Come Synopsys, Cadence e Siemens vogliono rendere agentico il design dei chip

DAC 2026 ha trasformato l’AI agentica in una sfida di piattaforma per l’automazione della progettazione elettronica, o EDA (electronic design automation). Synopsys, Cadence e Siemens EDA non presentano più l’intelligenza artificiale soltanto come un assistente capace di generare RTL o cercare informazioni nella documentazione. I sistemi mostrati alla conferenza sono pensati per scomporre un obiettivo tecnico, richiamare gli strumenti EDA appropriati, interpretare misure e risultati e ripetere il ciclo fino a ottenere il risultato richiesto. 217

La domanda strategica cambia quindi prospettiva: il vincitore non sarà necessariamente chi possiede il modello generalista più potente, ma chi riuscirà a collegare meglio gli agenti a dati di progetto, risolutori deterministici, prove di verifica, controlli di sicurezza e processi di signoff, cioè la validazione finale del progetto prima della produzione.

Da copilota ad agente: che cosa è cambiato

Gli strumenti EDA tradizionali eseguono operazioni ben definite: sintesi, simulazione, verifica formale, progettazione fisica (place-and-route), analisi dei tempi e signoff fisico. Un sistema agentico aggiunge a questi strumenti un livello di pianificazione e coordinamento.

In un ciclo tipico, l’agente:

1. interpreta un obiettivo di progetto o un errore;
2. seleziona strumenti e sotto-attività rilevanti;
3. genera o modifica RTL, vincoli, test o configurazioni;
4. avvia simulazioni, verifiche formali o analisi fisiche deterministiche;
5. legge metriche, log, forme d’onda o controesempi; e
6. propone una nuova modifica e ripete il processo.

La ricerca sul design fisico agentico descrive uno schema analogo: l’agente interpreta obiettivi in linguaggio naturale, invoca gli strumenti EDA, analizza i risultati, modifica configurazioni o codice e migliora progressivamente il progetto sulla base della qualità misurata. 1

La differenza rispetto a un copilota è sostanziale. Il copilota suggerisce la prossima azione; un flusso agentico può gestire una sequenza più lunga di attività, restando però vincolato agli strumenti ingegneristici e agli obiettivi definiti dall’uomo.

Synopsys: la scala di autonomia L1-L5 e AgentEngineer

La strategia di Synopsys è organizzata attorno a una progressione di autonomia da L1 a L5. L’idea è passare dall’assistenza e dall’automazione guidata a flussi ingegneristici sempre più indipendenti, fino ad abbracciare più domini di progettazione. I confini tra i livelli appartengono alla roadmap di Synopsys e non costituiscono uno standard o una certificazione universale.

Il fulcro operativo è AgentEngineer. A DAC, Synopsys ha descritto un orchestratore capace di scomporre un obiettivo di verifica in attività più piccole, coordinare agenti specializzati, richiamare strumenti EDA, esaminare i risultati e proseguire in un ciclo chiuso. Synopsys e NVIDIA hanno presentato queste capacità come flussi autonomi e di lunga durata per la progettazione di chip e sistemi elettronici. 314

Synopsys ha posto l’accento su verifica autonoma, analisi delle cause alla radice e chiusura del debug. Le dimostrazioni riportate dall’azienda indicano fino a 50 volte meno tempo per arrivare a un RTL validato e un miglioramento del 20% della copertura; si tratta di dati dichiarati dal vendor, non di benchmark indipendenti. 19

Un flusso distinto, sviluppato con Microsoft Discovery, ha riportato riduzioni preliminari del 25-40% nella durata dei cicli di debug. Anche questo risultato va considerato una prima valutazione, non un benchmark generale di produzione. 17

Dall’RTL alla simulazione termica

Synopsys sta estendendo lo stesso approccio oltre la logica digitale. La strategia presentata a DAC comprende flussi per sistemi elettronici fortemente basati sulla fisica, come la simulazione termica: l’agente può contribuire a impostare una simulazione, eseguirla, valutarne l’esito e perfezionare il processo. La posizione “dal silicio ai sistemi”, rafforzata dal portafoglio Ansys, va quindi oltre il semplice percorso RTL-GDS. 1417

Il possibile vantaggio competitivo è l’ampiezza. Se lo stesso livello di orchestrazione riesce a operare sia nella verifica sia nelle simulazioni fisiche a livello di sistema, Synopsys può presentare l’EDA agentica come un ambiente ingegneristico continuo, anziché come una serie di assistenti separati.

Cadence: agenti specialisti e memoria del progetto

Cadence segue una strada diversa. La sua comunicazione pubblica ruota attorno a una gerarchia di agenti specializzati coordinati da un livello superiore, definito AI super-agent e associato a ChipStack AI Super Agent. Nei materiali disponibili compaiono anche i nomi AgentStack e AuraStack, ma la nomenclatura non è corroborata in modo uniforme; per questo, ChipStack AI Super Agent e AgentStack sono i riferimenti più prudenti. 218

Il concetto più distintivo di Cadence è il Mental Model. Invece di basarsi soltanto sul prompt corrente, l’agente dovrebbe mantenere un contesto strutturato e specifico del progetto: vincoli, cronologia, obiettivi e decisioni accumulate nel tempo. È un aspetto cruciale nel design dei chip, dove una modifica localmente ragionevole può violare un budget temporale, un vincolo del package, un obiettivo di consumo o una scelta architetturale precedente.

