Jak Synopsys, Cadence i Siemens chcą uczynić projektowanie układów agentycznym

DAC 2026 uczyniło z agentic AI — agentowej, zdolnej do samodzielnego planowania sztucznej inteligencji — centralny punkt rywalizacji w elektronicznej automatyzacji projektowania (EDA). Synopsys, Cadence i Siemens EDA nie przedstawiają już AI wyłącznie jako narzędzia do generowania kodu RTL czy przeszukiwania dokumentacji. Ich systemy mają rozkładać cele inżynieryjne na mniejsze zadania, uruchamiać istniejące narzędzia EDA, interpretować pomiary i powtarzać cały cykl aż do osiągnięcia założonego wyniku. 217

To zmienia najważniejsze pytanie strategiczne. Liderem nie musi zostać firma dysponująca najlepszym modelem ogólnego przeznaczenia. Większe znaczenie może mieć to, kto najlepiej połączy agenta z bazami danych projektowych, deterministycznymi solverami, dowodami z weryfikacji, zabezpieczeniami i procesem produkcyjnego zatwierdzania projektu.

Od copilotów do agentów EDA

Klasyczne narzędzia EDA wykonują ściśle określone operacje: syntezę, symulację, weryfikację formalną, rozmieszczenie i trasowanie, analizę czasową czy fizyczne sign-off. System agentowy dodaje nad nimi warstwę planowania i koordynacji.

Typowa pętla wygląda następująco:

1. agent interpretuje cel projektowy albo wykryty błąd;
2. wybiera odpowiednie narzędzia i dzieli pracę na podzadania;
3. generuje lub modyfikuje kod RTL, ograniczenia, testy albo konfigurację;
4. uruchamia deterministyczną symulację, sprawdzenie formalne lub analizę fizyczną;
5. odczytuje metryki, logi, przebiegi czasowe albo kontrprzykłady;
6. proponuje kolejną zmianę i ponawia proces.

Badania nad agentową optymalizacją projektu fizycznego opisują podobny mechanizm: interpretację celów zapisanych językiem naturalnym, wywoływanie narzędzi EDA, analizę ich wyników, modyfikowanie konfiguracji lub kodu oraz iterowanie na podstawie zmierzonej jakości rozwiązania. 1

Różnica względem copilotów jest istotna. Copilot sugeruje następny krok. Agent może przejąć dłuższą sekwencję działań, choć nadal powinien działać w granicach wyznaczonych przez narzędzia inżynieryjne i cele zdefiniowane przez człowieka.

Synopsys: drabina autonomii i AgentEngineer

Strategia Synopsys opiera się na skali autonomii L1–L5. Firma chce przechodzić od pomocy i automatyzacji sterowanej przez człowieka do coraz bardziej niezależnych przepływów pracy, obejmujących docelowo wiele obszarów projektowania. Granice poszczególnych poziomów są jednak elementem mapy drogowej Synopsys, a nie powszechnie przyjętym standardem ani certyfikacją branżową.

Praktycznym centrum tej strategii jest AgentEngineer. Podczas DAC Synopsys opisał orkiestratora, który rozbija cel weryfikacyjny na mniejsze zadania, koordynuje wyspecjalizowane agenty, wywołuje narzędzia EDA, analizuje wyniki i kontynuuje pracę w zamkniętej pętli. Synopsys i NVIDIA określają te rozwiązania jako w pełni autonomiczne, długotrwałe przepływy pracy dla projektowania chipów i systemów elektronicznych. 314

Firma pokazała także autonomiczną weryfikację, analizę przyczyn źródłowych oraz zamykanie procesu debugowania. Według danych podawanych przez Synopsys rozwiązanie może skrócić czas dojścia do zweryfikowanego RTL nawet 50-krotnie i zwiększyć pokrycie o 20 proc. Są to deklaracje producenta, a nie niezależne wyniki testów porównawczych. 19

Osobny przepływ opracowany przez Synopsys wspólnie z Microsoft Discovery przyniósł we wstępnej ocenie redukcję czasu cyklu debugowania o 25–40 proc. Ten rezultat również należy traktować jako wczesną ewaluację, a nie uniwersalny benchmark produkcyjny. 17

