Synopsys, Cadence และ Siemens แข่งขันกันเปลี่ยน EDA ให้เป็นระบบออกแบบชิปแบบอัตโนมัติ

DAC 2026 ทำให้ Agentic AI กลายเป็นสมรภูมิระดับแพลตฟอร์มครั้งใหม่ของ EDA หรือซอฟต์แวร์ Electronic Design Automation ที่ใช้ในการออกแบบและตรวจสอบวงจรอิเล็กทรอนิกส์

Synopsys, Cadence และ Siemens EDA ไม่ได้เสนอ AI เพียงในฐานะแชตบอตสำหรับเขียน RTL หรือค้นหาเอกสารอีกต่อไป ระบบรุ่นใหม่ของทั้งสามบริษัทถูกออกแบบให้แยกเป้าหมายทางวิศวกรรมออกเป็นงานย่อย เรียกใช้เครื่องมือ EDA ที่มีอยู่ อ่านผลการวัด และทำงานวนซ้ำจนกว่าจะบรรลุเป้าหมายที่กำหนดไว้ 217

คำถามเชิงกลยุทธ์จึงเปลี่ยนไป ผู้ชนะอาจไม่ใช่บริษัทที่มีโมเดลภาษาทั่วไปเก่งที่สุด แต่เป็นบริษัทที่เชื่อมเอเจนต์เข้ากับฐานข้อมูลการออกแบบ ตัวแก้ปัญหาแบบกำหนดแน่นอน หลักฐานจากการตรวจสอบ ระบบความปลอดภัย และกระบวนการ signoff สำหรับการผลิตได้ดีที่สุด

DAC 2026 เปลี่ยนอะไรใน EDA?

เครื่องมือ EDA แบบดั้งเดิมทำงานเฉพาะด้านที่กำหนดไว้อย่างชัดเจน เช่น การสังเคราะห์วงจร การจำลอง การตรวจสอบแบบ formal verification การวางและลากเส้นวงจร การวิเคราะห์เวลา หรือการตรวจสอบความพร้อมทางกายภาพก่อนผลิต

ระบบ EDA แบบ Agentic จะเพิ่มชั้นวางแผนและประสานงานไว้รอบเครื่องมือเหล่านี้ โดยทั่วไปเอเจนต์จะทำงานตามลำดับดังนี้

1. ตีความเป้าหมายการออกแบบหรือข้อผิดพลาดที่เกิดขึ้น
2. เลือกเครื่องมือและงานย่อยที่เกี่ยวข้อง
3. สร้างหรือแก้ไข RTL, constraint, ชุดทดสอบ หรือค่าการตั้งระบบ
4. เรียกใช้การจำลอง การตรวจสอบแบบ formal หรือการวิเคราะห์ทางกายภาพ
5. อ่านค่าตัวชี้วัด บันทึกการทำงาน รูปคลื่น หรือ counterexample
6. เสนอการแก้ไขรอบถัดไป แล้วทำกระบวนการซ้ำ

งานวิจัยด้าน Agentic AI สำหรับ physical design อธิบายรูปแบบที่คล้ายกัน ตั้งแต่การตีความเป้าหมายด้วยภาษาธรรมชาติ การเรียกใช้เครื่องมือ EDA การวิเคราะห์ผลลัพธ์ การเปลี่ยนค่าตั้งระบบหรือซอร์สโค้ด ไปจนถึงการปรับปรุงซ้ำโดยอิงจากคุณภาพผลลัพธ์ที่วัดได้ 1

ความแตกต่างจาก copilot มีความสำคัญ Copilot มักเสนอขั้นตอนถัดไปให้วิศวกรตัดสินใจ แต่เวิร์กโฟลว์แบบ Agentic สามารถรับผิดชอบงานต่อเนื่องหลายขั้นตอนได้เอง โดยยังถูกจำกัดขอบเขตด้วยเครื่องมือทางวิศวกรรมและเป้าหมายที่มนุษย์กำหนด

Synopsys: เส้นทางสู่ความเป็นอิสระผ่าน AgentEngineer

Synopsys จัดวางกลยุทธ์ของตนเป็นลำดับความเป็นอิสระตั้งแต่ L1 ถึง L5 แนวคิดคือการพัฒนาจาก AI ผู้ช่วยและระบบอัตโนมัติแบบมีคำแนะนำ ไปสู่เวิร์กโฟลว์ที่ทำงานได้อย่างอิสระมากขึ้น และท้ายที่สุดอาจครอบคลุมงานออกแบบหลายสาขา

