Od kopilota k agentovi, který řídí celý cyklus

Elektronická automatizace návrhu, známá jako EDA, tradičně spoléhá na nástroje pro syntézu, simulaci, formální verifikaci, umístění a propojování prvků nebo časovou analýzu. Inženýr určí postup, spustí jednotlivé nástroje, projde výsledky a podle nich upraví návrh.

Agentní EDA přidává nad tuto sadu nástrojů plánovací a koordinační vrstvu. Typický cyklus vypadá takto:

1. agent interpretuje cíl návrhu nebo nalezenou chybu;
2. rozdělí úkol na dílčí kroky a vybere vhodné nástroje;
3. vytvoří nebo upraví RTL, omezení, testy či konfiguraci;
4. spustí deterministickou simulaci, formální kontrolu nebo fyzikální analýzu;
5. přečte metriky, protokoly, průběhy signálů či protipříklady;
6. navrhne další změnu a celý postup zopakuje.

Výzkum agentní podpory fyzického návrhu popisuje velmi podobný princip: systém interpretuje přirozeným jazykem zadané cíle, volá nástroje EDA, analyzuje jejich výstupy, mění konfiguraci nebo zdrojový kód a iteruje podle naměřené kvality výsledku. 1

Rozdíl oproti kopilotovi je zásadní. Kopilot obvykle doporučí další krok. Agent může převzít delší řetězec činností, stále však zůstává omezený definovanými cíli, odbornými nástroji a kontrolami.

Tři různé cesty k autonomnímu návrhu

Synopsys: AgentEngineer a žebříček autonomie L1–L5

Synopsys představuje vývoj autonomie pomocí vlastního rámce L1 až L5. Má jít o postup od asistence a řízené automatizace k samostatnějším pracovním tokům, které časem pokryjí více oblastí návrhu. Protože nejde o průmyslový standard ani certifikační systém, je vhodné chápat jednotlivé úrovně jako interní roadmapu společnosti.

Praktickým centrem strategie je AgentEngineer. Orchestrátor v tomto systému rozloží verifikační cíl na menší úkoly, koordinuje specializované agenty, volá nástroje EDA, kontroluje výsledky a pokračuje v uzavřené smyčce. Synopsys a NVIDIA jej popsaly jako autonomní, dlouhodobě běžící pracovní tok pro návrh čipů a elektronických systémů. 314

Synopsys zdůrazňuje autonomní verifikaci, hledání kořenové příčiny problémů a uzavírání procesu ladění. Podle firemních demonstrací může být čas k ověřenému RTL až 50krát kratší a pokrytí se může zvýšit o 20 procent. Jde však o údaje uváděné výrobcem, nikoli o nezávislý benchmark. 19

Samostatný pracovní tok vytvořený se službou Microsoft Discovery podle předběžného vyhodnocení zkrátil cyklus ladění o 25 až 40 procent. Ani tento výsledek nelze automaticky zobecnit na produkční nasazení. 17

Od RTL až k tepelné simulaci

Synopsys nechce zůstat pouze u digitální logiky. Na DAC představila také agentní postupy pro fyzikálně náročné úlohy elektronických systémů, například tepelnou simulaci. Agent může pomoci simulaci připravit, spustit, vyhodnotit výsledek a následně pracovní tok upravit. Díky portfoliu Ansys tak společnost staví příběh „od křemíku k systémům“, nikoli jen od RTL k návrhu GDS. 1417

Výhodou této strategie je šíře. Pokud stejná koordinační vrstva zvládne verifikaci i systémovou fyziku, může Synopsys prezentovat agentní EDA jako souvislé inženýrské prostředí namísto množiny izolovaných asistentů.

