Synopsys, Cadence, dan Siemens Bertarung Menjadikan Desain Chip Lebih Otonom

Dari kopilot menuju agen yang menjalankan alur kerja

DAC 2026 menjadikan AI agentik sebagai arena persaingan platform baru dalam electronic design automation (EDA). Synopsys, Cadence, dan Siemens EDA tidak lagi mempresentasikan AI hanya sebagai chatbot untuk menulis RTL atau mencari dokumentasi. Sistem yang mereka kembangkan dirancang untuk memecah tujuan rekayasa, memanggil alat EDA yang sudah ada, membaca metrik dan hasil verifikasi, lalu mengulangi proses sampai sasaran tercapai. 217

Perbedaannya penting. Kopilot biasanya menyarankan langkah berikutnya. Agen agentik dapat mengambil alih rangkaian pekerjaan yang lebih panjang, meski tetap dibatasi oleh alat teknik deterministik, aturan keamanan, dan tujuan yang ditentukan manusia.

Dalam alur kerja tipikal, agen akan:

1. memahami tujuan desain atau sumber kegagalan;
2. memilih alat dan sub-tugas yang relevan;
3. membuat atau mengubah RTL, constraint, pengujian, maupun konfigurasi;
4. menjalankan simulasi, pemeriksaan formal, atau analisis fisik;
5. membaca metrik, log, gelombang, atau counterexample; dan
6. mengusulkan perubahan berikutnya sebelum mengulangi siklus.

Pola ini sejalan dengan riset tentang desain fisik agentik: sistem menafsirkan sasaran dalam bahasa natural, memanggil alat EDA, menganalisis keluarannya, mengubah kode atau konfigurasi, lalu memperbaiki solusi berdasarkan kualitas hasil yang terukur. 1

Tiga strategi utama di DAC 2026

Synopsys: jenjang otonomi L1–L5 dan AgentEngineer

Synopsys membingkai strateginya melalui jenjang otonomi L1 hingga L5. Kerangka ini menggambarkan pergerakan dari bantuan AI dan otomasi terpandu menuju alur kerja yang semakin mandiri, bahkan lintas domain desain. Batas antara tiap tingkat merupakan peta jalan versi Synopsys, bukan standar sertifikasi industri yang berlaku universal.

Pusat pendekatannya adalah AgentEngineer. Dalam demonstrasi DAC, sebuah agen orkestrator memecah sasaran verifikasi menjadi pekerjaan yang lebih kecil, mengoordinasikan agen khusus, memanggil alat EDA, memeriksa hasil, dan melanjutkan proses dalam lingkaran tertutup. Synopsys dan NVIDIA menyebutnya sebagai alur kerja otonom jangka panjang untuk desain chip dan sistem elektronik. 314

Synopsys menonjolkan verifikasi otonom, analisis akar masalah, serta penyelesaian proses debug. Demonstrasi yang dilaporkan perusahaan mengklaim waktu menuju RTL tervalidasi bisa hingga 50 kali lebih cepat dan cakupan verifikasi meningkat 20 persen. Angka tersebut adalah klaim vendor, bukan hasil tolok ukur independen. 19

Dalam alur kerja terpisah bersama Microsoft Discovery, Synopsys melaporkan pengurangan awal waktu siklus debug sebesar 25–40 persen. Hasil ini juga sebaiknya dibaca sebagai evaluasi awal, bukan tolok ukur produksi yang berlaku umum. 17

Melampaui RTL hingga simulasi termal

Synopsys juga memperluas konsep agentik ke pekerjaan sistem elektronik yang sarat simulasi fisika, termasuk simulasi termal. Agen dapat membantu menyiapkan simulasi, menjalankannya, mengevaluasi keluaran, kemudian menyempurnakan alur kerja.