อย่างไรก็ตาม เส้นแบ่งระหว่างแต่ละระดับเป็นกรอบโรดแมปของ Synopsys ไม่ใช่มาตรฐานรับรองที่ใช้ร่วมกันทั้งอุตสาหกรรม ดังนั้น L1–L5 ควรอ่านในฐานะวิธีที่ Synopsys ใช้วัดระดับความเป็นอิสระของระบบ มากกว่าจะเป็นเกณฑ์สากล

แกนกลางของแนวทางนี้คือ AgentEngineer ซึ่ง Synopsys นำเสนอในงาน DAC ในฐานะระบบ orchestrator ที่สามารถแยกเป้าหมายด้าน verification ออกเป็นงานย่อย ประสานเอเจนต์เฉพาะทาง เรียกใช้เครื่องมือ EDA ตรวจสอบผล และทำงานต่อในลูปปิด Synopsys และ NVIDIA อธิบายเวิร์กโฟลว์ดังกล่าวว่าเป็นกระบวนการอัตโนมัติเต็มรูปแบบที่ทำงานต่อเนื่องได้ยาวนานสำหรับการออกแบบชิปและระบบอิเล็กทรอนิกส์ 314

Synopsys ยังชูการตรวจสอบแบบอัตโนมัติ การวิเคราะห์สาเหตุรากของปัญหา และการปิดงาน debug โดยตัวเลขที่บริษัทเปิดเผยระบุว่าอาจลดเวลาไปสู่ RTL ที่ผ่านการตรวจสอบแล้วได้สูงสุด 50 เท่า และเพิ่ม coverage ได้ 20% ตัวเลขเหล่านี้เป็นคำกล่าวอ้างจากบริษัท ไม่ใช่ผลการทดสอบจากหน่วยงานอิสระ 19

อีกเวิร์กโฟลว์หนึ่งของ Synopsys ที่พัฒนาร่วมกับ Microsoft Discovery รายงานผลเบื้องต้นว่าสามารถลดเวลาในรอบ debug ได้ 25–40% ซึ่งก็ควรตีความว่าเป็นผลการประเมินระยะแรก ไม่ใช่เบนช์มาร์กการผลิตที่ใช้ได้กับทุกกรณี 17

จาก RTL ไปสู่การจำลองความร้อน

Synopsys กำลังขยายแนวคิด Agentic AI ออกจากตรรกะดิจิทัลไปสู่งานระบบอิเล็กทรอนิกส์ที่ต้องใช้ฟิสิกส์หนัก เช่น การจำลองความร้อน โดยเอเจนต์สามารถช่วยตั้งค่าการจำลอง เรียกใช้การคำนวณ ประเมินผล และปรับปรุงเวิร์กโฟลว์ได้

แนวคิด “silicon-to-systems” ของบริษัทได้รับแรงหนุนจากพอร์ตโฟลิโอ Ansys และครอบคลุมมากกว่ากระบวนการ RTL-to-GDS เพียงอย่างเดียว 1417

จุดแข็งเชิงกลยุทธ์ของ Synopsys คือความกว้าง หากชั้น orchestration เดียวกันสามารถทำงานได้ทั้งด้าน verification และฟิสิกส์ระดับระบบ บริษัทก็จะนำเสนอ Agentic EDA ในฐานะสภาพแวดล้อมวิศวกรรมต่อเนื่อง แทนที่จะเป็นผู้ช่วยแยกกันในแต่ละขั้นตอน

Cadence: เอเจนต์เฉพาะทางที่มีบริบทการออกแบบต่อเนื่อง

Cadence เลือกเส้นทางที่ต่างออกไป โดยวางระบบเป็นลำดับชั้นของเอเจนต์เฉพาะทาง ซึ่งประสานงานโดย AI super-agent ระดับสูง รายงานต่าง ๆ เชื่อมโยงแนวคิดนี้กับ ChipStack AI Super Agent และใช้ชื่อ AgentStack หรือ AuraStack ในบางบริบท แต่ชื่อผลิตภัณฑ์เหล่านี้ยังไม่ได้รับการยืนยันอย่างสม่ำเสมอจากเอกสารที่มีอยู่ ดังนั้น AgentStack และ ChipStack AI Super Agent จึงเป็นชื่ออ้างอิงที่ปลอดภัยกว่า 218