Cadence: specializovaní agenti a trvalý kontext návrhu

Cadence volí jiný přístup. Veřejná prezentace stojí na hierarchii specializovaných agentů, které řídí vyšší AI „superagent“, spojovaný především s platformou ChipStack AI Super Agent a v některých materiálech také s názvem AgentStack. Označení AuraStack není v dostupných podkladech konzistentně potvrzeno, proto jsou bezpečnější právě názvy ChipStack AI Super Agent a AgentStack. 218

Nejvýraznějším konceptem Cadence je Mental Model. Agent se nemá opírat pouze o aktuální zadání, ale uchovávat strukturovaný kontext konkrétního projektu: jeho omezení, historii, záměr a předchozí rozhodnutí.

U návrhu čipů je to důležité. Změna, která lokálně vypadá rozumně, může porušit časový rozpočet, požadavky na pouzdro, energetický limit nebo dřívější architektonické rozhodnutí. Trvalý kontext má agentovi pomoci vnímat návrh jako propojený systém, nikoli jako sérii izolovaných dotazů.

Cadence současně zdůrazňuje zrychlení multiphysikálních výpočtů. Agentní návrh má zohledňovat elektrické, tepelné, mechanické i proudové vlivy, aby bylo možné rozhodnutí hodnotit podle dopadů na celý systém, nejen podle digitálních metrik. 1718

Strategie Cadence tedy stojí na architektonické úplnosti a kontextu: cílem není automatizovat jedinou fázi, ale vytvořit agenta, který rozumí návrhu a jeho vzájemně provázaným omezením.

Siemens: důvěra díky vlastnímu ověřování

Siemens EDA odlišuje svůj Fuse EDA AI Agent důrazem na důvěryhodnost. Základní myšlenkou je smyčka, v níž se každý návrh akce ověřuje deterministickými, fyzikálně založenými enginy Siemensu ještě předtím, než může pracovní tok pokračovat. 221

Fuse využívá škálovatelnou architekturu Model Context Protocol (MCP). MCP poskytuje společný způsob propojení koordinační vrstvy s nástroji a technickými informacemi napříč oblastmi, jako jsou RTL, verifikace, analogový a custom návrh, place-and-route nebo fyzický sign-off. 2

Tento přístup řeší jedno z hlavních rizik autonomního inženýrství: jazykový model může vytvořit přesvědčivý, ale fyzicky neplatný plán. V samoověřovacím pracovním toku je rozhodující kontrola doménového nástroje. Pokud časování, geometrie, fyzika nebo jiná formální podmínka navržený krok odmítne, agent může využít důkaz k úpravě svého plánu.

Siemens vidí příležitost také v širším digitálním vlákně. Agentní systém může propojovat rozhodnutí v návrhu s plánováním výroby a řízením dodavatelského řetězce. Rozdílem proto není jen autonomie, ale autonomie omezená průmyslovými důkazy a navazující realizací.

NVIDIA dodává společnou infrastrukturu

NVIDIA nevstupuje do EDA jako běžný konkurent zavedených výrobců. Dodává však několik vrstev, na nichž se nová agentní architektura může stavět. Zároveň tím vzniká potenciální závislost na společné hardwarové a softwarové platformě.

NVIDIA investovala do Synopsys 2 miliardy dolarů v rámci rozšířeného víceletého partnerství zaměřeného na AI podporované inženýrství a akcelerované pracovní úlohy EDA. 13

Její role zahrnuje několik oblastí:

• Akcelerované výpočty: platforma Grace Blackwell podporuje simulace a inference. Synopsys uvedla, že inference mikroslužby NVIDIA NIM přinesly jejímu generativnímu kopilotovi dvojnásobně rychlejší přístup k informacím. NVIDIA zase uvádí u jednoho případu aerodynamické simulace Fluent zrychlení 34× oproti CPU. Nejde o univerzální benchmarky EDA. 1516
• Modely a orchestrace: pracovní tok Synopsys na DAC využil model Nemotron, NVIDIA Agent Toolkit a runtime OpenShell pro spouštění agentů a správu pravidel. 314
• Akcelerace fyziky: knihovny CUDA-X a PhysicsNeMo mají podporovat simulačně náročné inženýrské úlohy. 2
• Výkon CPU: procesor Vera cílí na výpočetně náročné a sekvenční části, které zůstávají důležité i v konvenčním EDA. NVIDIA spolupracuje s Cadence a Synopsys na optimalizaci aplikací; uváděné testy ukázaly přibližně 1,5násobný výkon u Cadence Jasper a Synopsys VCS. I tato čísla pocházejí od výrobců. 45

