Как Synopsys, Cadence и Siemens пытаются сделать проектирование чипов автономным

На конференции DAC 2026 агентный ИИ стал не просто новым режимом работы с EDA-инструментами, а предметом платформенной конкуренции. Synopsys, Cadence и Siemens EDA больше не ограничиваются демонстрацией чат-ботов для генерации RTL-кода или поиска документации. Их системы должны самостоятельно разбирать инженерную цель, вызывать уже существующие инструменты автоматизации проектирования, интерпретировать измерения и повторять цикл до достижения заданного результата. 217

Отсюда меняется и главный стратегический вопрос. Победит, вероятно, не тот поставщик, у которого самая сильная универсальная языковая модель, а тот, кто лучше свяжет агент с проектными данными, детерминированными решателями, доказательствами верификации, средствами безопасности и процедурами финального утверждения проекта.

Что именно изменилось на DAC 2026

Классические EDA-системы выполняют четко определенные операции: синтез, моделирование, формальную верификацию, размещение и трассировку, анализ временных параметров или физическую проверку проекта. Агентная EDA добавляет к ним уровень планирования и координации.

Типичный цикл выглядит так:

1. агент интерпретирует цель проектирования или обнаруженную ошибку;
2. выбирает нужные инструменты и подзадачи;
3. создает или изменяет RTL, ограничения, тесты либо конфигурации;
4. запускает детерминированное моделирование, формальные проверки или физический анализ;
5. изучает метрики, журналы, временные диаграммы и контрпримеры;
6. предлагает очередное изменение и повторяет процесс.

Исследования агентного физического проектирования описывают похожую схему: система понимает цель на естественном языке, вызывает EDA-инструменты, анализирует их вывод, меняет конфигурации или исходный код и итеративно улучшает результат по измеряемым показателям качества. 1

Разница между агентом и copilot здесь принципиальна. Copilot предлагает следующий шаг, тогда как агентная система может самостоятельно вести длинную последовательность операций — но в пределах инженерных инструментов и целей, заданных человеком.

Synopsys: лестница автономности и AgentEngineer

Стратегия Synopsys строится вокруг уровней автономности L1–L5. Компания описывает путь от помощи инженеру и управляемой автоматизации к все более самостоятельным рабочим процессам, которые в перспективе должны охватить несколько областей проектирования. Границы этих уровней пока являются частью дорожной карты Synopsys, а не общепринятым отраслевым стандартом. Поэтому L1–L5 следует воспринимать как внутреннюю систему оценки автономности компании, а не как универсальную сертификацию.

Практический центр этой стратегии — AgentEngineer. На DAC Synopsys показала оркестратор, способный разделить задачу верификации на более мелкие этапы, координировать специализированных агентов, вызывать EDA-инструменты, анализировать результаты и продолжать работу в замкнутом цикле. Вместе с NVIDIA компания описывает эти процессы как полностью автономные и длительные рабочие сценарии для проектирования микросхем и электронных систем. 314

Synopsys отдельно выделяет автономную верификацию, поиск первопричины ошибки и завершение цикла отладки. В опубликованных компанией демонстрациях заявлено сокращение времени до подтвержденного RTL до 50 раз и рост покрытия на 20%. Это данные поставщика, а не результаты независимого бенчмарка. 19

Еще один рабочий процесс Synopsys, разработанный совместно с Microsoft Discovery, показал предварительное сокращение времени отладочного цикла на 25–40%. Этот результат также следует считать ранней оценкой, а не универсальным показателем работы в промышленной среде. 17

От RTL к тепловому моделированию

Synopsys переносит агентный подход за пределы цифровой логики. В стратегии компании на DAC заметное место занимают физически сложные задачи для электронных систем, включая тепловое моделирование. Агент может помочь настроить расчет, запустить его, оценить результат и скорректировать рабочий процесс.

Так укрепляется позиционирование Synopsys «от кремния до систем» — тем более что в портфель компании входит направление Ansys. Речь идет уже не только об автоматизации маршрута RTL-to-GDS, а о единой среде, способной работать с верификацией и физикой на уровне системы. 1417

Преимущество такого подхода — широта охвата. Если один и тот же оркестрационный слой сможет работать с верификацией, тепловыми расчетами и другими физическими задачами, Synopsys сможет представить агентную EDA не как набор разрозненных помощников, а как непрерывную инженерную среду.

Cadence: специализированные агенты и постоянный контекст проекта

Cadence делает акцент на другой архитектуре. В публичных материалах компании фигурирует иерархия специализированных агентов, которыми управляет более высокий ИИ-суперагент. В доступных источниках используются названия ChipStack AI Super Agent, AgentStack и AuraStack, причем они не всегда подтверждаются одинаково последовательно. Поэтому наиболее осторожно ссылаться на ChipStack AI Super Agent и AgentStack. 218

Самая характерная идея Cadence — Mental Model, или «ментальная модель» проекта. Вместо того чтобы опираться только на текущий запрос, агент должен сохранять структурированный контекст: ограничения проекта, историю решений, исходный замысел и накопленные инженерные данные.

