DAC 2026: Autonome Agenten kommen in der Chip-Entwicklung an

Drei Säulen, die das Halbleiterdesign verändern

Die DAC 2026 drehte sich um drei Themen, die die kommenden Jahre dominieren werden: agentische KI als neue Automatisierungsschicht, Computerphysik als fundamentaler Engpass und offene Standards als Klebstoff, der all das skalierbar macht. Das sind keine kleinen Änderungen. Die Branche ist vom Reden über Agenten in Demos zu echten Deployments bei Kunden übergegangen.

Zuerst muss klar sein, was „agentisch“ hier bedeutet. Es ist kein Chatbot, der Fragen beantwortet. Es sind langfristig laufende autonome Workflows, die Verifikations-, Thermik- und Implementierungswerkzeuge orchestrieren, Logdateien interpretieren, entscheiden, was als Nächstes zu versuchen ist, und Kontext über Wochen kontinuierlicher Ausführung halten. Ravi Subramaniam, Product Head bei Synopsys, fasst es so zusammen: Die Branche ist von kurzen, chatgetriebenen Interaktionen zu Workloads übergegangen, die Tage dauern — und damit können Agenten echte Autonomie halten, ohne den Faden zu verlieren.

Tim Costa, VP bei Nvidia, formuliert es aus der Ingenieursperspektive: Heute ist die Grenze in der Produktentwicklung nicht, wie viele Experten ihr einstellen könnt, sondern wie viel Rechenleistung ihr einer von Agenten orchestrierten Toolchain widmen könnt. Theoretisch befreit das Ingenieure von repetitiven Aufgaben und führt sie zurück zu dem, was sie zur Technik gebracht hat: in Systemen denken, nicht in den Buttons eines konkreten Tools. Ein Motorsport-Ingenieur will an Geschwindigkeit und Aerodynamik denken, nicht an Software-Buttons.

Physik als Grenze

Aber Agenten sind nur so gut wie die Tools und Modelle, die sie orchestrieren. Deshalb ist Computerphysik die zweite Seite des Dreiecks. Startups wie Vinci trainieren Physikmodelle, die Wochen Simulation durch automatisierte Analyse hinter der Firmenfirewall ersetzen sollen. Gründer und CEO Hardik Kabaria sagt es klar: „Wir sind das ChatGPT der Physik, aber in Produktion deployed, nicht als Hobby.“ Er behauptet eine Beschleunigung um drei Größenordnungen bei realer Package-Analyse gegenüber heutigen Flows.

Das Problem, das sie lösen, ist bekannt: Aus einer Hardware-Wirtschaft von 4 Billionen Dollar gibt es nur etwa eine Million Ingenieure, die wirklich Physik beherrschen. Kabaria fügt hinzu, dass Physik nicht verschwindet, sondern demokratisiert wird. Auf der Analogseite nutzt Maieutic Semiconductors „sokratische“ KI, die Ingenieure hinterfragt und interne Daten durchsucht, um das Tribal Knowledge der Senior-Designer zu extrahieren. Wie Mitgründer Ashish Lachhwani sagt: „Im Digitalen gab es Automatisierung und geteilte Daten schon vor Jahren. Im Analogen kann ein Fünf-Transistor-Schaltkreis Jahre dauern, bis er perfekt ist.“

Silvaco sieht unter neuem CEO Wally Rhines die Revolution aus einem anderen Winkel: autonome Agenten als Demokratisierer zwischen Fab und Designern. Statt einen Fab-Ingenieur zum TCAD-Experten zu zwingen, kann ein Agent digitale Zwillinge in natürlicher Sprache abfragen, groß angelegte Design-of-Experiments zur Diagnose von Yield-Anomalien fahren und Prozessschritte in Echtzeit optimieren. Rhines: „Agenten sind die großen Equalizer. Sie suchen die beste Lösung, sammeln die besten Daten. Müsste ich TCAD-Experte sein, müsste ich zum TCAD-Team. Jetzt habe ich einen Agenten mit englischer Oberfläche, der das für mich nachschlagen kann.“

Der echte Engpass: Standards und Interoperabilität

Intel bietet mit Lalitha Immaneni eine klare Perspektive: Designteams springen oft noch „blind“ in komplexe Stacks ohne Multi-Domain-Physikführung oder standardisierte Daten. Fehlgeformte Kupferdichte-Daten zwingen mechanische Fab-Teams, drei oder vier Wochen die Datenbank zu bereinigen, bevor weitere drei oder vier Wochen Analyse folgen. „Das ist bei dieser Komplexität nicht akzeptabel“, sagt sie.