Vzniká tak vícevrstvá soutěž. EDA firmy vlastní databáze návrhů, doménové nástroje a sign-off procesy, zatímco NVIDIA dodává výpočetní výkon, modely, orchestrace a runtime. Zákazníci mohou získat rychlejší pracovní postupy, ale současně musí řešit, jak velká část budoucího inženýrského řetězce bude záviset na jedné platformě.

Kimi K3: působivý důkaz principu, ne hotový výrobní čip

Demonstrace modelu Kimi K3 představuje užitečný protipól k oznámením velkých dodavatelů EDA. Podle technických materiálů Kimi K3 během jediného 48hodinového autonomního běhu navrhl, optimalizoval a ověřil čip pro malý model. Použil přitom open-source nástroje EDA a knihovnu Nangate 45 nm. Návrh měl přibližně 4 mm² a v simulaci uzavřel časování na 100 MHz.

Výsledek ukazuje, že agent založený na jazykovém modelu dokáže za příznivých a omezených podmínek propojit architekturu, generování RTL, optimalizaci, verifikaci a časovou analýzu do jednoho autonomního procesu.

Neznamená to ale, že komerční EDA nástroje nebo týmy zkušených návrhářů ztrácejí smysl. Experiment využil vyspělý, avšak přibližně dvě desetiletí starý 45nm referenční proces. Neprokazuje připravenost pro moderní procesní návrhové sady, pokročilé uzavírání spotřeby a časování, analogový návrh, DFT, integraci IP, spolehlivost, výrobní omezení ani produkční sign-off.

Také tvrzení, že výkon návrhu je 20 až 30krát nižší než u současných čipů, nelze bez nezávislého a kontrolovaného srovnání považovat za pevně doložený benchmark. Dostupné údaje pocházejí především z materiálů projektu, nikoli z nezávisle zopakovaného testu.

Opatrný závěr je proto užší: open-source nástroje mohou podpořit působivou demonstraci na vyspělém procesu. Konkurenční a vyrobitelné návrhy na nejmodernějších procesech však nadále vyžadují knihovny, podklady z výroby, specializované nástroje a ověřené sign-off postupy.

Proč se otevírá prostor čínským dodavatelům

Agentní AI dává čínským firmám v EDA možnost soutěžit na úrovni pracovních toků, nikoli pouze kopírovat každý jednotlivý zavedený nástroj. Příležitost se týká zejména verifikace, ladění, lokálního nasazení, pokročilého pouzdření a rozhraní vytvořených přímo pro práci s jazykovými modely. Agentní systémy se podle dostupných zpráv dostávají od generování RTL a testbenchů přes simulaci a formální verifikaci až k ladění. 17

Mezi uváděné příklady patří:

• Xpeedic, jehož nástroje pro integritu signálu a napájení lze propojit s agentní analýzou systémů, pouzder a pokročilého pouzdření;
• XEPIC, který představil základ XEPIC Intelligent System s inteligentními systémy pro návrh a verifikaci a rychlejší simulační nabídkou. 17
• UniVista, jež popisuje agentní platformu schopnou koordinovat návrh RTL, verifikaci, opravy a optimalizaci na domácí architektuře EDA. 17
• Chips Z, Banxin a Zhiwei Chuangxin, které ilustrují širší snahu o domácí nástrojové řetězce, specializované návrhové a verifikační agenty a rozhraní přizpůsobená práci s LLM.