Dengan dukungan portofolio Ansys, strategi "silicon-to-systems" Synopsys mencakup wilayah yang lebih luas daripada alur RTL-ke-GDS saja. 1417 Jika satu lapisan orkestrasi dapat bekerja pada verifikasi sekaligus simulasi tingkat sistem, Synopsys berpeluang menawarkan EDA agentik sebagai lingkungan rekayasa berkelanjutan, bukan sekumpulan asisten yang berdiri sendiri.

Cadence: agen spesialis dan konteks desain yang bertahan

Cadence mengambil jalur yang berbeda. Posisinya berpusat pada hierarki agen spesialis yang dikoordinasikan oleh super-agen AI tingkat tinggi, termasuk ChipStack AI Super Agent. Sejumlah laporan menggunakan nama AgentStack atau AuraStack, tetapi penamaannya belum konsisten dalam materi yang tersedia; karena itu, ChipStack AI Super Agent dan AgentStack merupakan rujukan yang lebih aman. 218

Konsep paling khas Cadence adalah Mental Model. Alih-alih hanya mengandalkan prompt terakhir, agen diharapkan menyimpan konteks desain yang terstruktur: batasan proyek, riwayat perubahan, maksud desain, dan keputusan yang telah diambil.

Konteks semacam ini penting karena desain chip sangat bergantung pada hubungan antar-keputusan. Perubahan yang tampak masuk akal secara lokal bisa melanggar anggaran waktu, batas daya, persyaratan kemasan, atau keputusan arsitektur sebelumnya.

Cadence juga menekankan percepatan multiphysics. Agen diharapkan dapat mempertimbangkan dampak elektrik, termal, mekanis, dan fluida, sehingga keputusan desain dievaluasi berdasarkan konsekuensi tingkat sistem, bukan hanya metrik digital. 1718

Secara strategis, Cadence bersaing melalui kelengkapan arsitektur dan kedalaman konteks. Tujuannya adalah membuat agen memahami desain sebagai sistem yang terus berkembang dengan berbagai batasan yang saling berinteraksi.

Siemens: membangun kepercayaan lewat verifikasi mandiri

Siemens EDA membedakan Fuse EDA AI Agent melalui pendekatan kepercayaan. Gagasannya adalah lingkaran verifikasi mandiri: setiap tindakan yang diusulkan agen diperiksa oleh mesin Siemens yang deterministik dan berbasis fisika sebelum hasilnya diteruskan. 2

Fuse menggunakan arsitektur Model Context Protocol (MCP) yang dapat diskalakan. MCP menyediakan cara umum untuk menghubungkan lapisan orkestrasi dengan alat dan informasi teknik di berbagai bidang, mulai dari RTL dan verifikasi hingga desain analog dan kustom, place-and-route, serta physical signoff. 2

Pendekatan ini menjawab salah satu risiko utama rekayasa otonom: model bahasa dapat menghasilkan rencana yang terdengar masuk akal tetapi secara fisik tidak valid. Dalam alur yang melakukan verifikasi mandiri, pemeriksaan otoritatif berasal dari alat domain. Jika analisis waktu, geometri, fisika, atau aturan formal menolak tindakan yang diusulkan, bukti tersebut dapat digunakan agen untuk menyusun ulang rencananya.

Siemens juga melihat peluang pada digital thread yang lebih luas. Visi agentiknya dapat menghubungkan keputusan desain dengan perencanaan manufaktur dan penjadwalan rantai pasok. Dengan demikian, pembeda Siemens bukan hanya tingkat otonomi, tetapi otonomi yang dibatasi oleh bukti industri dan pelaksanaan di tahap hilir.

NVIDIA menjadi lapisan infrastruktur bersama

NVIDIA bukan pengganti perusahaan EDA sebagai vendor EDA konvensional. Perannya lebih mirip pemasok lapisan infrastruktur bagi tumpukan agentik—sekaligus menciptakan potensi ketergantungan platform.