Intels Antwort ist System-Technology Co-Optimization (STCO) auf Basis von Packaging Design Kits (PADKs), dem PDK-Äquivalent für Packaging. PADKs bündeln Designregeln, Referenzflows, Trainingsmaterial und Intel-spezifische Verifikationsskripte für Technologien wie EMIB und TSV. Der Schlüsselpunkt: Verifikation darf nicht spät kommen — validieren und modellieren muss von Anfang an geschehen.

Echte Skala braucht offene Standards. Lu Dai, Präsident von Accellera, erklärt die Rolle seiner Organisation: maschinenlesbare, interoperable Spezifikationen zu veröffentlichen. Eine davon ist der Entwurf des Functional Safety Language (FSL) 1.0 Standards, der Functional-Safety-Intent automatisch und nachvollziehbar zwischen Tools und Teams stellt. FSL ist Metadaten, wie das Unified Power Format (UPF), sodass Tools direkt über Safety-Anforderungen und Coverage nachdenken können.

Ohne Interoperabilität kann kein realistischer agentischer Flow Foundries, IP-Anbieter und Tool-Vendoren überqueren. Paul Penzes, VP Engineering bei Qualcomm, sagt klar: „Wir können uns kein geschlossenes System leisten, weil wir dann keinen Erfolg haben. Im Mobile zählt jeder Millimeter, und wir brauchen ein offenes System zum Experimentieren, um den besten Chip herauszuholen.“

Der Wandel des Geschäftsmodells

Prith Banerjee, SVP Innovation bei Synopsys, stellt eine Frage, die die kommenden Herausforderungen definiert: Wird es in einer Welt mit Tools verschiedener Vendoren ein offenes agentisches Framework geben? Die Antwort der Branche lautet ja — aber das zwingt Geschäftsmodelle zum Wandel. Der Verkauf unbefristeter oder jährlicher Lizenzen funktioniert nicht mit Flows auf Token-Verbrauch. Wenn ein agentischer Flow Tokens je nach Nutzung an eurem Site verbrennt, macht ein Flatpreis keinen Sinn. Das Modell muss echter Verbrauch sein, aber die Branche hat das noch nicht klar artikuliert.

Startups wie Agentrys und Normal Computing erkunden neue Schichten. Agentrys, geführt von Mark Ren (ehemaliger Director of Design Automation Research bei Nvidia), schlägt vor, dass das Designartefakt der Zukunft nicht RTL, sondern die Agenten selbst sind — und definiert den Design-Automation-Stack neu. Normal Computing koppelt EDA-Tools mit „unkonventioneller“ Hardware wie analogen Matrix-Engines und stochastischen Chips und zielt auf Effizienzgewinne von zwei Größenordnungen.

Warum das für konversationelle Hardware zählt

Bei bitbitbla macht das agentische Hirn unserer Plattform etwas, das jeder erkennt, der den Artikel verstanden hat: Es verarbeitet Nutzerintent, räsoniert, trifft Entscheidungen und identifiziert Kontext aus der Umgebung. Es kreuzt Audiotranskription mit dem aktuellen Gerätezustand, um mehrdeutige Befehle zu lösen — „mach das aus“ in der richtigen Zone — und nutzt RAG, um Intent mit technischer Dokumentation anzureichern und komplexe Kommandos auszuführen. Im Dashboard definiert man Persönlichkeit des Agenten, Tools via MCP, JSON-Payloads und Webhooks zur Kundeninfrastruktur — alles per Remote-Konfiguration ohne Hardware-Neuprogrammierung.

Was bei DAC 2026 in der Chip-Entwicklung passiert, ist dasselbe Muster: Agenten, die Multidomain-Kontext verstehen, über Constraints und Zustand räsonieren und autonome Entscheidungen treffen, während Nutzerintent der Kompass bleibt. Der Skalenunterschied ist enorm, aber das Problem ist analog. Deshalb baut der EE-Times-Artikel eine doppelte Brücke: Nicht nur ist agentische KI der neue Motor in EDA — jedes Embedded-System, das komplexe Entscheidungen on-device treffen muss, navigiert genau dieselben Gewässer.

Quelle: EE Times.