DAC 2026: autonomiczni agenci wkraczają do inżynierii chipów

Trzy filary, które zmieniają projektowanie półprzewodników

Konferencja DAC 2026 krążyła wokół trzech tematów, które zdominują najbliższe lata: agentyczna AI jako nowa warstwa automatyzacji, fizyka obliczeniowa jako fundamentalne wąskie gardło oraz otwarte standardy jako klej, który czyni to wszystko skalowalnym. To nie drobne zmiany. Branża przeszła od mówienia o agentach na demo do realnych wdrożeń u klientów.

Najpierw trzeba zrozumieć, co oznacza „agentyczna” w tym kontekście. To nie chatbot odpowiadający na pytania. To długoterminowe autonomiczne przepływy pracy, które orkiestrują narzędzia weryfikacji, analizy termicznej i implementacji, interpretują pliki logów, decydują, co spróbować dalej, i utrzymują kontekst przez tygodnie ciągłego działania. Ravi Subramaniam, head of product w Synopsys, podsumowuje to tak: branża przeszła od krótkich interakcji napędzanych czatem do obciążeń trwających dni, co pozwala agentom utrzymać realną autonomię bez utraty wątku.

Tim Costa, VP w Nvidia, ujmuje to z perspektywy inżyniera: dziś limit w rozwoju produktu to nie to, ilu ekspertów możecie zatrudnić, lecz ile mocy obliczeniowej możecie poświęcić łańcuchowi narzędzi orkiestrowanemu przez agentów. W teorii uwalnia inżynierów od powtarzalnych zadań i wraca ich do tego, co przyciągnęło ich do inżynierii: myślenia o systemach, nie o tym, jak użyć konkretnego narzędzia. Inżynier motorsportu chce myśleć o prędkości i aerodynamice, nie o przyciskach oprogramowania.

Fizyka jako granica

Ale agenci są tak dobrzy, jak narzędzia i modele, które orkiestrują. Dlatego fizyka obliczeniowa jest drugą nogą trójkąta. Startupy takie jak Vinci trenują modele fizyki, które mają zastąpić tygodnie symulacji zautomatyzowaną analizą za firmową zaporą. Założyciel i CEO Hardik Kabaria mówi wprost: „Jesteśmy ChatGPT fizyki, ale wdrożonym w produkcji, nie jako hobby”. Twierdzi o przyspieszeniu o trzy rzędy wielkości w analizie realnych package'ów względem obecnych przepływów.

Problem, który rozwiązują, jest znany: z gospodarki hardware wartej 4 biliony dolarów jest tylko około miliona inżynierów, którzy naprawdę potrafią robić fizykę. Kabaria dodaje, że fizyka nie znika — jest demokratyzowana. Po stronie projektowania analogowego Maieutic Semiconductors używa „sokratejskiej” AI, która pyta inżynierów i bada dane wewnętrzne, by wydobyć plemienną wiedzę senior designerów. Jak mówi współzałożyciel Ashish Lachhwani: „W cyfrze automatyzacja i współdzielone dane były lata temu. W analogu obwód z pięcioma tranzystorami może wymagać lat, by go dopracować”.

Silvaco pod nowym CEO Wallym Rhinesem widzi rewolucję z innego kąta: autonomiczni agenci jako demokratyzatorzy między fabami a designerami. Zamiast zmuszać inżyniera fabu do bycia ekspertem TCAD, agent może odpytywać cyfrowe bliźniaki w języku naturalnym, prowadzić design of experiments na dużą skalę w celu diagnozy anomalii yieldu i optymalizować kroki procesu w czasie rzeczywistym. Rhines: „Agenci to wielcy wyrównywacze. Szukają najlepszego rozwiązania, zbierają najlepsze dane. Gdybym miał być ekspertem TCAD, musiałbym iść do zespołu TCAD. Teraz mam agenta z angielskim interfejsem, który może to dla mnie wyszukać”.

Prawdziwe wąskie gardło: standardy i interoperacyjność

Intel z Lalithą Immaneni oferuje jasną perspektywę: zespoły projektowe wciąż często skaczą „na ślepo” w złożone stacki bez przewodnictwa fizyki wielodomenowej ani ustandaryzowanych danych. Źle uformowane dane gęstości miedzi zmuszają zespoły mechaniczne fabu do trzech–czterech tygodni czyszczenia bazy przed kolejnymi trzema–czterema tygodniami analizy. „To nie jest akceptowalne przy tej złożoności”, mówi.

