Como Synopsys, Cadence e Siemens querem tornar o projeto de chips agentivo

A DAC 2026 transformou a IA agentiva em uma disputa de plataformas dentro da automação de projeto eletrônico, ou EDA (sigla em inglês para electronic design automation). Synopsys, Cadence e Siemens EDA já não apresentam a inteligência artificial apenas como um assistente conversacional para escrever RTL — a descrição de hardware em nível de transferência de registradores — ou consultar documentação. As novas soluções foram concebidas para decompor objetivos de engenharia, acionar ferramentas tradicionais de EDA, interpretar medições e repetir o ciclo até alcançar uma meta. 217

A mudança altera a pergunta estratégica. A empresa vencedora talvez não seja a que tiver o modelo de uso geral mais capaz, mas aquela que conseguir conectar um agente a dados de projeto, solucionadores determinísticos, evidências de verificação, controles de segurança e processos de aprovação para produção.

O que mudou na DAC 2026?

As ferramentas tradicionais de EDA executam operações bem definidas, como síntese, simulação, verificação formal, posicionamento e roteamento, análise de temporização e aprovação física. Um sistema agentivo acrescenta uma camada de planejamento e coordenação a esse conjunto.

Em um fluxo típico, o agente:

1. interpreta um objetivo de projeto ou uma falha;
2. seleciona as ferramentas e subtarefas relevantes;
3. gera ou altera RTL, restrições, testes ou configurações;
4. executa simulações determinísticas, verificações formais ou análises físicas;
5. lê métricas, registros, formas de onda ou contraexemplos; e
6. propõe outra alteração e repete o processo.

Pesquisas sobre IA agentiva para projeto físico descrevem um padrão semelhante: interpretar objetivos em linguagem natural, acionar ferramentas de EDA, analisar seus resultados, modificar configurações ou código e iterar com base na qualidade medida do resultado. 1

A diferença em relação a um copiloto é importante. O copiloto sugere a próxima ação; um fluxo agentivo pode conduzir uma sequência mais longa de tarefas, ainda limitado pelas ferramentas de engenharia e pelas metas definidas por humanos.

Synopsys: uma escala de autonomia baseada no AgentEngineer

A estratégia da Synopsys está organizada em uma progressão de autonomia de L1 a L5. A ideia é avançar da assistência e da automação guiada para fluxos de engenharia cada vez mais independentes, eventualmente atravessando vários domínios de projeto. A fronteira exata entre os níveis é um roteiro da própria empresa, não um padrão universal de certificação.

O centro prático dessa estratégia é o AgentEngineer. Na DAC, a Synopsys descreveu um orquestrador capaz de dividir um objetivo de verificação em tarefas menores, coordenar agentes especializados, chamar ferramentas de EDA, analisar resultados e continuar trabalhando em um ciclo fechado. Synopsys e NVIDIA apresentaram esses recursos como fluxos autônomos e de longa duração para o projeto de chips e sistemas eletrônicos. 314

A Synopsys destacou verificação autônoma, análise de causa raiz e fechamento de depuração. Demonstrações divulgadas pela empresa alegaram uma redução de até 50 vezes no tempo necessário para chegar a um RTL validado e aumento de 20% na cobertura. Esses números são declarações da fornecedora, não resultados de um benchmark independente. 19

Em um fluxo separado, desenvolvido com o Microsoft Discovery, a Synopsys relatou reduções preliminares de 25% a 40% no tempo dos ciclos de depuração. Esse resultado também deve ser visto como uma avaliação inicial, e não como um benchmark geral de produção. 17

Do RTL à simulação térmica

A Synopsys está estendendo o mesmo conceito agentivo para além da lógica digital. A estratégia apresentada na DAC inclui fluxos de sistemas eletrônicos com forte componente físico, como simulação térmica, nos quais um agente pode ajudar a configurar e executar uma simulação, avaliar o resultado e refinar o fluxo.

O posicionamento mais amplo, de “silício a sistemas”, é reforçado pelo portfólio Ansys e vai além de um fluxo restrito de RTL a GDS. 1417

A vantagem estratégica pretendida é a abrangência: se a mesma camada de orquestração puder operar em verificação e em simulações físicas de sistemas, a Synopsys poderá apresentar a EDA agentiva como um ambiente contínuo de engenharia, e não como uma coleção de assistentes isolados.

Cadence: agentes especializados e contexto persistente

A Cadence segue um caminho diferente. Seu posicionamento público se concentra em uma hierarquia de agentes especializados coordenados por um superagente de IA, associado ao ChipStack AI Super Agent. Alguns materiais também usam os nomes AgentStack ou AuraStack, mas a nomenclatura não é corroborada de forma consistente nas fontes disponíveis; por isso, ChipStack AI Super Agent e AgentStack são referências mais seguras. 218

O conceito mais distintivo da Cadence é o Mental Model. Em vez de depender apenas do prompt imediato, o agente deve manter um contexto estruturado e específico do projeto, incluindo restrições, histórico, intenção e decisões acumuladas.

