DAC 2026: gli agenti autonomi arrivano nell'ingegneria dei chip

Tre pilastri che cambiano la progettazione dei semiconduttori

La conferenza DAC 2026 ha ruotato intorno a tre temi che domineranno i prossimi anni: l'IA agentica come nuovo strato di automazione, la fisica computazionale come collo di bottiglia fondamentale e gli standard aperti come collante che rende tutto questo scalabile. Non sono cambiamenti minori. L'industria è passata dal parlare di agenti in dimostrazione a deployment reali nelle mani dei clienti.

Per prima cosa bisogna capire cosa significa «agentica» in questo contesto. Non è un chatbot che risponde a domande. Sono flussi di lavoro autonomi di lungo periodo che orchestrano strumenti di verifica, analisi termica e implementazione, interpretano file di log, decidono cosa tentare dopo e mantengono il contesto per settimane di esecuzione continua. Ravi Subramaniam, head of product di Synopsys, lo riassume così: l'industria è passata da interazioni brevi guidate dalla chat a carichi di lavoro che durano giorni, permettendo agli agenti di mantenere autonomia reale senza perdere il filo di ciò che stanno facendo.

Tim Costa, VP di Nvidia, lo pone dall'angolo dell'ingegnere: oggi il limite nello sviluppo di un prodotto non è quanti esperti potete assumere, ma quanto calcolo potete dedicare a una catena di strumenti orchestrata da agenti. In teoria libera gli ingegneri dai compiti ripetitivi e li riporta a ciò che li ha portati all'ingegneria: pensare ai sistemi, non a come usare uno strumento concreto. Un ingegnere motorsport vuole pensare a velocità e aerodinamica, non ai pulsanti di un software.

La fisica come frontiera

Ma gli agenti valgono solo quanto gli strumenti e i modelli che orchestrano. Ecco perché la fisica computazionale è la seconda gamba del triangolo. Startup come Vinci addestrano modelli di fisica che pretendono di sostituire settimane di simulazione con analisi automatizzata dietro il firewall aziendale. Il fondatore e CEO Hardik Kabaria lo dice senza mezzi termini: «Siamo il ChatGPT della fisica, ma deployato in produzione, non come hobby». Sostiene un'accelerazione di tre ordini di grandezza sull'analisi di package reali rispetto ai flussi attuali.

Il problema che risolvono è noto: da un'economia hardware da 4 trilioni di dollari, c'è solo un milione di ingegneri che sanno davvero fare fisica. Kabaria aggiunge che la fisica non scompare: si democratizza. Sul fronte del design analogico, Maieutic Semiconductors usa IA «socratica» che interroga gli ingegneri e indaga dati interni per estrarre la conoscenza tribale dei designer senior. Come dice il cofondatore Ashish Lachhwani: «Nel digitale c'è stata automazione e dati condivisi anni fa. Nell'analogico, un circuito a cinque transistor può richiedere anni per essere perfezionato».

Silvaco, sotto il nuovo CEO Wally Rhines, vede la rivoluzione da un angolo diverso: agenti autonomi che agiscono da democratizzatori tra fabbricanti e designer. Invece di costringere un ingegnere di fab a diventare esperto di TCAD, un agente può consultare gemelli digitali in linguaggio naturale, fare design of experiments su larga scala per diagnosticare anomalie di resa e ottimizzare passi di processo in tempo reale. Rhines: «Gli agenti sono i grandi equalizzatori. Cercano la soluzione migliore, raccolgono i dati migliori. Se dovessi essere esperto di TCAD, dovrei andare al team TCAD. Ora ho un agente con interfaccia in inglese che può cercarlo per me».

Il vero collo di bottiglia: standard e interoperabilità

Intel, con Lalitha Immaneni, offre una prospettiva chiara: i team di design saltano ancora spesso «alla cieca» in stack complessi senza guida di fisica multi-dominio o dati standardizzati. Dati di densità del rame malformati obbligano i team meccanici della fab a passare tre o quattro settimane a pulire il database prima di altre tre o quattro di analisi. «Non è accettabile a questa complessità», dice.

La risposta di Intel è la co-ottimizzazione sistema-tecnologia (STCO) basata su kit di design del packaging (PADK), l'equivalente del PDK per il packaging. I PADK raggruppano regole di design, flussi di riferimento, materiali di formazione e script di verifica specifici di Intel per tecnologie come EMIB e TSV. Ma il punto chiave è che la verifica non può essere tardiva: bisogna validare e modellare dall'inizio.

La vera scala richiede standard aperti. Lu Dai, presidente di Accellera, spiega il ruolo della sua organizzazione: pubblicare specifiche leggibili dalle macchine e interoperabili. Una di queste è la bozza dello standard Functional Safety Language (FSL) 1.0, che colloca l'intento di safety funzionale tra strumenti e team in modo automatico e tracciabile. FSL è metadati, come l'Unified Power Format (UPF), così gli strumenti possono ragionare direttamente su requisiti di safety e coverage.

Senza interoperabilità, nessun flusso agentico realistico può attraversare foundry, fornitori di IP e vendor di strumenti. Paul Penzes, VP engineering di Qualcomm, lo esprime chiaro: «Non possiamo permetterci un sistema chiuso perché non avremo successo. Nel mobile ogni millimetro conta e ci serve un sistema aperto dove sperimentare per ottenere il chip migliore».

Il cambio di modello di business

Prith Banerjee, SVP innovation di Synopsys, pone una domanda che definisce le sfide future: in un mondo di strumenti di vendor diversi, ci sarà un framework agentico aperto? La risposta dell'industria è sì, ma ciò obbliga a cambiare i modelli di business. La vendita di licenze perpetue o annuali non funziona con flussi basati sul consumo di token. Se un flusso agentico brucia token in base all'uso sul vostro site, non ha senso un prezzo flat. Il modello deve essere consumo reale, ma l'industria non lo ha ancora articolato con chiarezza.

Startup come Agentrys e Normal Computing esplorano nuovi strati. Agentrys, guidata da Mark Ren (ex direttore della ricerca in design automation di Nvidia), propone che l'artefatto di design del futuro non sia RTL ma gli agenti stessi, ridefinendo lo stack di design automation. Normal Computing abbina strumenti EDA a hardware «non convenzionale» come motori di matrice analogica e chip stocastici, puntando a guadagni di efficienza di due ordini di grandezza.

Perché questo conta nell'hardware conversazionale

In bitbitbla il cervello agentico della nostra piattaforma fa qualcosa che riconoscerà chi ha capito l'articolo: elabora l'intento dell'utente, ragiona, prende decisioni e identifica il contesto secondo l'ambiente. Incrocia trascrizione audio con lo stato attuale dei dispositivi per risolvere ordini ambigui — «spegni quello» nella zona corretta — e usa RAG per arricchire l'intento con documentazione tecnica ed eseguire comandi complessi. Dal Dashboard si definisce la personalità dell'agente, gli strumenti via MCP, i payload JSON e i webhook che collegano all'infrastruttura del cliente, tutto per configurazione remota senza riprogrammare l'hardware.

Ciò che succede a DAC 2026 nell'ingegneria dei chip è lo stesso schema: agenti che capiscono contesto multi-dominio, ragionano su constraint e stato, prendono decisioni autonome mantenendo l'intento utente come bussola. La differenza di scala è enorme, ma il problema è analogo. Per questo l'articolo di EE Times getta un doppio ponte: non solo l'IA agentica è il nuovo motore in EDA, ma qualsiasi sistema embedded che debba prendere decisioni complesse sul dispositivo sta navigando esattamente le stesse acque.

Fonte: EE Times.