Nejpřesvědčivějším produktovým vzorcem je důkazní smyčka: agent vytvoří hypotézu nebo opravu, spustí simulaci či formální kontrolu, vyhodnotí protipříklad nebo metriku a na základě důkazů navrhne další krok. To je věrohodnější než nechat obecný model vygenerovat čip a výsledek přijmout bez doménových kontrol.

Často uváděný odhad, že inženýři tráví přibližně 60 procent času laděním a procesními úkoly, je třeba chápat jako oborový odhad, nikoli univerzálně změřený fakt. Samotná příležitost je ale zřejmá: automatizovat lze opakované třídění problémů, analýzu tras, tvorbu testů, hledání kořenové příčiny i opravy regresí. 17

Skutečná soutěž se povede o důkazy

Nejdůležitějším signálem z DAC 2026 není to, že autonomní návrh čipů je už vyřešený. Je jím skutečnost, že největší dodavatelé EDA považují agentní pracovní toky za další způsob, jak rozšířit svou platformní výhodu.

Synopsys zdůrazňuje žebříček autonomie, AgentEngineer, uzavírání verifikace a šíři od křemíku po celé systémy. Cadence staví na koordinaci specializovaných agentů, trvalém kontextu návrhu a multiphysikálním uvažování. Siemens sází na samoověřování, integraci nástrojů přes MCP a širší průmyslové propojení.

Společný problém se jmenuje důvěra. Užitečný agent EDA musí vysvětlit, co změnil, umět pracovní tok zopakovat, zachovat záměr návrhu a předložit deterministické důkazy, že výsledek splňuje příslušná omezení.

Krátkodobým vítězem proto nejspíš nebude firma s nejplynulejším modelem. Vyhraje ta, jejíž agenti dokážou bezpečně fungovat v existujících datech, IP, bezpečnostních pravidlech, simulačních nástrojích a sign-off procesech — a z každého autonomního kroku udělat auditovatelný inženýrský důkaz.

Od kopilota k agentovi, který řídí celý cyklus

Elektronická automatizace návrhu, známá jako EDA, tradičně spoléhá na nástroje pro syntézu, simulaci, formální verifikaci, umístění a propojování prvků nebo časovou analýzu. Inženýr určí postup, spustí jednotlivé nástroje, projde výsledky a podle nich upraví návrh.

Agentní EDA přidává nad tuto sadu nástrojů plánovací a koordinační vrstvu. Typický cyklus vypadá takto:

1. agent interpretuje cíl návrhu nebo nalezenou chybu;
2. rozdělí úkol na dílčí kroky a vybere vhodné nástroje;
3. vytvoří nebo upraví RTL, omezení, testy či konfiguraci;
4. spustí deterministickou simulaci, formální kontrolu nebo fyzikální analýzu;
5. přečte metriky, protokoly, průběhy signálů či protipříklady;
6. navrhne další změnu a celý postup zopakuje.

Výzkum agentní podpory fyzického návrhu popisuje velmi podobný princip: systém interpretuje přirozeným jazykem zadané cíle, volá nástroje EDA, analyzuje jejich výstupy, mění konfiguraci nebo zdrojový kód a iteruje podle naměřené kvality výsledku. 1

Rozdíl oproti kopilotovi je zásadní. Kopilot obvykle doporučí další krok. Agent může převzít delší řetězec činností, stále však zůstává omezený definovanými cíli, odbornými nástroji a kontrolami.

Tři různé cesty k autonomnímu návrhu

Synopsys: AgentEngineer a žebříček autonomie L1–L5

Synopsys představuje vývoj autonomie pomocí vlastního rámce L1 až L5. Má jít o postup od asistence a řízené automatizace k samostatnějším pracovním tokům, které časem pokryjí více oblastí návrhu. Protože nejde o průmyslový standard ani certifikační systém, je vhodné chápat jednotlivé úrovně jako interní roadmapu společnosti.