NVIDIA menginvestasikan 2 miliar dolar AS di Synopsys sebagai bagian dari kemitraan multiyear untuk mengembangkan rekayasa berbasis AI dan mempercepat beban kerja EDA. 13

Lapisan yang disediakan NVIDIA mencakup:

• Komputasi terakselerasi: Grace Blackwell digunakan untuk simulasi dan inferensi AI. Synopsys melaporkan bahwa layanan mikro inferensi NVIDIA NIM menghasilkan waktu menuju informasi dua kali lebih cepat untuk Copilot generatifnya. NVIDIA juga melaporkan percepatan 34 kali dibanding CPU dalam satu kasus penggunaan simulasi aerodinamika Fluent. Angka tersebut merupakan hasil kasus penggunaan tertentu, bukan tolok ukur universal EDA. 1516
• Model dan orkestrasi: Alur kerja Synopsys di DAC memanfaatkan NVIDIA Nemotron, NVIDIA Agent Toolkit, dan runtime OpenShell untuk eksekusi serta tata kelola agen. 314
• Percepatan fisika: Pustaka CUDA-X dan PhysicsNeMo ditujukan untuk mendukung alur kerja rekayasa yang bergantung pada simulasi. 2
• Kinerja CPU: Vera CPU menyasar beban kerja komputasi-intensif dan berurutan yang masih penting dalam EDA konvensional. NVIDIA menyatakan sedang bekerja sama dengan Cadence dan Synopsys untuk mengoptimalkan aplikasi; pengujian yang dilaporkan menunjukkan peningkatan sekitar 1,5 kali pada Cadence Jasper dan Synopsys VCS. Angka ini juga merupakan klaim vendor. 45

Hasilnya adalah persaingan berlapis. Perusahaan EDA menguasai basis data desain, alat domain, dan alur signoff, sementara NVIDIA memasok komputasi, model, komponen orkestrasi, serta infrastruktur runtime. Pelanggan mungkin mendapatkan alur kerja yang lebih cepat, tetapi muncul pertanyaan baru: seberapa besar tumpukan rekayasa masa depan akan bergantung pada satu platform perangkat keras dan perangkat lunak?

Kimi K3 menunjukkan potensi, bukan kesiapan produksi

Demonstrasi Kimi K3 menjadi pembanding penting terhadap pengumuman para pemain mapan. Menurut materi teknis proyek tersebut, Kimi K3 menjalankan proses otonom selama 48 jam untuk merancang, mengoptimalkan, dan memverifikasi chip bagi model nano menggunakan alat EDA sumber terbuka dan pustaka Nangate 45 nm. Desain yang dilaporkan berukuran sekitar 4 mm² dan berhasil mencapai penutupan waktu pada 100 MHz dalam simulasi. 17

Eksperimen itu menunjukkan bahwa agen berbasis LLM dapat menghubungkan arsitektur, pembuatan RTL, optimasi, verifikasi, dan analisis waktu dalam satu alur otonom yang terbatas.

Namun, eksperimen tersebut bukan bukti bahwa alat EDA komersial atau tim insinyur chip sudah tidak diperlukan. Alurnya memakai proses referensi 45 nm yang matang—sekitar dua dekade di belakang teknologi proses terdepan. Eksperimen itu belum membuktikan kinerja pada process design kit modern, penutupan waktu dan daya tingkat lanjut, desain analog, design-for-test, integrasi IP, analisis reliabilitas, kendala manufaktur, maupun signoff produksi.

Klaim bahwa desain tersebut memiliki kinerja 20–30 kali lebih rendah daripada chip kontemporer juga belum dapat diperlakukan sebagai perbandingan terkendali tanpa bukti yang lebih kuat. Hasil K3 berasal dari materi teknis proyek sendiri dan belum direplikasi secara independen.