แนวคิดที่โดดเด่นที่สุดของ Cadence คือ Mental Model ระบบไม่ได้พึ่งพาเฉพาะคำสั่งล่าสุดที่ป้อนเข้าไป แต่พยายามรักษาบริบทที่มีโครงสร้างเกี่ยวกับโครงการ เช่น constraint ประวัติการตัดสินใจ เจตนาของนักออกแบบ และข้อแลกเปลี่ยนที่สะสมไว้

เรื่องนี้สำคัญเพราะการออกแบบชิปมีบริบทสูง การแก้ไขที่ดูสมเหตุสมผลในจุดหนึ่งอาจทำให้ไม่เป็นไปตามงบประมาณด้านเวลา ข้อจำกัดของแพ็กเกจ เป้าหมายการใช้พลังงาน หรือการตัดสินใจทางสถาปัตยกรรมในขั้นก่อนหน้า

Cadence ยังเน้นการเร่งความเร็วด้าน multiphysics โดยให้เอเจนต์พิจารณาผลกระทบทางไฟฟ้า ความร้อน กลศาสตร์ และของไหลร่วมกัน การตัดสินใจในการออกแบบจึงสามารถประเมินต่อผลกระทบระดับระบบได้ ไม่ใช่ดูเฉพาะตัวชี้วัดด้านดิจิทัล 1718

ในเชิงกลยุทธ์ Cadence กำลังแข่งขันด้วยความครบถ้วนของสถาปัตยกรรมและความเข้าใจบริบท เป้าหมายไม่ใช่การทำให้งานใดงานหนึ่งเป็นอัตโนมัติเท่านั้น แต่คือการทำให้เอเจนต์เข้าใจการออกแบบในฐานะระบบต่อเนื่องที่มีข้อจำกัดหลายด้านเชื่อมโยงกัน

Siemens: สร้างความน่าเชื่อถือด้วยการตรวจสอบตัวเอง

Siemens EDA ใช้ Fuse EDA AI Agent เป็นจุดแตกต่าง โดยเน้นความน่าเชื่อถือ แนวคิดหลักคือการสร้างลูป self-verification ซึ่งการกระทำที่เอเจนต์เสนอจะถูกตรวจสอบด้วยเอนจินของ Siemens ที่ทำงานแบบกำหนดแน่นอนและอิงฟิสิกส์ ก่อนที่ผลลัพธ์จะเดินหน้าต่อ 2

Fuse ใช้สถาปัตยกรรม Model Context Protocol (MCP) ที่ขยายได้ MCP เป็นแนวทางมาตรฐานสำหรับเชื่อมชั้น orchestration เข้ากับเครื่องมือและข้อมูลทางวิศวกรรมในหลายส่วน ตั้งแต่ RTL และ verification ไปจนถึงการออกแบบแอนะล็อกและ custom, place-and-route และ physical signoff 2

แนวทางนี้ตอบโจทย์ความเสี่ยงสำคัญของวิศวกรรมอัตโนมัติ โมเดลภาษาอาจสร้างแผนที่ฟังดูสมเหตุสมผลแต่ผิดตามข้อจำกัดทางกายภาพได้ ในเวิร์กโฟลว์แบบ self-verifying การตรวจสอบที่มีอำนาจตัดสินใจมาจากเครื่องมือเฉพาะทาง หาก timing, geometry, ฟิสิกส์ หรือ constraint แบบ formal ไม่ยอมรับการแก้ไข เอเจนต์ก็สามารถใช้หลักฐานดังกล่าวเพื่อปรับแผนและลองใหม่

Siemens ยังมองเห็นโอกาสในระดับ digital thread ซึ่งเชื่อมการตัดสินใจด้านการออกแบบเข้ากับการวางแผนการผลิตและการจัดตารางซัพพลายเชน ทำให้ขอบเขตของระบบขยายไปไกลกว่าการสร้างชิป จุดแตกต่างจึงไม่ใช่แค่ความเป็นอิสระ แต่คือความเป็นอิสระที่ถูกควบคุมด้วยหลักฐานจากอุตสาหกรรมและการดำเนินงานในขั้นต่อไป