Cadence punta inoltre sull’accelerazione delle simulazioni multifisiche. L’obiettivo è permettere agli agenti di ragionare contemporaneamente su effetti elettrici, termici, meccanici e fluidodinamici, valutando le conseguenze di una decisione a livello di sistema e non soltanto attraverso metriche digitali. 1718

In termini strategici, Cadence compete su completezza architetturale e contesto. Non vuole automatizzare una singola fase, ma fare in modo che l’agente interpreti il progetto come un sistema persistente, composto da vincoli interdipendenti.

Siemens: la fiducia passa dall’autoverifica

Siemens EDA differenzia il proprio Fuse EDA AI Agent puntando sulla fiducia. L’idea centrale è un ciclo di autoverifica in cui ogni azione proposta dall’agente viene confrontata con i motori deterministici basati sulla fisica di Siemens prima di poter avanzare. 2

Fuse utilizza un’architettura scalabile basata sul Model Context Protocol (MCP), un protocollo che offre un metodo comune per collegare il livello di orchestrazione agli strumenti e alle informazioni tecniche. Il perimetro comprende RTL, verifica, progettazione analogica e custom, place-and-route e signoff fisico. 2

L’approccio affronta uno dei rischi principali dell’ingegneria autonoma: un modello linguistico può produrre un piano plausibile ma fisicamente errato. In un flusso autoverificante, il controllo autorevole arriva dallo strumento di dominio. Se tempi, geometria, fenomeni fisici o vincoli formali respingono una proposta, l’agente può usare quella prova per rivedere il piano.

Siemens intravede anche un’opportunità lungo il cosiddetto digital thread, il filo digitale che collega le diverse fasi industriali. La sua visione può mettere in relazione le decisioni di progetto con la pianificazione produttiva e la programmazione della supply chain, estendendo il flusso oltre la sola implementazione del chip.

NVIDIA diventa il livello infrastrutturale comune

NVIDIA non sta sostituendo i grandi vendor EDA come fornitore tradizionale di strumenti. Sta invece fornendo diversi strati tecnologici della nuova architettura agentica, creando al tempo stesso un possibile punto di dipendenza dalla propria piattaforma.

NVIDIA ha investito 2 miliardi di dollari in Synopsys nell’ambito di una partnership pluriennale ampliata, focalizzata sull’ingegneria guidata dall’AI e sull’accelerazione dei carichi di lavoro EDA. 13

L’infrastruttura comprende più componenti:

• Calcolo accelerato: Grace Blackwell viene utilizzata per simulazioni e inferenza AI. Synopsys ha dichiarato che i microservizi di inferenza NVIDIA NIM hanno consentito di dimezzare il tempo necessario per ottenere informazioni dal suo Copilot generativo; NVIDIA ha invece riportato, in un caso d’uso Fluent per simulazioni aerodinamiche, un’accelerazione di 34 volte rispetto alla CPU. Sono risultati riferiti a singoli casi d’uso, non benchmark EDA universali. 1516
• Modelli e orchestrazione: il flusso Synopsys presentato a DAC utilizza NVIDIA Nemotron, NVIDIA Agent Toolkit e il runtime OpenShell per esecuzione e governance degli agenti. 314
• Accelerazione della fisica: le librerie NVIDIA CUDA-X e PhysicsNeMo sono pensate per sostenere flussi ingegneristici basati sulla simulazione. 2
• Prestazioni CPU: Vera CPU punta sui carichi intensivi e sequenziali che restano importanti nell’EDA convenzionale. NVIDIA afferma di collaborare con Cadence e Synopsys per ottimizzare le applicazioni; i test riportati indicano guadagni di circa 1,5 volte per Cadence Jasper e Synopsys VCS, ma anche questi numeri provengono dal vendor. 45

Il risultato è una competizione stratificata: le aziende EDA controllano database di progetto, strumenti di dominio e flussi di signoff; NVIDIA fornisce calcolo, modelli, componenti di orchestrazione e runtime. I clienti possono ottenere flussi più veloci, ma resta aperta la questione di quanta parte della futura infrastruttura ingegneristica dipenderà da una piattaforma hardware e software comune.