Od RTL do symulacji termicznej

Synopsys rozszerza agentowe podejście poza logikę cyfrową. W centrum zainteresowania znajdują się także obciążone obliczeniowo przepływy inżynierii systemowej, w tym symulacje termiczne. Agent może pomóc skonfigurować symulację, uruchomić ją, ocenić wyniki i udoskonalić kolejne iteracje. Dzięki portfolio Ansys firma wzmacnia narrację „od krzemu do systemów”, wykraczającą poza klasyczny przepływ RTL–GDS. 1417

Potencjalną przewagą Synopsys jest więc szerokość oferty. Jeśli ta sama warstwa orkiestracji będzie działać zarówno przy weryfikacji, jak i przy symulacjach fizyki systemowej, agentowa EDA może stać się spójnym środowiskiem inżynieryjnym, a nie zbiorem odizolowanych asystentów.

Cadence: wyspecjalizowane agenty i trwały kontekst projektu

Cadence podąża nieco inną drogą. Firma mówi o hierarchii wyspecjalizowanych agentów koordynowanych przez nadrzędnego superagenta AI, wiązanego w materiałach z ChipStack AI Super Agent oraz nazwami AgentStack lub AuraStack. Nazewnictwo nie jest jednak jednolicie potwierdzone we wszystkich dostępnych materiałach, dlatego najbezpieczniej odwoływać się do ChipStack AI Super Agent i AgentStack. 218

Najbardziej charakterystyczną koncepcją Cadence jest Mental Model — „model mentalny” projektu. Agent ma nie polegać wyłącznie na bieżącym poleceniu, lecz utrzymywać uporządkowany, specyficzny dla projektu kontekst: ograniczenia, historię zmian, intencje projektowe i podjęte wcześniej decyzje.

To ważne, ponieważ w projektowaniu chipów lokalnie sensowna zmiana może naruszyć budżet czasowy, ograniczenia obudowy, cel energetyczny albo wcześniejszą decyzję architektoniczną. Trwały kontekst ma pomóc agentowi rozumować o całym projekcie, a nie tylko o pojedynczym promptcie.

Cadence podkreśla również przyspieszanie analiz wielofizycznych. Chodzi o możliwość rozumowania jednocześnie o zjawiskach elektrycznych, termicznych, mechanicznych i przepływowych, tak aby decyzje projektowe oceniać przez pryzmat konsekwencji na poziomie całego systemu, a nie wyłącznie parametrów cyfrowych. 1718

Strategia Cadence opiera się więc na kompletności architektury i kontekście: agent ma nie tylko automatyzować pojedynczy etap, ale rozumieć projekt jako trwały system wzajemnie oddziałujących ograniczeń.

Siemens: zaufanie dzięki samoweryfikacji

Siemens EDA wyróżnia Fuse EDA AI Agent naciskiem na zaufanie. Podstawą jest pętla samoweryfikacji: propozycja agenta zostaje sprawdzona przez deterministyczne, oparte na fizyce silniki firmy, zanim wynik przejdzie dalej. 2

Fuse wykorzystuje skalowalną architekturę Model Context Protocol (MCP). MCP zapewnia wspólny sposób łączenia warstwy orkiestracji z narzędziami i informacjami inżynieryjnymi dotyczącymi m.in. RTL, weryfikacji, projektowania analogowego i custom, place-and-route oraz fizycznego sign-off. 2

To odpowiedź na jedno z największych zagrożeń autonomicznej inżynierii: model językowy może wygenerować plan, który brzmi przekonująco, ale jest fizycznie niewykonalny. W przepływie samoweryfikującym ostateczny autorytet należy do narzędzia domenowego. Jeśli analiza czasu, geometria, fizyka albo formalne ograniczenie odrzuci propozycję, agent może wykorzystać te dane do zmiany planu.

Siemens przedstawia też szerszą wizję cyfrowego wątku produkcyjnego. Agentowe przepływy mogą łączyć decyzje projektowe z planowaniem produkcji i harmonogramowaniem łańcucha dostaw. Przewagą ma być zatem nie tylko autonomia, lecz autonomia ograniczona dowodami przemysłowymi i powiązana z późniejszym wykonaniem.

