DAC 2026 gör agentisk AI till nästa plattformskrig inom EDA

DAC 2026 gjorde agentisk AI till en plattformskamp inom elektronisk designautomation, EDA. Synopsys, Cadence och Siemens EDA presenterade inte längre AI enbart som en chattassistent för RTL-kod eller dokumentsökning. De nya systemen ska kunna bryta ned ett ingenjörsmål, anropa etablerade EDA-verktyg, tolka mätresultat och upprepa processen tills ett mål har nåtts. 217

Det förändrar också den strategiska frågan. Vinnaren blir sannolikt inte företaget med den mest imponerande allmänna språkmodellen, utan det som bäst kan koppla en agent till designdata, deterministiska beräkningsmotorer, verifieringsbevis, säkerhetskontroller och produktionsgodkännande.

Från copilot till ingenjörsloop

Traditionella EDA-verktyg utför väldefinierade uppgifter: syntes, simulering, formell verifiering, fysisk implementation, tidsanalys och fysisk signering. Ett agentiskt EDA-system lägger till ett planerings- och samordningslager ovanpå dessa verktyg.

Ett typiskt arbetsflöde ser ut så här:

1. Agenten tolkar ett designmål eller ett fel.
2. Den väljer relevanta verktyg och deluppgifter.
3. Den genererar eller ändrar RTL, begränsningar, tester eller konfigurationer.
4. Den kör deterministiska simuleringar, formella kontroller eller fysisk analys.
5. Den läser mätvärden, loggar, vågformer eller motexempel.
6. Den föreslår en ny ändring och upprepar processen.

Forskning om agentisk fysisk design beskriver samma grundmönster: naturliga språkkrav tolkas, EDA-verktyg anropas, resultaten analyseras och konfigurationer eller källkod ändras i en iterativ loop som styrs av uppmätt resultatkvalitet. 1

Skillnaden mot en copilot är viktig. En copilot föreslår nästa steg. En agent kan ansvara för en längre kedja av åtgärder – men fortfarande inom ramen för ingenjörsverktyg och mål som definierats av människor.

Synopsys: en autonomitrappa kring AgentEngineer

Synopsys organiserar sin strategi kring en L1–L5-trappa för autonomi. Tanken är att gå från assistans och styrd automatisering till allt mer självständiga arbetsflöden som på sikt spänner över flera designområden. Gränserna mellan nivåerna är dock Synopsys egen färdplan, inte en branschgemensam standard.

Den praktiska kärnan är AgentEngineer. På DAC beskrev Synopsys en orkestrator som kan dela upp ett verifieringsmål i mindre jobb, samordna specialiserade agenter, anropa EDA-verktyg, granska resultaten och fortsätta arbeta i en sluten loop. Tillsammans med NVIDIA beskrev företaget detta som helt autonoma, långvariga arbetsflöden för chip- och elektroniksystemdesign. 314

Synopsys lyfte särskilt fram autonom verifiering, analys av grundorsaker och avslutning av felsökningsarbetet. Företagets egna demonstrationer uppges ha gett upp till 50 gånger snabbare tid till validerad RTL och 20 procent bättre täckning. Det är leverantörens egna siffror, inte resultat från oberoende jämförelser. 19

Ett separat arbetsflöde som Synopsys utvecklat tillsammans med Microsoft Discovery rapporterade preliminära minskningar av felsökningscykeln på 25–40 procent. Även det bör betraktas som en tidig utvärdering, inte som ett generellt produktionsbenchmark. 17

Från RTL till termisk simulering

Synopsys försöker dessutom flytta samma agentiska idé bortom digital logik. Strategin omfattar fysiktunga arbetsflöden för elektroniksystem, bland annat termisk simulering. Där kan en agent hjälpa till att konfigurera en simulering, köra den, bedöma resultatet och förfina arbetsflödet.

Med Ansys-portföljen i ryggen positionerar sig Synopsys därför för ett sammanhängande flöde från kisel till system – inte bara för automatisering från RTL till GDS. 1417

Den möjliga fördelen är bredden: om samma orkestreringslager kan arbeta med både verifiering och systemfysik kan agentisk EDA framstå som en sammanhängande ingenjörsmiljö, snarare än en samling isolerade AI-assistenter.

Cadence: specialister och ett beständigt designminne

Cadence väljer en något annan väg. Företagets offentliga positionering kretsar kring en hierarki av specialiserade agenter som samordnas av en överordnad AI-agent, i material och rapportering kopplad till ChipStack AI Super Agent och namn som AgentStack eller AuraStack. Eftersom produktnamnen inte är konsekvent bekräftade i det tillgängliga materialet är AgentStack och ChipStack AI Super Agent de säkrare benämningarna. 218

Cadence mest särpräglade idé är Mental Model. I stället för att bara utgå från den senaste prompten ska agenten behålla strukturerad, projektspecifik kontext: designens begränsningar, historik, avsikt och tidigare beslut.