Praktickým centrem strategie je AgentEngineer. Orchestrátor v tomto systému rozloží verifikační cíl na menší úkoly, koordinuje specializované agenty, volá nástroje EDA, kontroluje výsledky a pokračuje v uzavřené smyčce. Synopsys a NVIDIA jej popsaly jako autonomní, dlouhodobě běžící pracovní tok pro návrh čipů a elektronických systémů. 314

Synopsys zdůrazňuje autonomní verifikaci, hledání kořenové příčiny problémů a uzavírání procesu ladění. Podle firemních demonstrací může být čas k ověřenému RTL až 50krát kratší a pokrytí se může zvýšit o 20 procent. Jde však o údaje uváděné výrobcem, nikoli o nezávislý benchmark. 19

Samostatný pracovní tok vytvořený se službou Microsoft Discovery podle předběžného vyhodnocení zkrátil cyklus ladění o 25 až 40 procent. Ani tento výsledek nelze automaticky zobecnit na produkční nasazení. 17

Od RTL až k tepelné simulaci

Synopsys nechce zůstat pouze u digitální logiky. Na DAC představila také agentní postupy pro fyzikálně náročné úlohy elektronických systémů, například tepelnou simulaci. Agent může pomoci simulaci připravit, spustit, vyhodnotit výsledek a následně pracovní tok upravit. Díky portfoliu Ansys tak společnost staví příběh „od křemíku k systémům“, nikoli jen od RTL k návrhu GDS. 1417

Výhodou této strategie je šíře. Pokud stejná koordinační vrstva zvládne verifikaci i systémovou fyziku, může Synopsys prezentovat agentní EDA jako souvislé inženýrské prostředí namísto množiny izolovaných asistentů.

Cadence: specializovaní agenti a trvalý kontext návrhu

Cadence volí jiný přístup. Veřejná prezentace stojí na hierarchii specializovaných agentů, které řídí vyšší AI „superagent“, spojovaný především s platformou ChipStack AI Super Agent a v některých materiálech také s názvem AgentStack. Označení AuraStack není v dostupných podkladech konzistentně potvrzeno, proto jsou bezpečnější právě názvy ChipStack AI Super Agent a AgentStack. 218

Nejvýraznějším konceptem Cadence je Mental Model. Agent se nemá opírat pouze o aktuální zadání, ale uchovávat strukturovaný kontext konkrétního projektu: jeho omezení, historii, záměr a předchozí rozhodnutí.

U návrhu čipů je to důležité. Změna, která lokálně vypadá rozumně, může porušit časový rozpočet, požadavky na pouzdro, energetický limit nebo dřívější architektonické rozhodnutí. Trvalý kontext má agentovi pomoci vnímat návrh jako propojený systém, nikoli jako sérii izolovaných dotazů.

Cadence současně zdůrazňuje zrychlení multiphysikálních výpočtů. Agentní návrh má zohledňovat elektrické, tepelné, mechanické i proudové vlivy, aby bylo možné rozhodnutí hodnotit podle dopadů na celý systém, nejen podle digitálních metrik. 1718

Strategie Cadence tedy stojí na architektonické úplnosti a kontextu: cílem není automatizovat jedinou fázi, ale vytvořit agenta, který rozumí návrhu a jeho vzájemně provázaným omezením.

Siemens: důvěra díky vlastnímu ověřování

Siemens EDA odlišuje svůj Fuse EDA AI Agent důrazem na důvěryhodnost. Základní myšlenkou je smyčka, v níž se každý návrh akce ověřuje deterministickými, fyzikálně založenými enginy Siemensu ještě předtím, než může pracovní tok pokračovat. 221

Fuse využívá škálovatelnou architekturu Model Context Protocol (MCP). MCP poskytuje společný způsob propojení koordinační vrstvy s nástroji a technickými informacemi napříč oblastmi, jako jsou RTL, verifikace, analogový a custom návrh, place-and-route nebo fyzický sign-off. 2

Tento přístup řeší jedno z hlavních rizik autonomního inženýrství: jazykový model může vytvořit přesvědčivý, ale fyzicky neplatný plán. V samoověřovacím pracovním toku je rozhodující kontrola doménového nástroje. Pokud časování, geometrie, fyzika nebo jiná formální podmínka navržený krok odmítne, agent může využít důkaz k úpravě svého plánu.