Odpowiedzią Intela jest współoptymalizacja system–technologia (STCO) oparta na packaging design kits (PADK), odpowiedniku PDK dla pakowania. PADK-i łączą reguły projektowe, przepływy referencyjne, materiały szkoleniowe i skrypty weryfikacji specyficzne dla Intela dla technologii takich jak EMIB i TSV. Kluczowy punkt: weryfikacja nie może być spóźniona — trzeba walidować i modelować od początku.

Prawdziwa skala wymaga otwartych standardów. Lu Dai, prezydent Accellery, wyjaśnia rolę organizacji: publikować specyfikacje czytelne dla maszyn i interoperacyjne. Jedną z nich jest draft standardu Functional Safety Language (FSL) 1.0, który umieszcza intencję functional safety między narzędziami a zespołami automatycznie i w sposób śledzalny. FSL to metadane, jak Unified Power Format (UPF), więc narzędzia mogą bezpośrednio rozumować o wymaganiach safety i coverage.

Bez interoperacyjności żaden realistyczny przepływ agentyczny nie może przekraczać foundry, dostawców IP i vendorów narzędzi. Paul Penzes, VP engineering w Qualcomm, mówi jasno: „Nie możemy pozwolić sobie na zamknięty system, bo nie odniesiemy sukcesu. W mobile każdy milimetr się liczy i potrzebujemy otwartego systemu, w którym eksperymentować, by uzyskać najlepszy chip”.

Zmiana modelu biznesowego

Prith Banerjee, SVP innovation w Synopsys, stawia pytanie definiujące nadchodzące wyzwania: w świecie narzędzi różnych vendorów — czy będzie otwarty framework agentyczny? Odpowiedź branży brzmi tak, ale to wymusza zmianę modeli biznesowych. Sprzedaż licencji wieczystych lub rocznych nie działa przy przepływach opartych o zużycie tokenów. Jeśli przepływ agentyczny pali tokeny według użycia w waszym site, płaska cena nie ma sensu. Model musi być realnym zużyciem, ale branża jeszcze tego jasno nie wyartykułowała.

Startupy takie jak Agentrys i Normal Computing eksplorują nowe warstwy. Agentrys, prowadzony przez Marka Rena (byłego dyrektora badań design automation w Nvidia), proponuje, by artefaktem projektowym przyszłości nie był RTL, lecz sami agenci — redefiniując stos automatyzacji projektowania. Normal Computing łączy narzędzia EDA z „niekonwencjonalnym” hardwarem, jak analogowe silniki macierzy i stochastyczne chipy, celując w zyski efektywności o dwa rzędy wielkości.

Dlaczego to ma znaczenie dla sprzętu konwersacyjnego

W bitbitbla agentyczny mózg naszej platformy robi coś, co rozpozna każdy, kto zrozumiał artykuł: przetwarza intencję użytkownika, rozumuje, podejmuje decyzje i identyfikuje kontekst według otoczenia. Krzyżuje transkrypcję audio z aktualnym stanem urządzeń, by rozwiązywać niejednoznaczne polecenia — „wyłącz to” we właściwej strefie — i używa RAG, by wzbogacić intencję dokumentacją techniczną i wykonywać złożone komendy. Z Dashboardu definiuje się osobowość agenta, narzędzia przez MCP, payloady JSON i webhooki łączące z infrastrukturą klienta — wszystko przez zdalną konfigurację bez przeprogramowywania hardware'u.

To, co dzieje się na DAC 2026 w inżynierii chipów, to ten sam wzorzec: agenci rozumiejący kontekst wielodomenowy, rozumujący o constraintach i stanie, podejmujący autonomiczne decyzje przy intencji użytkownika jako kompasie. Różnica skali jest ogromna, ale problem jest analogiczny. Dlatego artykuł EE Times buduje podwójny most: nie tylko agentyczna AI jest nowym silnikiem w EDA — każdy system embedded, który musi podejmować złożone decyzje na urządzeniu, płynie dokładnie tymi samymi wodami.

Źródło: EE Times.