Det är betydelsefullt eftersom chipdesign är starkt beroende av sammanhang. En förändring som verkar rimlig lokalt kan bryta mot en tidsbudget, ett kapslingskrav, ett effektmål eller ett tidigare arkitekturbeslut.

Cadence betonar också acceleration av multiphysik. Ambitionen är att agenter ska kunna resonera över elektriska, termiska, mekaniska och fluidiska effekter, så att ett designbeslut bedöms utifrån konsekvenser på systemnivå – inte bara digitala mätvärden. 1718

Strategiskt konkurrerar Cadence alltså med arkitektonisk helhet och kontext. Målet är inte enbart att automatisera ett steg, utan att få agenten att förstå designen som ett beständigt system med beroende begränsningar.

Siemens: förtroende genom självverifiering

Siemens EDA differentierar sin Fuse EDA AI Agent genom fokus på tillit. Grundidén är en självverifierande loop där agentens föreslagna åtgärder kontrolleras mot deterministiska, fysikbaserade Siemens-motorer innan resultatet går vidare. 2

Fuse bygger på en skalbar arkitektur kring Model Context Protocol, MCP. Protokollet erbjuder ett gemensamt sätt att koppla ett orkestreringslager till verktyg och ingenjörsinformation inom bland annat RTL, verifiering, analog och kundanpassad design, place-and-route samt fysisk signering. 2

Det angriper en central risk med autonom ingenjörskonst: en språkmodell kan formulera en övertygande plan som ändå är fysiskt omöjlig. I ett självverifierande arbetsflöde kommer den auktoritativa kontrollen från domänverktyget. Om timing, geometri, fysik eller ett annat formellt krav underkänner förslaget kan agenten använda beviset för att revidera sin plan.

Siemens ser också en bredare möjlighet i den digitala tråden. Den agentiska visionen kan koppla designbeslut till produktionsplanering och leveranskedjescheman, vilket förlänger arbetsflödet bortom själva chipimplementeringen. Skillnaden handlar därmed inte bara om autonomi, utan om autonomi som begränsas av industriella bevis och efterföljande genomförande.

NVIDIA blir det gemensamma infrastrukturlagret

NVIDIA ersätter inte de etablerade EDA-leverantörerna i traditionell mening. I stället tillhandahåller bolaget flera lager som kan bära den nya agentiska stacken – och skapar därmed också en möjlig plattformsberoende punkt.

NVIDIA investerade 2 miljarder dollar i Synopsys som en del av ett utökat flerårigt partnerskap kring AI-driven ingenjörskonst och accelererade EDA-arbetslaster. 13

Infrastrukturen omfattar flera delar:

• Accelererad beräkning: Grace Blackwell används för simulering och AI-inferens. Synopsys har rapporterat att NVIDIAs NIM-inferensmikrotjänster gav dubbelt så snabb tid till information för företagets generativa AI-copilot. NVIDIA har samtidigt rapporterat en 34 gånger högre hastighet än CPU i ett Fluent-fall för aerodynamisk simulering. Resultaten gäller specifika användningsfall, inte EDA generellt. 1516
• Modeller och orkestrering: Synopsys DAC-arbetsflöde använde NVIDIA Nemotron, NVIDIA Agent Toolkit och OpenShell-körtiden för agentkörning och styrning. 314
• Fysikacceleration: CUDA-X och PhysicsNeMo är tänkta att stödja simuleringsintensiva ingenjörsflöden. 2
• CPU-prestanda: Vera CPU riktar sig mot beräkningsintensiva och sekventiella arbetslaster som fortfarande är viktiga i traditionell EDA. NVIDIA uppger att bolaget samarbetar med Cadence och Synopsys för att optimera applikationer. Företaget har rapporterat ungefär 1,5 gånger högre prestanda för Cadence Jasper och Synopsys VCS, men även dessa siffror kommer från leverantören. 45

Resultatet är en lagerindelad tävling. EDA-bolagen äger designdatabaser, domänverktyg och signeringsflöden. NVIDIA levererar beräkning, modeller, orkestreringskomponenter och körtidsinfrastruktur. Kunder kan få snabbare arbetsflöden, men beroendet väcker också frågan om hur stor del av framtidens ingenjörsstack som kommer att vila på en gemensam hårdvaru- och mjukvaruplattform.