Siemens vidí příležitost také v širším digitálním vlákně. Agentní systém může propojovat rozhodnutí v návrhu s plánováním výroby a řízením dodavatelského řetězce. Rozdílem proto není jen autonomie, ale autonomie omezená průmyslovými důkazy a navazující realizací.

NVIDIA dodává společnou infrastrukturu

NVIDIA nevstupuje do EDA jako běžný konkurent zavedených výrobců. Dodává však několik vrstev, na nichž se nová agentní architektura může stavět. Zároveň tím vzniká potenciální závislost na společné hardwarové a softwarové platformě.

NVIDIA investovala do Synopsys 2 miliardy dolarů v rámci rozšířeného víceletého partnerství zaměřeného na AI podporované inženýrství a akcelerované pracovní úlohy EDA. 13

Její role zahrnuje několik oblastí:

• Akcelerované výpočty: platforma Grace Blackwell podporuje simulace a inference. Synopsys uvedla, že inference mikroslužby NVIDIA NIM přinesly jejímu generativnímu kopilotovi dvojnásobně rychlejší přístup k informacím. NVIDIA zase uvádí u jednoho případu aerodynamické simulace Fluent zrychlení 34× oproti CPU. Nejde o univerzální benchmarky EDA. 1516
• Modely a orchestrace: pracovní tok Synopsys na DAC využil model Nemotron, NVIDIA Agent Toolkit a runtime OpenShell pro spouštění agentů a správu pravidel. 314
• Akcelerace fyziky: knihovny CUDA-X a PhysicsNeMo mají podporovat simulačně náročné inženýrské úlohy. 2
• Výkon CPU: procesor Vera cílí na výpočetně náročné a sekvenční části, které zůstávají důležité i v konvenčním EDA. NVIDIA spolupracuje s Cadence a Synopsys na optimalizaci aplikací; uváděné testy ukázaly přibližně 1,5násobný výkon u Cadence Jasper a Synopsys VCS. I tato čísla pocházejí od výrobců. 45

Vzniká tak vícevrstvá soutěž. EDA firmy vlastní databáze návrhů, doménové nástroje a sign-off procesy, zatímco NVIDIA dodává výpočetní výkon, modely, orchestrace a runtime. Zákazníci mohou získat rychlejší pracovní postupy, ale současně musí řešit, jak velká část budoucího inženýrského řetězce bude záviset na jedné platformě.

Kimi K3: působivý důkaz principu, ne hotový výrobní čip

Demonstrace modelu Kimi K3 představuje užitečný protipól k oznámením velkých dodavatelů EDA. Podle technických materiálů Kimi K3 během jediného 48hodinového autonomního běhu navrhl, optimalizoval a ověřil čip pro malý model. Použil přitom open-source nástroje EDA a knihovnu Nangate 45 nm. Návrh měl přibližně 4 mm² a v simulaci uzavřel časování na 100 MHz.

Výsledek ukazuje, že agent založený na jazykovém modelu dokáže za příznivých a omezených podmínek propojit architekturu, generování RTL, optimalizaci, verifikaci a časovou analýzu do jednoho autonomního procesu.

Neznamená to ale, že komerční EDA nástroje nebo týmy zkušených návrhářů ztrácejí smysl. Experiment využil vyspělý, avšak přibližně dvě desetiletí starý 45nm referenční proces. Neprokazuje připravenost pro moderní procesní návrhové sady, pokročilé uzavírání spotřeby a časování, analogový návrh, DFT, integraci IP, spolehlivost, výrobní omezení ani produkční sign-off.