Для проектирования чипов это особенно важно. Изменение, которое локально выглядит разумным, может нарушить бюджет по времени, ограничения корпуса и упаковки, целевой уровень энергопотребления или решение, принятое на более раннем архитектурном этапе.

Cadence также продвигает ускорение мультифизических расчетов. Компания стремится дать агентам возможность учитывать электрические, тепловые, механические и гидродинамические эффекты. Тогда решение оценивается не только по цифровым метрикам, но и по последствиям для всей системы. 1718

В стратегическом смысле Cadence конкурирует за полноту архитектуры и качество контекста. Цель — не автоматизировать один этап, а дать агенту устойчивое представление о проекте как о системе, где множество ограничений взаимосвязаны.

Siemens: доверие через самопроверку

Siemens EDA выделяет Fuse EDA AI Agent за счет акцента на доверии. Ключевая идея — цикл самопроверки: предложенное агентом действие проверяется детерминированными физическими движками Siemens, и только после этого результат может продвигаться дальше. 2

Fuse построен на масштабируемой архитектуре Model Context Protocol (MCP). MCP задает общий способ соединения оркестрационного уровня с инструментами и инженерной информацией в таких областях, как RTL, верификация, аналоговое и заказное проектирование, размещение и трассировка, а также физическое утверждение проекта. 2

Такой подход отвечает на одну из главных проблем автономной инженерии: языковая модель может предложить правдоподобный, но физически невозможный план. В самопроверяющемся процессе окончательное слово остается за профильным инструментом. Если временные параметры, геометрия, физика или другое формальное ограничение отвергают действие, агент получает это свидетельство и может пересмотреть план.

Siemens также видит более широкую перспективу в цифровом потоке данных. Агентная система может связывать решения при проектировании с планированием производства и управлением расписанием цепочек поставок. Таким образом, отличие Siemens заключается не только в автономности, но и в автономности, ограниченной промышленными доказательствами и последующим исполнением.

NVIDIA становится общим инфраструктурным слоем

NVIDIA не вытесняет традиционных поставщиков EDA и не выступает их прямой заменой. Скорее, компания поставляет несколько уровней, на которых строится новая агентная архитектура, одновременно создавая возможную зависимость отрасли от общей аппаратной и программной платформы.

В рамках расширенного многолетнего партнерства NVIDIA инвестировала 2 млрд долларов в Synopsys. Сотрудничество сосредоточено на ИИ-инженерии и ускорении EDA-нагрузок. 13

Инфраструктура включает несколько компонентов:

• Ускоренные вычисления. Grace Blackwell используется для моделирования и ИИ-инференса. Synopsys заявила, что микросервисы инференса NVIDIA NIM обеспечили вдвое более быстрое получение информации в ее генеративном Copilot, а NVIDIA сообщила об ускорении аэродинамического моделирования Fluent в 34 раза по сравнению с CPU. Это результаты отдельных сценариев, а не универсальные бенчмарки для EDA. 1516
• Модели и оркестрация. В демонстрации Synopsys на DAC использовались Nemotron, NVIDIA Agent Toolkit и среда OpenShell для выполнения и управления агентами. 314
• Ускорение физики. Библиотеки CUDA-X и PhysicsNeMo предназначены для ресурсоемких инженерных и симуляционных процессов. 2
• Производительность CPU. Vera CPU рассчитан на вычислительно сложные и последовательные задачи, которые по-прежнему важны для традиционной EDA. NVIDIA заявляет о совместной оптимизации приложений с Cadence и Synopsys; в опубликованных тестах сообщалось примерно о 1,5-кратном приросте для Cadence Jasper и Synopsys VCS. Эти показатели также предоставлены поставщиком. 45

В результате формируется многоуровневая конкуренция. EDA-компании контролируют проектные базы данных, профильные инструменты и процедуры signoff, а NVIDIA поставляет вычисления, модели, компоненты оркестрации и среду выполнения. Клиенты могут получить более быстрые процессы, но одновременно возникает вопрос: какая доля будущего инженерного стека окажется привязана к единой аппаратно-программной платформе.