Isso é relevante porque o projeto de chips é altamente contextual. Uma alteração localmente razoável pode violar um orçamento de temporização, uma restrição de encapsulamento, uma meta de consumo de energia ou uma decisão arquitetural tomada anteriormente.

A Cadence também enfatiza a aceleração multifísica. A proposta é permitir que agentes raciocinem sobre efeitos elétricos, térmicos, mecânicos e fluidodinâmicos, para que uma decisão de projeto seja avaliada por suas consequências no nível do sistema, e não apenas por métricas digitais. 1718

Em termos estratégicos, a Cadence compete pela combinação de completude arquitetural e contexto. O objetivo não é automatizar apenas uma etapa, mas fazer o agente compreender o projeto como um sistema persistente, com restrições que interagem entre si.

Siemens: confiança por meio da autoverificação

A Siemens EDA diferencia seu Fuse EDA AI Agent pela confiança. A ideia central é um ciclo de autoverificação no qual a ação proposta pelo agente é conferida por motores determinísticos e baseados em física da Siemens antes que o resultado avance. 2

O Fuse utiliza uma arquitetura escalável baseada no Model Context Protocol (MCP). O protocolo oferece uma forma comum de conectar uma camada de orquestração a ferramentas e informações de engenharia em áreas como RTL, verificação, projeto analógico e customizado, posicionamento e roteamento e aprovação física. 2

Essa abordagem trata de um dos riscos centrais da engenharia autônoma: um modelo de linguagem pode produzir um plano plausível, mas fisicamente inválido. Em um fluxo autoverificado, a conferência de autoridade vem da ferramenta de domínio. Se temporização, geometria, física ou outra restrição formal rejeitar a ação proposta, o fluxo pode usar essa evidência para revisar o plano.

A Siemens também apresenta uma oportunidade mais ampla por meio do chamado fio digital. Sua visão agentiva pode conectar decisões de projeto ao planejamento de fabricação e à programação da cadeia de suprimentos, levando o fluxo para além da implementação do chip. O diferencial, portanto, não é apenas a autonomia, mas uma autonomia limitada por evidências industriais e pela execução nas etapas seguintes.

NVIDIA se torna uma camada comum de infraestrutura

A NVIDIA não está substituindo as líderes tradicionais como uma fornecedora convencional de EDA. Em vez disso, está oferecendo várias camadas capazes de sustentar a nova arquitetura agentiva — e criando, ao mesmo tempo, um possível ponto de dependência de plataforma.

A empresa investiu US$ 2 bilhões na Synopsys como parte de uma parceria plurianual ampliada, voltada à engenharia orientada por IA e à aceleração de cargas de trabalho de EDA. 13

A infraestrutura cobre várias funções:

• Computação acelerada: a plataforma Grace Blackwell é usada em simulação e inferência de IA. A Synopsys informou que os microsserviços de inferência NVIDIA NIM proporcionaram o dobro da velocidade de acesso à informação em seu Copilot de IA generativa. Já a NVIDIA divulgou uma aceleração de 34 vezes em comparação com CPU em um caso de simulação aerodinâmica no Fluent. São resultados de casos de uso específicos, não benchmarks universais de EDA. 1516
• Modelos e orquestração: o fluxo apresentado pela Synopsys na DAC usou o Nemotron, o NVIDIA Agent Toolkit e o ambiente de execução OpenShell para executar e governar agentes. 314
• Aceleração de física: as bibliotecas CUDA-X e PhysicsNeMo da NVIDIA foram desenvolvidas para apoiar fluxos de engenharia com forte carga de simulação. 2
• Desempenho de CPU: a Vera CPU mira cargas intensivas em computação e tarefas sequenciais que continuam importantes na EDA convencional. A NVIDIA afirma trabalhar com Cadence e Synopsys na otimização de aplicações; testes divulgados apontaram ganhos de aproximadamente 1,5 vez no Jasper, da Cadence, e no VCS, da Synopsys, embora os números sejam reportados pelas próprias empresas. 45

O resultado é uma disputa em camadas. As empresas de EDA controlam bases de dados de projeto, ferramentas de domínio e fluxos de aprovação; a NVIDIA fornece computação, modelos, componentes de orquestração e infraestrutura de execução. Os clientes podem se beneficiar de fluxos mais rápidos, mas o arranjo também levanta a questão de quanto da futura pilha de engenharia dependerá de uma plataforma comum de hardware e software.

O que o experimento Kimi K3 mostra — e o que não mostra

A demonstração do Kimi K3 funciona como um contraponto aos anúncios das empresas estabelecidas. O relato fornecido descreve uma execução autônoma de 48 horas na qual o Kimi K3 projetou, otimizou e verificou um chip para um modelo de IA compacto usando ferramentas de EDA de código aberto e a biblioteca Nangate de 45 nm. O projeto teria ocupado cerca de 4 mm² e fechado a temporização a 100 MHz em simulação. 17

Isso é uma evidência relevante de que um agente baseado em modelo de linguagem pode coordenar um ciclo de projeto de ponta a ponta sob condições restritas. O experimento mostra que arquitetura, geração de RTL, otimização, verificação e análise de temporização podem ser conectadas em um único processo autônomo.