Také tvrzení, že výkon návrhu je 20 až 30krát nižší než u současných čipů, nelze bez nezávislého a kontrolovaného srovnání považovat za pevně doložený benchmark. Dostupné údaje pocházejí především z materiálů projektu, nikoli z nezávisle zopakovaného testu.

Opatrný závěr je proto užší: open-source nástroje mohou podpořit působivou demonstraci na vyspělém procesu. Konkurenční a vyrobitelné návrhy na nejmodernějších procesech však nadále vyžadují knihovny, podklady z výroby, specializované nástroje a ověřené sign-off postupy.

Proč se otevírá prostor čínským dodavatelům

Agentní AI dává čínským firmám v EDA možnost soutěžit na úrovni pracovních toků, nikoli pouze kopírovat každý jednotlivý zavedený nástroj. Příležitost se týká zejména verifikace, ladění, lokálního nasazení, pokročilého pouzdření a rozhraní vytvořených přímo pro práci s jazykovými modely. Agentní systémy se podle dostupných zpráv dostávají od generování RTL a testbenchů přes simulaci a formální verifikaci až k ladění. 17

Mezi uváděné příklady patří:

• Xpeedic, jehož nástroje pro integritu signálu a napájení lze propojit s agentní analýzou systémů, pouzder a pokročilého pouzdření;
• XEPIC, který představil základ XEPIC Intelligent System s inteligentními systémy pro návrh a verifikaci a rychlejší simulační nabídkou. 17
• UniVista, jež popisuje agentní platformu schopnou koordinovat návrh RTL, verifikaci, opravy a optimalizaci na domácí architektuře EDA. 17
• Chips Z, Banxin a Zhiwei Chuangxin, které ilustrují širší snahu o domácí nástrojové řetězce, specializované návrhové a verifikační agenty a rozhraní přizpůsobená práci s LLM.

Nejpřesvědčivějším produktovým vzorcem je důkazní smyčka: agent vytvoří hypotézu nebo opravu, spustí simulaci či formální kontrolu, vyhodnotí protipříklad nebo metriku a na základě důkazů navrhne další krok. To je věrohodnější než nechat obecný model vygenerovat čip a výsledek přijmout bez doménových kontrol.

Často uváděný odhad, že inženýři tráví přibližně 60 procent času laděním a procesními úkoly, je třeba chápat jako oborový odhad, nikoli univerzálně změřený fakt. Samotná příležitost je ale zřejmá: automatizovat lze opakované třídění problémů, analýzu tras, tvorbu testů, hledání kořenové příčiny i opravy regresí. 17

Skutečná soutěž se povede o důkazy

Nejdůležitějším signálem z DAC 2026 není to, že autonomní návrh čipů je už vyřešený. Je jím skutečnost, že největší dodavatelé EDA považují agentní pracovní toky za další způsob, jak rozšířit svou platformní výhodu.

Synopsys zdůrazňuje žebříček autonomie, AgentEngineer, uzavírání verifikace a šíři od křemíku po celé systémy. Cadence staví na koordinaci specializovaných agentů, trvalém kontextu návrhu a multiphysikálním uvažování. Siemens sází na samoověřování, integraci nástrojů přes MCP a širší průmyslové propojení.

Společný problém se jmenuje důvěra. Užitečný agent EDA musí vysvětlit, co změnil, umět pracovní tok zopakovat, zachovat záměr návrhu a předložit deterministické důkazy, že výsledek splňuje příslušná omezení.

Krátkodobým vítězem proto nejspíš nebude firma s nejplynulejším modelem. Vyhraje ta, jejíž agenti dokážou bezpečně fungovat v existujících datech, IP, bezpečnostních pravidlech, simulačních nástrojích a sign-off procesech — a z každého autonomního kroku udělat auditovatelný inženýrský důkaz.