Что показал эксперимент Kimi K3 — и чего он не показал

Демонстрация Kimi K3 стала важным контрапунктом заявлениям крупных EDA-поставщиков. Согласно материалам проекта, Kimi K3 за 48 часов автономной работы спроектировала, оптимизировала и проверила чип для наноразмерной модели, используя открытые EDA-инструменты и библиотеку Nangate 45 нм. Сообщается, что площадь проекта составила около 4 мм², а в моделировании удалось замкнуть временные параметры на частоте 100 МГц. 17

Это убедительное свидетельство того, что агент на базе языковой модели способен связать в единый процесс архитектурное проектирование, генерацию RTL, оптимизацию, верификацию и анализ временных характеристик в ограниченных условиях.

Но эксперимент не доказывает, что коммерческие EDA-инструменты или команды опытных разработчиков чипов стали ненужными. В нем использовался зрелый 45-нм справочный процесс, примерно на два десятилетия отстающий от передовых технологических норм. Результат ничего не говорит о работе с современными PDK, сложным замыканием по времени и энергопотреблению, аналоговым проектированием, design-for-test, интеграцией IP, анализом надежности, производственными ограничениями и промышленным signoff.

Эксперимент также показывает проблему с проверяемостью подобных заявлений. Результат опубликован в технических материалах самого проекта и не был независимо воспроизведен в качестве производственного бенчмарка. Поэтому утверждения, что полученный чип работает в 20–30 раз хуже современных решений, не следует считать контролируемым сравнением без дополнительных доказательств.

Осторожный вывод выглядит так: открытые инструменты уже способны поддержать впечатляющую демонстрацию на зрелом техпроцессе. Однако конкурентоспособные и пригодные к производству проекты на передовых нормах по-прежнему сильно зависят от материалов фабрик, технологических библиотек, зрелых процедур signoff и специализированной инженерной экспертизы.

Почему это открывает окно возможностей для китайских EDA-компаний

Агентный ИИ дает китайским разработчикам EDA шанс конкурировать на уровне рабочих процессов, а не пытаться немедленно воспроизвести каждую зрелую точечную систему. Особенно привлекательными направлениями выглядят верификация, отладка, локальное развертывание, передовая упаковка и интерфейсы, изначально рассчитанные на работу с большими языковыми моделями. На DAC агентный ИИ описывался как часть всего маршрута — от генерации RTL и тестовых окружений до моделирования, формальной верификации и отладки. 17

В доступных материалах упоминаются следующие компании:

• Xpeedic — ее возможности в анализе целостности сигналов и питания могут быть объединены с агентным анализом систем, корпусов и передовой упаковки.
• XEPIC — компания представила основу XEPIC Intelligent System, включающую интеллектуальные системы верификации и проектирования, а также ускоренное моделирование. 17
• UniVista — компания описывала агентную платформу, способную координировать RTL-проектирование, верификацию, исправление ошибок и оптимизацию на базе отечественной EDA-архитектуры. 17
• Chips Z, Banxin и Zhiwei Chuangxin — эти примеры отражают более широкий курс на контролируемые внутри страны инструментальные цепочки, специализированных агентов проектирования и верификации и интерфейсы, рассчитанные на LLM.

Наиболее убедительная модель продукта здесь — цикл, основанный на доказательствах: агент генерирует гипотезу или исправление, запускает моделирование либо формальную проверку, изучает контрпример или метрику качества и возвращает эти данные в следующий шаг. Такой подход выглядит надежнее, чем просьба к универсальной модели самостоятельно создать чип без доменных проверок.

Часто повторяемую оценку, согласно которой инженеры тратят около 60% времени на отладку и процессную работу, следует считать отраслевой оценкой, а не универсально измеренным фактом. Но сама возможность автоматизации очевидна: рутинный триаж, анализ трасс, создание тестов, поиск первопричины и исправление регрессионных ошибок хорошо подходят для агентных систем. 17

В EDA конкурируют прежде всего за доказательства

Главный сигнал DAC 2026 заключается не в том, что автономное проектирование чипов уже решено. Он в том, что крупнейшие EDA-поставщики рассматривают агентные процессы как следующий способ расширить преимущество своих платформ.

Synopsys продвигает шкалу автономности, AgentEngineer, замыкание верификации и охват от кремния до систем. Cadence делает ставку на координацию специализированных агентов, постоянный контекст проекта и мультифизическое рассуждение. Siemens выделяет самопроверку, интеграцию инструментов через MCP и более широкий промышленный цифровой поток.

Общая проблема для всех трех компаний — доверие. Полезный EDA-агент должен объяснять, что именно он изменил, воспроизводить рабочий процесс, сохранять исходный замысел проекта и показывать детерминированные доказательства соответствия нужным ограничениям.

Поэтому в ближайшей перспективе победит, скорее всего, не поставщик с самой красноречивой моделью. Лидером станет тот, чьи агенты смогут безопасно работать внутри существующих потоков данных, IP, безопасности, моделирования и signoff — и превращать каждое автономное действие в проверяемое инженерное доказательство.