DAC 2026: Los agentes autónomos llegan a la ingeniería de chips

Tres pilares que cambian el diseño de semiconductores

La conferencia DAC 2026 ha girado alrededor de tres temas que dominarán los próximos años: la IA agéntica como nueva capa de automatización, la física computacional como cuello de botella fundamental, y los estándares abiertos como pegamento que hace escalable todo esto. No son cambios menores. La industria ha pasado de hablar de agentes en demostraciones a despliegues reales en manos de clientes.

Lo primero es entender qué significa "agéntica" en este contexto. No es un chatbot que responde preguntas. Son flujos de trabajo autónomos de largo plazo que orquestan herramientas de verificación, análisis térmico e implementación, interpretan ficheros de log, deciden qué intentar a continuación y mantienen contexto durante semanas de ejecución continua. Ravi Subramaniam, jefe de producto de Synopsys, lo resume así: la industria ha pasado de interacciones breves impulsadas por chat a cargas de trabajo que duran días, lo que permite que los agentes mantengan autonomía real sin perder el hilo de lo que están haciendo.

Tim Costa, VP de Nvidia, lo plantea desde el ángulo del ingeniero: hoy el límite en el desarrollo de un producto no es cuántos expertos podéis contratar, sino cuánto cómputo podéis dedicarle a una cadena de herramientas orquestadas por agentes. En teoría libera a los ingenieros de las tareas repetitivas y los devuelve a lo que los trajo a la ingeniería: pensar en sistemas, no en cómo usar una herramienta concreta. Un ingeniero de motorsport quiere pensar en velocidad y aerodinámica, no en los botones de un software.

Física como frontera

Pero los agentes solo son tan buenos como las herramientas y modelos que orquestan. De ahí que la física computacional sea la segunda pata del triángulo. Startups como Vinci entrenan modelos de física que pretenden reemplazar semanas de simulación con análisis automatizado detrás del cortafuegos corporativo. Su fundador y CEO, Hardik Kabaria, lo dice sin ambages: "Somos el ChatGPT de la física, pero desplegado en producción, no como hobby". Alega una aceleración de tres órdenes de magnitud en análisis de paquetes reales frente a los flujos actuales.

El problema que resuelven es conocido: de una economía de hardware de 4 billones de dólares, solo hay un millón de ingenieros que realmente saben hacer física. Kabaria añade que la física no desaparece, sino que se democratiza. En el lado del diseño analógico, Maieutic Semiconductors usa IA "socrática" que cuestiona a los ingenieros e investiga datos internos para extraer el conocimiento tribal de los diseñadores senior. Como dice su cofundador Ashish Lachhwani, "en digital hubo automatización y datos compartidos hace años. En analógico, un circuito de cinco transistores puede llevar años perfeccionar".

Silvaco, bajo su nuevo CEO Wally Rhines, ve la revolución en un ángulo distinto: agentes autónomos que actúan como democratizadores entre fabricantes y diseñadores. En lugar de obligar a un ingeniero de fab a convertirse en experto en TCAD, un agente puede consultar gemelos digitales en lenguaje natural, hacer diseño de experimentos a gran escala para diagnosticar anomalías de rendimiento y optimizar pasos del proceso en tiempo real. Como dice Rhines, "los agentes son los grandes igualadores. Buscan la mejor solución, recogen los mejores datos. Si tuviera que ser experto en TCAD, tendría que ir al equipo de TCAD. Ahora tengo un agente con interfaz en inglés que puede buscarlo por mí".

El cuello de botella real: estándares e interoperabilidad

Intel, de la mano de Lalitha Immaneni, ofrece una perspectiva clara: los equipos de diseño todavía saltan a menudo "a ciegas" a stacks complejos sin guía de física multi-dominio o datos estandarizados. Los datos de densidad de cobre mal formados fuerzan a los equipos mecánicos de la fab a pasar tres o cuatro semanas limpiando la base de datos antes de otros tres o cuatro de análisis. "Eso no es aceptable a esta complejidad", dice.

La respuesta de Intel es la co-optimización sistema-tecnología (STCO) basada en kits de diseño de empaquetado (PADKs), el equivalente al PDK pero para empaquetado. Los PADKs agrupan reglas de diseño, flujos de referencia, materiales de entrenamiento y scripts de verificación específicos de Intel para tecnologías como EMIB y TSV. Pero el punto clave es que verificación no puede ser tardía: hay que validar y modelar desde el principio.

La verdadera escala requiere estándares abiertos. Lu Dai, presidente de Accellera, explica el rol de su organización: publicar especificaciones legibles por máquinas e interoperables. Una de esas es el borrador del estándar Functional Safety Language (FSL) 1.0, que sitúa la intención de seguridad funcional entre herramientas y equipos de forma automática y trazable. FSL es metadatos, como el formato de potencia unificado (UPF), de modo que las herramientas pueden razonar sobre requisitos de seguridad y cobertura directamente.

Sin interoperabilidad, ningún flujo agéntico realista puede cruzar foundries, proveedores de IP y vendedores de herramientas. Paul Penzes, VP de ingeniería en Qualcomm, lo expresa claro: "No podemos permitirnos un sistema cerrado porque no lograremos éxito. En móvil cada milímetro cuenta y necesitamos un sistema abierto donde experimentar para sacar el mejor chip".

El cambio de modelo de negocio

Prith Banerjee, SVP de innovación en Synopsys, plantea una pregunta que define los retos venideros: en un mundo de herramientas de distintos proveedores, ¿habrá un marco agéntico abierto? La respuesta de la industria es sí, pero eso obliga a cambiar los modelos de negocio. La venta de licencias perpetuas o anuales no funciona con flujos basados en consumo de tokens. Si un flujo agéntico quema tokens según el uso en tu site, no tiene sentido cobrar un precio plano. El modelo tiene que ser consumo real, pero la industria aún no ha articulado esto con claridad.

Startups como Agentrys y Normal Computing exploran capas nuevas. Agentrys, liderada por Mark Ren (exdirector de investigación en automatización de diseño de Nvidia), propone que el artefacto de diseño del futuro no sea RTL sino agentes mismos, redefiniendo la pila de automatización de diseño. Normal Computing empareja herramientas EDA con hardware "no convencional" como motores de matriz analógica y chips estocásticos, apuntando a mejoras de eficiencia de dos órdenes de magnitud.

Por qué esto importa en hardware conversacional

En bitbitbla el cerebro agéntico de nuestra plataforma hace algo que reconocerá quien ha entendido el artículo: procesa la intención del usuario, razona, toma decisiones e identifica contexto según el entorno. Cruza transcripción de audio con estado actual de dispositivos para resolver órdenes ambiguas —"apaga eso" en la zona correcta— y usa RAG para enriquecer intención con documentación técnica y ejecutar comandos complejos. Desde el Dashboard se define la personalidad del agente, las herramientas que usa vía MCP, los payloads JSON y webhooks que conectan con la infraestructura del cliente, todo por configuración remota sin reprogramar el hardware.

Lo que sucede en DAC 2026 en ingeniería de chips es el mismo patrón: agentes que entienden contexto multidominio, que razonan sobre constraint y estado, que toman decisiones autónomas manteniendo intención de usuario como brújula. La diferencia de escala es enorme, pero el problema es análogo. Por eso el artículo de EE Times tira un puente doble: no solo es que la IA agéntica sea el nuevo motor en EDA, sino que cualquier sistema embebido que requiera tomar decisiones complejas en el dispositivo está navegando exactamente las mismas aguas.

Fuente: EE Times.