NVIDIA staje się wspólną warstwą infrastruktury

NVIDIA nie zastępuje tradycyjnych dostawców EDA. Dostarcza raczej wiele warstw potrzebnych do budowy nowego stosu agentowego, a tym samym może stać się ważnym punktem zależności platformowej.

NVIDIA zainwestowała 2 mld dol. w Synopsys w ramach rozszerzonego, wieloletniego partnerstwa skoncentrowanego na inżynierii napędzanej przez AI i przyspieszaniu obciążeń EDA. 13

Infrastruktura obejmuje kilka elementów:

• Obliczenia przyspieszone: Grace Blackwell jest wykorzystywany do symulacji i wnioskowania AI. Synopsys informował, że mikrousługi wnioskowania NVIDIA NIM zapewniły dwukrotnie krótszy czas uzyskania informacji w generatywnym Copilocie, a NVIDIA podała 34-krotne przyspieszenie względem CPU dla zastosowania Fluent w symulacji aerodynamicznej. Są to wyniki dla konkretnych przypadków użycia, nie uniwersalne benchmarki EDA. 1516
• Modele i orkiestracja: przepływ Synopsys prezentowany na DAC korzystał z NVIDIA Nemotron, NVIDIA Agent Toolkit oraz środowiska OpenShell do uruchamiania i zarządzania agentami. 314
• Przyspieszanie fizyki: biblioteki CUDA-X i PhysicsNeMo mają wspierać obciążone symulacjami przepływy inżynieryjne. 2
• Wydajność CPU: Vera CPU jest kierowany do intensywnych obliczeniowo i sekwencyjnych zadań, które nadal odgrywają dużą rolę w klasycznej EDA. NVIDIA współpracuje z Cadence i Synopsys nad optymalizacją aplikacji; podawane testy wykazały około 1,5-krotny wzrost wydajności Cadence Jasper i Synopsys VCS, ale są to dane producenta. 45

Powstaje wielowarstwowa rywalizacja. Firmy EDA kontrolują bazy danych projektowych, narzędzia domenowe i procesy sign-off, podczas gdy NVIDIA dostarcza moc obliczeniową, modele, komponenty orkiestracji i środowisko uruchomieniowe. Klienci mogą zyskać szybsze przepływy, ale pojawia się pytanie, jak duża część przyszłego stosu inżynieryjnego będzie zależeć od wspólnej platformy sprzętowo-programowej.

Co naprawdę pokazał eksperyment Kimi K3?

Demonstracja Kimi K3 jest ważnym kontrapunktem dla ogłoszeń największych dostawców EDA. Według materiałów projektu Kimi K3 w ciągu 48 godzin autonomicznie zaprojektował, zoptymalizował i zweryfikował chip dla niewielkiego modelu AI, korzystając z otwartoźródłowych narzędzi EDA i biblioteki Nangate 45 nm. Projekt miał około 4 mm² i w symulacji osiągnął zamknięcie czasowe przy 100 MHz. 17

To istotny dowód na to, że agent oparty na LLM może skoordynować ograniczony przepływ od architektury, przez generowanie RTL i optymalizację, po weryfikację oraz analizę czasu.

Nie dowodzi jednak, że komercyjne narzędzia EDA ani eksperci od projektowania chipów stały się zbędni. Eksperyment korzystał z dojrzałego procesu 45 nm, oddalonego o około dwie dekady od technologii wiodących producentów. Nie potwierdza więc skuteczności w nowoczesnych kitach projektowych, zaawansowanym zamykaniu parametrów czasowych i energetycznych, projektowaniu analogowym, design-for-test, integracji IP, analizie niezawodności, ograniczeniach produkcyjnych ani produkcyjnym sign-off.

Problemem pozostaje także jakość dowodów. Wynik pochodzi z materiałów samego projektu i nie został niezależnie odtworzony jako benchmark produkcyjny. Twierdzenia, że projekt jest 20–30 razy wolniejszy od współczesnych chipów, nie powinny być traktowane jako kontrolowane porównanie bez mocniejszych danych.