Mas não prova que as ferramentas comerciais de EDA ou as equipes especializadas de projeto de chips se tornaram obsoletas. O teste usou um fluxo de referência maduro em 45 nm, aproximadamente duas décadas atrás da tecnologia de processo mais avançada. Ele não comprova desempenho em kits modernos de projeto de processo, fechamento avançado de temporização e consumo, projeto analógico, design-for-test, integração de IP, análise de confiabilidade, restrições de fabricação ou aprovação para produção.

O experimento também expõe um problema de evidência. O resultado divulgado é uma demonstração técnica baseada nos próprios materiais do projeto, e não um benchmark de produção reproduzido de forma independente. Por isso, alegações de que o projeto teria desempenho 20 a 30 vezes inferior ao de chips contemporâneos não devem ser tratadas como uma comparação controlada sem evidências mais fortes.

A conclusão mais cuidadosa é mais limitada: ferramentas de código aberto podem sustentar uma demonstração impressionante em um nó tecnológico maduro, enquanto projetos competitivos, fabricáveis e de ponta ainda dependem fortemente de materiais fornecidos pelas fabricantes, bibliotecas de processo, fluxos de aprovação maduros e conhecimento especializado de engenharia.

Por que isso abre espaço para empresas chinesas de EDA

A IA agentiva oferece às empresas chinesas de EDA uma oportunidade de competir no nível do fluxo de trabalho, em vez de simplesmente reproduzir cada ferramenta pontual já madura. A oportunidade é especialmente forte em verificação, depuração, implantação doméstica, encapsulamento avançado e interfaces de engenharia nativas de modelos de linguagem. Relatos sobre a DAC descrevem a entrada da IA agentiva no fluxo desde a geração de RTL e a criação de ambientes de teste até simulação, verificação formal e depuração. 17

Entre os exemplos citados na pesquisa fornecida estão:

• Xpeedic, cujas capacidades de integridade de sinal e de energia podem ser combinadas com análises agentivas de sistemas, encapsulamento e empacotamento avançado.
• XEPIC, que anunciou a base XEPIC Intelligent System, incluindo sistemas inteligentes de verificação e projeto e uma oferta de simulação mais rápida. 17
• UniVista, que descreveu uma plataforma agentiva capaz de coordenar projeto RTL, verificação, correção e otimização em uma arquitetura de EDA desenvolvida domesticamente. 17
• Chips Z, Banxin e Zhiwei Chuangxin, que ilustram o movimento mais amplo em direção a cadeias de ferramentas sob controle doméstico, agentes especializados de projeto e verificação e interfaces de engenharia nativas de modelos de linguagem.

O padrão de produto mais defensável é um ciclo baseado em evidências: gerar uma hipótese ou correção, executar simulação ou verificação formal, analisar o contraexemplo ou a métrica de qualidade e devolver essa evidência ao agente. Essa abordagem é mais crível do que pedir a um modelo de uso geral que gere um chip e confiar no resultado sem verificações de domínio.

A estimativa frequentemente repetida de que engenheiros gastam cerca de 60% do tempo com depuração e tarefas orientadas por processos deve ser tratada como uma estimativa do setor, não como uma medição universal. Ainda assim, a oportunidade subjacente é clara: triagem repetitiva, análise de rastros, criação de testes, localização de causas raiz e correção de regressões são alvos atraentes para automação. 17

A verdadeira disputa da EDA é por evidências

O sinal mais importante da DAC 2026 não foi que o projeto autônomo de chips já esteja resolvido. Foi que as principais empresas de EDA agora enxergam os fluxos agentivos como a próxima forma de ampliar suas vantagens de plataforma.

A Synopsys enfatiza uma escala de autonomia, o AgentEngineer, o fechamento de verificação e a abrangência do silício aos sistemas. A Cadence aposta na coordenação de agentes especializados, no contexto persistente de projeto e no raciocínio multifísico. A Siemens destaca autoverificação, integração de ferramentas baseada em MCP e uma conexão industrial mais ampla.

O desafio comum é a confiança. Um agente de EDA útil precisa explicar o que alterou, reproduzir o fluxo, preservar a intenção do projeto e apresentar evidências determinísticas de que o resultado atende às restrições relevantes.

Por isso, o vencedor no curto prazo provavelmente não será o fornecedor com o modelo mais fluente. Será aquele cujos agentes consigam operar com segurança dentro dos fluxos existentes de dados, propriedade intelectual, segurança, simulação e aprovação — transformando cada ação autônoma em uma evidência de engenharia auditável.