Kimi K3: una prova concreta, ma ancora circoscritta

La dimostrazione di Kimi K3 offre un utile termine di confronto rispetto agli annunci dei grandi vendor. Secondo i materiali disponibili, Kimi K3 ha operato autonomamente per 48 ore progettando, ottimizzando e verificando un chip destinato a un modello nano, usando strumenti EDA open source e la libreria Nangate a 45 nm. Il progetto occupava circa 4 mm² e chiudeva i tempi a 100 MHz in simulazione. 17

Il risultato è una prova significativa del fatto che un agente basato su un modello linguistico può coordinare un ciclo completo e vincolato di progettazione: architettura, generazione dell’RTL, ottimizzazione, verifica e analisi temporale possono essere collegate in un unico processo autonomo.

Non dimostra però che gli strumenti EDA commerciali o i team di progettazione esperti siano diventati superflui. L’esperimento usa un flusso di riferimento maturo a 45 nm, circa due decenni indietro rispetto alle tecnologie più avanzate. Non stabilisce la capacità di lavorare con moderni kit di progettazione di processo, chiusura avanzata di tempi e consumi, design analogico, design-for-test, integrazione IP, analisi di affidabilità, vincoli produttivi o signoff destinato alla fabbricazione.

La dimostrazione evidenzia inoltre un problema di verificabilità. Il risultato proviene dai materiali tecnici del progetto e non da un benchmark di produzione riprodotto indipendentemente. Per questo, le affermazioni secondo cui il chip avrebbe prestazioni da 20 a 30 volte inferiori rispetto ai chip contemporanei non dovrebbero essere trattate come un confronto controllato senza prove più solide.

La conclusione più prudente è dunque limitata ma importante: gli strumenti open source possono sostenere una dimostrazione convincente su un nodo produttivo maturo; i progetti avanzati, competitivi e fabbricabili dipendono ancora in larga misura da librerie di processo, dati delle fonderie, flussi di signoff maturi e competenze ingegneristiche specialistiche.

L’apertura per i vendor EDA cinesi

L’AI agentica offre alle aziende EDA cinesi la possibilità di competere sul piano del flusso di lavoro, invece di dover replicare immediatamente ogni singolo strumento già maturo. Le aree più promettenti includono verifica, debug, deployment nazionale, packaging avanzato e interfacce native per i modelli linguistici. I resoconti da DAC descrivono l’ingresso degli agenti nel flusso dalla generazione RTL e dalla creazione dei testbench fino a simulazione, verifica formale e debug. 17

Tra gli esempi citati nella ricerca disponibile:

• Xpeedic, le cui capacità nell’integrità del segnale e dell’alimentazione possono essere combinate con analisi agentiche di sistema, package e packaging avanzato.
• XEPIC, che ha annunciato la base XEPIC Intelligent System, comprendente sistemi intelligenti per verifica e progettazione e una soluzione di simulazione più veloce. 17
• UniVista, che ha descritto una piattaforma di progettazione agentica capace di coordinare RTL, verifica, correzione e ottimizzazione su un’architettura EDA sviluppata internamente. 17
• Chips Z, Banxin e Zhiwei Chuangxin, che rappresentano la più ampia spinta verso toolchain controllate a livello nazionale, agenti specializzati per design e verifica e interfacce ingegneristiche native per gli LLM.

Il modello di prodotto più solido è quello del ciclo basato sulle prove: l’agente formula un’ipotesi o una correzione, esegue simulazioni o verifiche formali, esamina il controesempio o la metrica di qualità e restituisce l’evidenza al ciclo decisionale. È un approccio più credibile rispetto alla richiesta a un modello generalista di generare un chip e all’accettazione del risultato senza controlli di dominio.

La stima, spesso citata, secondo cui gli ingegneri trascorrerebbero circa il 60% del tempo in attività di debug e di processo va considerata un’indicazione di settore, non una misura universale. L’opportunità concreta resta comunque evidente: triage ripetitivo, analisi delle tracce, creazione di test, localizzazione delle cause principali e correzione delle regressioni sono obiettivi adatti all’automazione. 17

La vera competizione EDA si giocherà sulle prove

Il segnale più importante di DAC 2026 non è che la progettazione autonoma dei chip sia già risolta. È che i principali vendor EDA considerano ormai i flussi agentici il prossimo modo per estendere il proprio vantaggio di piattaforma.

Synopsys punta sulla scala di autonomia L1-L5, su AgentEngineer, sulla chiusura della verifica e sull’ampiezza “dal silicio ai sistemi”. Cadence insiste sul coordinamento tra agenti specializzati, sul contesto persistente del progetto e sul ragionamento multifisico. Siemens mette al centro autoverifica, integrazione degli strumenti tramite MCP e collegamento con i processi industriali a valle.

La sfida comune è la fiducia. Un agente EDA utile deve spiegare che cosa ha cambiato, rendere il flusso riproducibile, preservare l’intento progettuale e mostrare prove deterministiche che il risultato rispetti i vincoli rilevanti.

Nel breve periodo, quindi, difficilmente vincerà il vendor con il modello più fluido. Avrà maggiori possibilità chi saprà far operare gli agenti in sicurezza dentro i flussi esistenti di dati, IP, sicurezza, simulazione e signoff, trasformando ogni azione autonoma in un’evidenza ingegneristica verificabile.