NVIDIA กำลังก้าวขึ้นเป็นชั้นโครงสร้างพื้นฐานร่วม

NVIDIA ไม่ได้เข้ามาแทนที่บริษัท EDA เดิมในฐานะผู้ขายเครื่องมือ EDA แบบดั้งเดิม แต่กำลังจัดหาหลายชั้นของเทคโนโลยีที่รองรับสแต็กแบบ Agentic และอาจทำให้เกิดการพึ่งพาแพลตฟอร์มในอนาคต

NVIDIA ลงทุน 2 พันล้านดอลลาร์ใน Synopsys พร้อมขยายความร่วมมือระยะหลายปีที่มุ่งพัฒนางานวิศวกรรมด้วย AI และเร่งเวิร์กโหลด EDA 13

โครงสร้างพื้นฐานดังกล่าวครอบคลุมหลายส่วน

• การประมวลผลแบบเร่งความเร็ว: Grace Blackwell ถูกนำมาใช้กับการจำลองและการอนุมาน AI โดย Synopsys รายงานว่า NIM inference microservices ทำให้ time-to-information ของ generative-AI Copilot เร็วขึ้นสองเท่า ขณะที่ NVIDIA รายงานกรณีใช้งาน Ansys Fluent ด้านการจำลองอากาศพลศาสตร์ว่าเร็วขึ้น 34 เท่าเมื่อเทียบกับ CPU ตัวเลขเหล่านี้เป็นผลจากกรณีใช้งานที่รายงานโดยบริษัท ไม่ใช่เบนช์มาร์ก EDA ที่ใช้ได้ทั่วไป 1516
• โมเดลและการประสานงาน: เวิร์กโฟลว์ของ Synopsys ในงาน DAC ใช้ NVIDIA Nemotron, NVIDIA Agent Toolkit และรันไทม์ OpenShell สำหรับการทำงานและกำกับดูแลเอเจนต์ 314
• การเร่งความเร็วด้านฟิสิกส์: ไลบรารี CUDA-X และ PhysicsNeMo ของ NVIDIA มีเป้าหมายเพื่อรองรับเวิร์กโฟลว์วิศวกรรมที่พึ่งพาการจำลองอย่างมาก 2
• ประสิทธิภาพ CPU: Vera CPU มุ่งรองรับงานที่ใช้การคำนวณหนักและงานแบบลำดับขั้น ซึ่งยังมีความสำคัญใน EDA แบบดั้งเดิม NVIDIA ระบุว่ากำลังทำงานร่วมกับ Cadence และ Synopsys เพื่อปรับแต่งแอปพลิเคชัน โดยผลทดสอบที่รายงานระบุว่า Cadence Jasper และ Synopsys VCS ทำงานได้เร็วขึ้นราว 1.5 เท่า ทั้งนี้เป็นตัวเลขจากบริษัท 45

ผลลัพธ์คือการแข่งขันแบบหลายชั้น บริษัท EDA ครอบครองฐานข้อมูลการออกแบบ เครื่องมือเฉพาะทาง และกระบวนการ signoff ขณะที่ NVIDIA จัดหา compute, โมเดล ชิ้นส่วน orchestration และ runtime infrastructure ลูกค้าอาจได้ประโยชน์จากเวิร์กโฟลว์ที่เร็วขึ้น แต่ก็ต้องพิจารณาด้วยว่าโครงสร้างวิศวกรรมในอนาคตจะพึ่งพาแพลตฟอร์มฮาร์ดแวร์และซอฟต์แวร์ร่วมมากเพียงใด

การทดลอง Kimi K3 พิสูจน์อะไร และยังไม่พิสูจน์อะไร

การสาธิตของ Kimi K3 เป็นกรณีเปรียบเทียบที่น่าสนใจ รายงานจากเอกสารของโครงการระบุว่า Kimi K3 ใช้เวลา 48 ชั่วโมงในการออกแบบ ปรับปรุง และตรวจสอบชิปสำหรับโมเดลนาโนของตนเอง โดยใช้เครื่องมือ EDA แบบโอเพนซอร์สและไลบรารี Nangate 45 นาโนเมตร การออกแบบมีพื้นที่ประมาณ 4 ตารางมิลลิเมตร และปิด timing ที่ 100 MHz ในการจำลอง 17