Najostrożniejszy wniosek brzmi zatem: narzędzia open source mogą obsłużyć imponującą demonstrację w dojrzałym procesie technologicznym, ale konkurencyjne i nadające się do produkcji układy w najnowszych technologiach nadal zależą od danych dostarczanych przez foundry, bibliotek procesowych, dojrzałych przepływów sign-off i wyspecjalizowanej wiedzy inżynieryjnej.

Chińscy dostawcy EDA dostają szansę na przeskok

Agentowa AI daje chińskim firmom EDA możliwość konkurowania na poziomie całych przepływów pracy, zamiast odtwarzania każdego dojrzałego narzędzia punktowego. Szczególnie obiecujące obszary to weryfikacja, debugowanie, wdrożenia lokalne, zaawansowane opakowania oraz interfejsy projektowe tworzone od początku z myślą o LLM. Relacje z DAC opisują wejście agentów w kolejne etapy — od generowania RTL i testbenchy po symulację, weryfikację formalną i debugowanie. 17

W dostarczonych materiałach pojawiają się m.in.:

• Xpeedic, którego kompetencje w zakresie integralności sygnałowej i zasilania można połączyć z agentową analizą systemu, obudowy i zaawansowanych opakowań;
• XEPIC, który ogłosił fundament XEPIC Intelligent System, obejmujący inteligentne systemy projektowania i weryfikacji oraz szybsze rozwiązania symulacyjne. 17
• UniVista, opisująca agentową platformę zdolną koordynować projektowanie RTL, weryfikację, poprawki i optymalizację na bazie krajowej architektury EDA. 17
• Chips Z, Banxin i Zhiwei Chuangxin, reprezentujące szerszy kierunek rozwoju kontrolowanych lokalnie łańcuchów narzędzi, wyspecjalizowanych agentów projektowych i weryfikacyjnych oraz interfejsów inżynieryjnych natywnych dla LLM.

Najbardziej wiarygodnym wzorcem produktu jest pętla oparta na dowodach: agent generuje hipotezę albo poprawkę, uruchamia symulację lub weryfikację formalną, analizuje kontrprzykład bądź metrykę jakości, a następnie wykorzystuje te dane w kolejnej iteracji. To znacznie bardziej przekonujące niż polecenie modelowi ogólnego przeznaczenia, by wygenerował chip, a następnie przyjęcie wyniku bez kontroli domenowej.

Często powtarzane oszacowanie, że inżynierowie spędzają około 60 proc. czasu na debugowaniu i zadaniach procesowych, należy traktować jako branżową estymację, a nie uniwersalny pomiar. Sama szansa jest jednak wyraźna: automatyzacji sprzyjają powtarzalny triage, analiza śladów, tworzenie testów, lokalizowanie przyczyn źródłowych i naprawa regresji. 17

W EDA wygrywa nie najbardziej elokwentny model, lecz najlepszy dowód

Najważniejszym sygnałem z DAC 2026 nie jest to, że autonomiczne projektowanie chipów zostało już rozwiązane. Jest nim uznanie przez największych dostawców EDA, że agentowe przepływy staną się kolejnym sposobem wzmacniania przewagi platformowej.

Synopsys akcentuje drabinę autonomii, AgentEngineer, zamykanie weryfikacji i szerokość obejmującą całe systemy. Cadence stawia na współpracę wyspecjalizowanych agentów, trwały kontekst projektu i rozumowanie wielofizyczne. Siemens podkreśla samoweryfikację, integrację narzędzi przez MCP i szerszy przemysłowy cyfrowy wątek.

Wspólnym wyzwaniem pozostaje zaufanie. Użyteczny agent EDA musi wyjaśnić, co zmienił, umożliwić odtworzenie przepływu, zachować intencję projektową i przedstawić deterministyczne dowody, że rezultat spełnia odpowiednie ograniczenia.

Najbliższej przyszłości nie wygra więc prawdopodobnie firma z najbardziej płynnym modelem językowym. Wygra ta, której agenty będą potrafiły bezpiecznie działać wewnątrz istniejących przepływów danych, IP, bezpieczeństwa, symulacji i sign-off — zamieniając każdą autonomiczną akcję w możliwy do audytu dowód inżynieryjny.