を再構築する可能性があります。