สิ่งนี้เป็นหลักฐานที่มีความหมายว่าเอเจนต์ที่ใช้ LLM สามารถประสานลูปการออกแบบแบบครบวงจรภายใต้เงื่อนไขที่จำกัดได้ ทั้งสถาปัตยกรรม การสร้าง RTL การปรับปรุง การตรวจสอบ และการวิเคราะห์เวลา สามารถเชื่อมเข้ากับกระบวนการอัตโนมัติเดียวกันได้

แต่การทดลองดังกล่าวยังไม่ใช่หลักฐานว่าเครื่องมือ EDA เชิงพาณิชย์หรือทีมวิศวกรชิปมืออาชีพหมดความจำเป็นแล้ว

การทดลองใช้โฟลว์อ้างอิงบนเทคโนโลยี 45 นาโนเมตร ซึ่งมีอายุห่างจากเทคโนโลยีระดับแนวหน้าประมาณสองทศวรรษ จึงยังไม่สามารถยืนยันประสิทธิภาพกับ process design kit สมัยใหม่ การปิด timing และ power ขั้นสูง การออกแบบแอนะล็อก design-for-test การผสาน IP การวิเคราะห์ความน่าเชื่อถือ ข้อจำกัดด้านการผลิต หรือ production signoff ได้

นอกจากนี้ ข้อกล่าวอ้างว่าการออกแบบมีประสิทธิภาพต่ำกว่าชิปร่วมสมัย 20–30 เท่า ยังควรถือเป็นตัวเลขที่ต้องการหลักฐานเพิ่มเติม ไม่ควรใช้เป็นผลเปรียบเทียบแบบควบคุมจนกว่าจะมีการตรวจสอบจากภายนอกที่เข้มแข็งกว่านี้

การทดลองยังสะท้อนปัญหาด้านหลักฐานด้วย ผลลัพธ์ดังกล่าวมาจากการสาธิตทางเทคนิคในเอกสารของโครงการเอง ไม่ใช่เบนช์มาร์กการผลิตที่มีการทำซ้ำโดยอิสระ

ข้อสรุปที่รอบคอบกว่าคือ เครื่องมือโอเพนซอร์สสามารถรองรับการสาธิตที่น่าประทับใจบนโหนดเทคโนโลยี成熟แล้ว แต่การออกแบบที่แข่งขันได้และผลิตได้จริงบนโหนดระดับแนวหน้ายังคงพึ่งพาข้อมูลจากโรงงานผลิต ไลบรารีกระบวนการ โฟลว์ signoff ที่成熟 และความเชี่ยวชาญเฉพาะทางของวิศวกรอย่างมาก

โอกาสของบริษัท EDA จีน

Agentic AI เปิดช่องให้บริษัท EDA จีนแข่งขันในระดับเวิร์กโฟลว์ แทนที่จะต้องสร้างเครื่องมือเฉพาะจุดที่มีความ成熟เทียบเท่าผู้เล่นระดับโลกทุกด้านตั้งแต่ต้น โอกาสเด่นอยู่ในงาน verification, debugging, การติดตั้งภายในประเทศ advanced packaging และอินเทอร์เฟซที่ออกแบบมาเพื่อ LLM

รายงานจาก DAC ระบุว่า Agentic AI กำลังแทรกเข้าสู่กระบวนการตั้งแต่การสร้าง RTL และ testbench ไปจนถึง simulation, formal verification และ debugging 17