Vad Kimi K3 faktiskt visar

Demonstrationen med Kimi K3 är en viktig motbild till de etablerade leverantörernas presentationer. Enligt Kimi K3:s eget tekniska material genomförde modellen på 48 timmar ett autonomt flöde där den designade, optimerade och verifierade ett chip för en nanomodell med öppna EDA-verktyg och Nangate-biblioteket på 45 nanometer. Designen uppges vara omkring 4 mm² stor och klarade timing vid 100 MHz i simulering. 17

Det är ett konkret tecken på att en LLM-baserad agent kan samordna en avgränsad designloop från arkitektur och RTL till optimering, verifiering och tidsanalys.

Men det är inte bevis för att kommersiella EDA-verktyg eller erfarna chipteam har blivit överflödiga. Försöket använde ett moget 45-nanometersflöde, ungefär två decennier efter dagens ledande processnoder. Det visar inget om moderna processdesignkit, avancerad effekt- och timingstängning, analog design, design-for-test, IP-integration, tillförlitlighetsanalys, tillverkningskrav eller produktionssignering.

Påståenden om att designen presterar 20–30 gånger sämre än nutida chip bör dessutom inte behandlas som en kontrollerad jämförelse utan starkare oberoende belägg. Kimi-materialet är en teknisk demonstration från projektets egna källor, inte ett oberoende reproducerat produktionsbenchmark. 17

Den försiktiga slutsatsen är därför snävare: öppna verktyg kan stödja en imponerande demonstration på en mogen processnod, medan konkurrenskraftiga och tillverkningsbara chip på avancerade noder fortfarande är starkt beroende av foundry-material, processbibliotek, mogna signeringsflöden och specialiserad ingenjörskompetens.

Ett öppet fönster för kinesiska EDA-bolag

Agentisk AI ger kinesiska EDA-bolag en möjlighet att konkurrera på arbetsflödesnivå, i stället för att först behöva återskapa varje etablerat punktverktyg. Möjligheten är särskilt tydlig inom verifiering, felsökning, lokal installation, avancerad kapsling och LLM-anpassade ingenjörsgränssnitt. Rapportering från DAC beskriver hur agentisk AI tar sig in i hela flödet – från RTL-generering och testbänkar till simulering, formell verifiering och felsökning. 17

Exempel som lyfts i materialet är:

• Xpeedic, vars kompetens inom signal- och strömförsörjningsintegritet kan kombineras med agentisk analys av system, kapsling och avancerad paketering.
• XEPIC, som har presenterat plattformen XEPIC Intelligent System, med intelligenta system för verifiering och design samt en snabbare simuleringslösning. 17
• UniVista, som beskrivit en agentisk designplattform för RTL-design, verifiering, korrigering och optimering på en egenutvecklad EDA-arkitektur. 17
• Chips Z, Banxin och Zhiwei Chuangxin, som illustrerar den bredare satsningen på nationellt kontrollerade verktygskedjor, specialiserade design- och verifieringsagenter samt LLM-anpassade ingenjörsgränssnitt.

Det mest trovärdiga produktmönstret är en evidensloop: agenten genererar en hypotes eller korrigering, kör simulering eller formell verifiering, granskar motexemplet eller kvalitetsmåttet och matar tillbaka beviset till nästa steg.

Den ofta upprepade uppskattningen att ingenjörer lägger omkring 60 procent av sin tid på felsökning och processarbete bör behandlas som en branschuppskattning, inte som ett universellt uppmätt faktum. Men möjligheten är tydlig: repetitiv triage, spåranalys, testskapande, lokalisering av grundorsaker och reparation av regressioner är attraktiva mål för automatisering. 17

Den verkliga tävlingen handlar om bevis

Den viktigaste signalen från DAC 2026 var inte att autonom chipdesign redan är löst. Det var att de stora EDA-leverantörerna nu ser agentiska arbetsflöden som nästa sätt att förlänga sina plattformsfördelar.

Synopsys betonar en autonomitrappa, AgentEngineer, verifieringsstängning och bredd från kisel till system. Cadence lyfter fram samordning mellan specialiserade agenter, beständig designkontext och multiphysik. Siemens fokuserar på självverifiering, MCP-baserad verktygsintegration och en bredare industriell tråd.

Den gemensamma utmaningen är förtroende. En användbar EDA-agent måste kunna förklara vad den ändrat, återskapa arbetsflödet, bevara designens avsikt och visa deterministiska bevis på att resultatet uppfyller relevanta krav.

Den kortsiktiga vinnaren blir därför sannolikt inte leverantören med den mest vältaliga modellen. Det blir den vars agenter kan arbeta säkert i befintliga data-, IP-, säkerhets-, simulerings- och signeringsflöden – och omvandla varje autonom åtgärd till granskningsbara ingenjörsbevis.