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

  • เครื่องมือด้านวิศวกรรมซอฟต์แวร์ – ผลิตภัณฑ์ที่สร้างโค้ด เช่น Claude Code มักจะหยุดชะงักเป็นเวลาหลายนาทีในขณะที่โมเดลกำลังประมวลผลคำขอ การลดระยะเวลาการรอลงเหลือเพียงไม่กี่วินาทีจะช่วยให้การพัฒนาแบบโต้ตอบมีความลื่นไหลมากขึ้นอย่างมาก
  • กระบวนการออกแบบเชิงสร้างสรรค์ (Generative design pipelines) – สตูดิโอที่เปลี่ยนข้อความสั่งการ (textual prompts) ให้เป็นต้นแบบแอปหรือสินทรัพย์ในเกม (game assets) จำเป็นต้องมีการทำงานซ้ำที่รวดเร็วเพื่อให้ผู้สร้างยังคงมีส่วนร่วม การถอดรหัส (decoding) ที่เร็วขึ้นจะช่วยลดวงจรการออกแบบและเพิ่มอัตราการเปลี่ยนเป็นลูกค้า (conversion rates)

ทั้งสองภาคส่วนนี้ส่งผลให้ความหน่วง (latency) กลายเป็นชั่วโมงการทำงานที่สูญเสียไปหรือการเลิกใช้งาน (churn) โดยตรง ดังนั้นการเพิ่มความเร็วขึ้น 30 เท่าจึงอาจเป็นข้อได้เปรียบทางการแข่งขันที่ตัดสินผลแพ้ชนะได้

ภาพรวมที่กว้างขึ้น

กลยุทธ์ของ Kog นั้นสวนทางกับแนวโน้มของอุตสาหกรรมในการสร้างชิป AI เฉพาะทาง (custom AI silicon) บริษัทอย่าง Cerebras ทุ่มเงินหลายพันล้านดอลลาร์ไปกับชิปที่สัญญาว่าจะให้ปริมาณงาน (throughput) ต่อวัตต์ที่สูงขึ้น แต่ Kog แย้งว่า GPU ในปัจจุบันมีแบนด์วิดท์หน่วยความจำ (memory bandwidth) เพียงพอสำหรับการถอดรหัสอยู่แล้ว สิ่งที่ขาดหายไปคือซอฟต์แวร์ที่สามารถใช้งานมันได้อย่างแท้จริง หากข้ออ้างนี้เป็นจริงในระดับสเกล นักพัฒนาอาจสามารถชะลอการอัปเกรดฮาร์ดแวร์ที่มีราคาแพง และหันมาพึ่งพาการอัปเกรดซอฟต์แวร์เพื่อให้ได้การอนุมาน (inference) ที่ใกล้เคียงกับเวลาจริง (near-real-time) แทน

อุปสรรคที่อาจเกิดขึ้น

  • ภาระในการบำรุงรักษา – GPU รุ่นใหม่ทุกรุ่นจะต้องมีการทำวิศวกรรมย้อนกลับ (reverse-engineering) ใหม่เสมอ เมื่อตลาดมีความหลากหลายมากขึ้น ทีมงานขนาดเล็กอาจต้องรับภาระหนักจนเกินกำลัง
  • ความสามารถในการขยายขนาดไปยังโมเดลที่ใหญ่ขึ้น – การสาธิตใช้โมเดลขนาด 2 พันล้านพารามิเตอร์ (2B-parameter model) การขยายเทคนิคเดียวกันนี้ไปยังระบบที่ใหญ่กว่ามากอาจติดข้อจำกัดด้านความจุหน่วยความจำ หรือต้องการเทคนิคทางวิศวกรรมเพิ่มเติมที่ยังไม่ได้เปิดเผย
  • เส้นทางทางเลือกอื่น – ผู้ให้บริการคลาวด์มีการนำเสนออินสแตนซ์ที่ปรับแต่งมาเพื่อการอนุมาน (inference-optimized instances) ซึ่งรวมชิปเฉพาะทางและซอฟต์แวร์เข้าไว้ด้วยกัน สำหรับเวิร์กโหลดบางประเภท ผลประโยชน์ส่วนเพิ่มจากสแต็ก (stack) ของ Kog อาจไม่คุ้มค่ากับความสะดวกสบายของการใช้บริการแบบจัดการให้ (managed service)

สิ่งที่ต้องจับตามอง

  • การเปิดตัวโมเดลขนาดใหญ่ครั้งแรก – Kog กล่าวว่าก้าวสำคัญต่อไปคือการเพิ่มความเร็ว 10 เท่าใน "โมเดลขนาดใหญ่ระดับหลัก" (major large-scale model) ช่องว่างระหว่างการสาธิตโมเดล 2B กับโมเดลระดับองค์กร (enterprise-grade model) จะเป็นบททดสอบที่ชัดเจนที่สุดของแนวทางนี้
  • การขยายการรองรับฮาร์ดแวร์ – การเพิ่มการรองรับ GPU รุ่นใหม่หรือตัวเร่งความเร็ว (accelerators) อื่นๆ จะเป็นสัญญาณบ่งบอกว่าโมเดลระดับต่ำ (low-level model) จะสามารถก้าวทันจังหวะการเปลี่ยนแปลงที่รวดเร็วของฮาร์ดแวร์ได้หรือไม่

บทสรุป

Kog แสดงให้เห็นว่าการรีดประสิทธิภาพการทำงานจาก GPU ที่มีอยู่เดิมให้มากขึ้นนั้นเป็นไปได้ หากคุณเขียนสแต็กซอฟต์แวร์ใหม่ตั้งแต่ต้น คำมั่นสัญญาเรื่องการถอดรหัส LLM ที่เร็วขึ้น 30 เท่าอาจเปลี่ยนรูปแบบการตั้งราคาและการวางโครงสร้างบริการ AI ของนักพัฒนา—ตราบใดที่บริษัทสามารถรักษาความพยายามทางวิศวกรรมอย่างหนักที่จำเป็นสำหรับชิปแต่ละรุ่นใหม่ๆ ได้