ตัวอย่างจากงานวิจัยที่มี ได้แก่

• Xpeedic: ความสามารถด้าน signal integrity และ power integrity ของบริษัทอาจนำมาผสานกับการวิเคราะห์ระบบ แพ็กเกจ และ advanced packaging โดยใช้เอเจนต์ช่วยเชื่อมการตัดสินใจกับผลการจำลอง
• XEPIC: เปิดตัวรากฐาน XEPIC Intelligent System ซึ่งประกอบด้วยระบบออกแบบและระบบ verification อัจฉริยะ รวมถึงข้อเสนอด้านการจำลองที่เร็วขึ้น 17
• UniVista: อธิบายแพลตฟอร์มออกแบบแบบ Agentic ที่สามารถประสานงานด้าน RTL, verification, การแก้ไข และการปรับปรุงบนสถาปัตยกรรม EDA ที่พัฒนาภายในประเทศ 17
• Chips Z, Banxin และ Zhiwei Chuangxin: สะท้อนแนวโน้มที่กว้างขึ้นสู่ toolchain ที่ควบคุมได้ภายในประเทศ เอเจนต์เฉพาะทางสำหรับการออกแบบและ verification และอินเทอร์เฟซวิศวกรรมที่สร้างขึ้นรอบ LLM

รูปแบบผลิตภัณฑ์ที่มีเหตุผลรองรับมากที่สุดคือลูปที่ยึดหลักฐานเป็นศูนย์กลาง ให้ระบบสร้างสมมติฐานหรือแนวทางแก้ไข เรียกใช้ simulation หรือ formal verification อ่าน counterexample หรือตัวชี้วัดคุณภาพ แล้วส่งหลักฐานกลับไปให้เอเจนต์ปรับแผนและทำซ้ำ วิธีนี้น่าเชื่อถือกว่าการสั่งโมเดลทั่วไปให้สร้างชิปแล้วเชื่อผลลัพธ์โดยไม่มีการตรวจสอบจากเครื่องมือเฉพาะทาง

ตัวเลขที่มักถูกอ้างว่าวิศวกรใช้เวลาประมาณ 60% ไปกับ debugging และงานที่เป็นกระบวนการ ควรถือเป็นค่าประมาณของอุตสาหกรรม ไม่ใช่ตัวเลขสากลที่วัดได้เหมือนกันในทุกองค์กร แต่โอกาสในการทำงานอัตโนมัตินั้นชัดเจน งานอย่างการคัดแยกปัญหา การวิเคราะห์ trace การสร้างชุดทดสอบ การระบุต้นเหตุ และการแก้ regression ล้วนเป็นเป้าหมายที่เหมาะสม 17

การแข่งขันจริงของ EDA คือการแข่งขันด้านหลักฐาน

สัญญาณสำคัญที่สุดจาก DAC 2026 ไม่ใช่การที่การออกแบบชิปอัตโนมัติได้รับการแก้ปัญหาจนสมบูรณ์แล้ว แต่คือการที่ผู้ให้บริการ EDA รายใหญ่เห็นตรงกันว่า Agentic AI เป็นวิธีถัดไปในการขยายความได้เปรียบของแพลตฟอร์ม

Synopsys เน้นลำดับความเป็นอิสระ AgentEngineer การปิดงาน verification และความครอบคลุมตั้งแต่ซิลิคอนไปจนถึงระบบ Cadence เน้นการประสานเอเจนต์เฉพาะทาง บริบทการออกแบบต่อเนื่อง และการให้เหตุผลแบบ multiphysics ส่วน Siemens เน้น self-verification การเชื่อมเครื่องมือผ่าน MCP และ digital thread ที่ขยายไปถึงอุตสาหกรรมในวงกว้าง

ความท้าทายร่วมของทั้งสามบริษัทคือความไว้วางใจ เอเจนต์ EDA ที่ใช้งานได้จริงต้องอธิบายได้ว่าแก้ไขอะไร ทำซ้ำกระบวนการได้ รักษาเจตนาของนักออกแบบ และแสดงหลักฐานแบบกำหนดแน่นอนว่าผลลัพธ์เป็นไปตาม constraint ที่เกี่ยวข้อง

ดังนั้น ผู้ชนะระยะใกล้จึงไม่น่าจะเป็นบริษัทที่มีโมเดลพูดจาคล่องที่สุด แต่เป็นบริษัทที่ทำให้เอเจนต์ทำงานได้อย่างปลอดภัยภายในข้อมูล IP ระบบความปลอดภัย เครื่องมือจำลอง และกระบวนการ signoff ที่ลูกค้าใช้อยู่ พร้อมเปลี่ยนทุกการกระทำอัตโนมัติให้กลายเป็นหลักฐานทางวิศวกรรมที่ตรวจสอบย้อนหลังได้