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

  • Alat rekayasa perangkat lunak – Produk yang menghasilkan kode, seperti Claude Code, sering kali tertahan selama beberapa menit saat model memproses permintaan. Memangkas waktu tunggu tersebut menjadi beberapa detik saja akan membuat pengembangan interaktif menjadi jauh lebih lancar.
  • Alur kerja desain generatif – Studio yang mengubah prompt tekstual menjadi prototipe aplikasi atau aset game membutuhkan iterasi cepat agar kreator tetap terlibat. Decoding yang lebih cepat memperpendek siklus desain dan meningkatkan tingkat konversi.

Kedua sektor ini menerjemahkan latensi secara langsung menjadi hilangnya jam kerja yang dapat ditagih atau churn, sehingga peningkatan kecepatan 30× dapat menjadi keunggulan kompetitif yang menentukan.

Gambaran yang lebih luas

Strategi Kog bertentangan dengan tren industri dalam membangun silikon AI khusus. Perusahaan seperti Cerebras menggelontorkan miliaran dolar ke dalam chip yang menjanjikan throughput per watt yang lebih tinggi. Kog berpendapat bahwa GPU saat ini sudah memiliki bandwidth memori yang cukup untuk decoding; bagian yang hilang adalah perangkat lunak yang benar-benar dapat menggunakannya. Jika klaim tersebut terbukti dalam skala besar, pengembang dapat menunda pemutakhiran perangkat keras yang mahal dan mengandalkan pemutakhiran perangkat lunak untuk mencapai inferensi yang mendekati waktu nyata (near-real-time).

Hambatan potensial

  • Beban pemeliharaan – Setiap generasi GPU baru akan memerlukan rekayasa balik (reverse-engineering) yang baru. Seiring diversifikasi pasar, tim kecil tersebut bisa kewalahan.
  • Skalabilitas ke model yang lebih besar – Demo tersebut menggunakan model dengan 2 miliar parameter. Menskalakan teknik yang sama ke sistem yang jauh lebih besar mungkin akan membentur batas kapasitas memori atau membutuhkan trik rekayasa tambahan yang belum diungkapkan.
  • Jalur alternatif – Penyedia cloud sudah menawarkan instance yang dioptimalkan untuk inferensi yang menggabungkan chip khusus dan perangkat lunak. Untuk beberapa beban kerja, keuntungan marjinal dari stack Kog mungkin tidak sebanding dengan kenyamanan layanan terkelola (managed service).

Hal yang perlu diperhatikan

  • Peluncuran model besar pertama – Kog mengatakan tonggak pencapaian berikutnya adalah peningkatan kecepatan 10× pada “model skala besar utama.” Kesenjangan antara demo 2 miliar parameter dan model kelas perusahaan akan menjadi pengujian terjelas bagi pendekatan ini.
  • Ekspansi dukungan perangkat keras – Menambahkan dukungan untuk GPU yang lebih baru atau akselerator lainnya akan memberi sinyal apakah model tingkat rendah (low-level) tersebut dapat mengimbangi ritme perangkat keras yang cepat.

Kesimpulan

Kog menunjukkan bahwa memeras lebih banyak kinerja dari GPU yang ada adalah hal yang mungkin dilakukan jika Anda menulis ulang stack perangkat lunak dari nol. Janji decoding LLM yang 30× lebih cepat dapat membentuk kembali cara pengembang menetapkan harga dan merancang arsitektur layanan AI—asalkan perusahaan dapat mempertahankan upaya rekayasa intensif yang diperlukan untuk setiap silikon baru.