Kesimpulan yang paling hati-hati adalah: alat sumber terbuka sudah dapat mendukung demonstrasi mengesankan pada node proses matang, tetapi desain mutakhir yang kompetitif dan dapat diproduksi masih sangat bergantung pada pustaka proses, materi dari foundry, alur signoff yang matang, serta keahlian teknik khusus.

Mengapa ada peluang bagi vendor EDA China?

AI agentik membuka peluang bagi perusahaan EDA China untuk bersaing di tingkat alur kerja, bukan sekadar meniru setiap alat individual yang sudah mapan. Peluang ini terlihat dalam verifikasi, debugging, penerapan domestik, kemasan canggih, serta antarmuka rekayasa yang dirancang untuk LLM. Laporan dari DAC menggambarkan masuknya AI agentik ke berbagai tahap, mulai dari pembuatan RTL dan testbench hingga simulasi, verifikasi formal, dan debugging. 17

Contoh yang disebut dalam riset antara lain:

• Xpeedic, yang kapabilitas integritas sinyal dan dayanya dapat dipadukan dengan analisis agentik untuk sistem, kemasan, serta advanced packaging.
• XEPIC, yang mengumumkan fondasi XEPIC Intelligent System, termasuk sistem desain dan verifikasi cerdas serta penawaran simulasi yang lebih cepat. 17
• UniVista, yang menggambarkan platform desain agentik untuk mengoordinasikan desain RTL, verifikasi, perbaikan, dan optimasi di atas arsitektur EDA yang dikembangkan secara domestik. 17
• Chips Z, Banxin, dan Zhiwei Chuangxin, yang mencerminkan dorongan lebih luas menuju rantai alat yang dikendalikan secara domestik, agen desain dan verifikasi khusus, serta antarmuka rekayasa yang native terhadap LLM.

Pola produk yang paling masuk akal adalah lingkaran bukti: agen menghasilkan hipotesis atau perbaikan, menjalankan simulasi maupun verifikasi formal, memeriksa counterexample atau metrik kualitas, lalu memasukkan bukti tersebut kembali ke proses pengambilan keputusan agen. Pendekatan ini lebih dapat dipercaya daripada meminta model umum menghasilkan chip lalu menerima hasilnya tanpa pemeriksaan domain.

Perkiraan yang sering dikutip bahwa insinyur menghabiskan sekitar 60 persen waktunya untuk debugging dan pekerjaan berbasis proses sebaiknya dipahami sebagai estimasi industri, bukan pengukuran universal. Meski demikian, peluang otomatisasinya jelas: triase berulang, analisis jejak, pembuatan pengujian, pelokalan akar masalah, dan perbaikan regresi merupakan sasaran yang menarik. 17

Persaingan sebenarnya adalah soal bukti

Sinyal paling penting dari DAC 2026 bukanlah bahwa desain chip otonom sudah selesai. Sinyalnya adalah bahwa para vendor EDA utama kini melihat alur kerja agentik sebagai cara berikutnya untuk memperluas keunggulan platform mereka.

Synopsys menonjolkan jenjang otonomi, AgentEngineer, penyelesaian verifikasi, dan cakupan silicon-to-systems. Cadence menekankan koordinasi agen spesialis, konteks desain yang persisten, serta penalaran multiphysics. Siemens menekankan verifikasi mandiri, integrasi alat berbasis MCP, dan koneksi industri yang lebih luas.

Tantangan bersama mereka adalah kepercayaan. Agen EDA yang berguna harus dapat menjelaskan apa yang diubah, mereproduksi proses, mempertahankan maksud desain, dan menunjukkan bukti deterministik bahwa hasilnya memenuhi batasan yang relevan.

Karena itu, pemenang jangka dekat kemungkinan bukan vendor dengan model paling fasih. Pemenangnya adalah vendor yang agennya dapat bekerja secara aman di dalam data, IP, keamanan, simulasi, dan alur signoff yang sudah digunakan pelanggan—serta mengubah setiap tindakan otonom menjadi bukti rekayasa yang dapat diaudit.