Die Verbreitung künstlicher Intelligenz hat eine grundlegende Tatsache in der Halbleiterindustrie nicht verändert: Die Entwicklung von Hardware und Software erfolgt weiterhin meist in getrennten Bahnen. Eine am 15. September 2026 von Semiconductor Engineering veröffentlichte Analyse kommt zu dem Schluss, dass die Vorteile des gemeinsamen Designs beider Bereiche seit Jahren bekannt sind, ihre großflächige Umsetzung jedoch auf organisatorische und technische Hindernisse stößt, die durch künstliche Intelligenz bislang nicht gelöst wurden.
Das Problem beginnt bei der Struktur der Arbeitsteams selbst. Hardware- und Softwareingenieure verwenden unterschiedliche Werkzeuge und Sprachen und arbeiten nach nicht synchronisierten Zeitplänen und Entwicklungsrhythmen. Im traditionellen Modell erreicht das Design die Produktionsphase des Chips, bevor die Softwareteams das System daran anpassen – einschließlich des Umgangs mit Änderungen und bekannten Fehlern, die als errata bezeichnet werden. Sam Grove, Leiter für Software und Werkzeuge bei MIPS/GlobalFoundries, beschreibt diese Situation als eine verspätete Übergabe, die das Softwareteam unter den Druck setzt, das Produkt in Betrieb zu nehmen, statt an der Entwicklung der nächsten Generation mitzuwirken.
Die Lücke ist nicht nur organisatorischer Natur
Selbst wenn Unternehmen versuchen, kontinuierliche Integration umzusetzen, bleibt die Geschwindigkeit, mit der ein zuverlässiges Ergebnis erzielt werden kann, ein zentrales Hindernis. Frank Schirrmeister, Executive Director für strategische Programme für Systemlösungen bei Synopsys, weist darauf hin, dass der Übergang von den Spezifikationen zu einem Hardware-Software-Modell sehr schnell erfolgen kann – vorausgesetzt, das System lässt sich schnell genug simulieren.
Es gibt virtuelle Prototypen, Simulationen, Emulationswerkzeuge und FPGA-basierte Modelle, doch jede Option bietet einen anderen Kompromiss zwischen Genauigkeit, Leistung und Ausführungszeit. Ein virtuelles Modell kann dabei helfen, die Auswirkungen der Software auf die Architektur frühzeitig zu testen, während Simulationen oder detailliertere Modelle eine bessere Sicht auf Leistung und Energieverbrauch ermöglichen. Einen vollständigen und für das Endprodukt repräsentativen Workload auszuführen, bleibt jedoch deutlich schwieriger, als eine kleine Funktion oder einen synthetischen Workload zu testen.
Die Schwierigkeit nimmt zu, wenn Teams denselben Workload über mehrere Phasen hinweg ausführen wollen – von der virtuellen Plattform über die Emulation und das FPGA-basierte Modell bis hin zum Silizium. Ein zehn Sekunden langer Test der Laufzeit des Chips ist in der Simulation möglicherweise nicht praktikabel. Daher muss festgelegt werden, welcher Teil in jeder Phase ausgeführt werden kann, anstatt anzunehmen, dass ein einziges Modell alle Anwendungsfälle abdecken wird.
Gemeinsame Spezifikationen sind eine Voraussetzung für künstliche Intelligenz
Experten zufolge besteht die erste Anforderung darin, umfassende und integrierte Spezifikationen zu erstellen, die Ingenieure und Agenten künstlicher Intelligenz gemeinsam nutzen können. Dem Artikel zufolge tun dies heute nur begrenzte Branchen, darunter in größerem Maße die Militär- und Raumfahrtindustrie. Ohne solche Spezifikationen verfügt künstliche Intelligenz über keine einheitliche Referenz, die Systemanforderungen mit RTL-Design, Software und Verifikationsergebnissen verknüpft.
Synthetische Experimente können dabei helfen, die Ausführungszeit und den Energieverbrauch von Softwarefunktionen auf einer Reihe von Architekturen zu messen. Dieser Schritt allein reicht jedoch nicht aus, um eine Designentscheidung zu treffen. Ingenieure wägen außerdem Flexibilität und Leistung, Kosten und Größe, das Energiebudget, Wärme sowie Umweltfaktoren gegeneinander ab. Arvind Srinivasan, Verification Solutions Engineer bei Normal Computing, sagt, dass eines der leistungsfähigsten Designs vollständig auf die jeweilige Aufgabe zugeschnitten sein könnte. Bislang gebe es jedoch keine einheitliche Möglichkeit, all diese Einschränkungen so zu kodieren, dass ein Algorithmus für künstliche Intelligenz sie als optimierbare Ziele verwenden kann.
Was kann künstliche Intelligenz heute leisten?
Die derzeitigen Einsatzmöglichkeiten sind begrenzter als die Vorstellung, künstliche Intelligenz werde das gesamte System entwerfen. Andy Meier, Principal Product Marketing Manager bei Siemens EDA, sagt, Kunden nutzten sie hauptsächlich zur Erstellung von RTL und Testumgebungen. Eine vergleichbare Nutzung bei Architekturentscheidungen sehe er jedoch nicht. Das hängt damit zusammen, dass solche Entscheidungen umfassendes Wissen über die Abwägungen zwischen Leistung, Energieverbrauch, Kosten und dem Verhalten von Workloads erfordern.
Im Gegensatz dazu nutzt MIPS/GlobalFoundries Agenten künstlicher Intelligenz zum Schreiben von Software und Hardware für bestimmte Aufgaben und betont dabei, wie wichtig es ist, die Grenzen und Fehler des Werkzeugs zu verstehen. Steve Roddy, Chief Marketing Officer bei Quadric, weist außerdem darauf hin, dass sich Software in der Zeit zwischen dem Aufbau eines Designmodells und dem Eintreffen des Siliziums sehr oft ändern kann – sei es durch Entwickler oder durch Assistenten künstlicher Intelligenz. Das bedeutet, dass gemeinsames Design keine Entscheidung ist, die einmal zu Beginn des Projekts getroffen wird, sondern ein Prozess, der kontinuierlich mit sich verändernder Software umgehen muss.
Normal Computing erwägt, künstliche Intelligenz einzusetzen, um abstraktere Darstellungen der Hardware abzuleiten, sodass Softwareentwickler bereits vor der Fertigstellung des RTL arbeiten können. Dieses Konzept beruht auf einer Darstellung der Spezifikationen oder einer Ontologie, die als gemeinsame Referenz dienen kann. Es beseitigt jedoch nicht die Notwendigkeit, diese Darstellung mit den nachgelagerten Modellen zu verknüpfen und ihre Übereinstimmung zu überprüfen.
Verifikation und Zusammenarbeit sind der Flaschenhals
Die Analyse betont, dass die zu erwartenden Fortschritte schrittweise erfolgen werden, da ein vollständiger Ersatz bestehender Methoden die Projektrisiken erhöht. Srinivasan weist darauf hin, dass EDA-Werkzeuge weiterhin kleine Teile des Problems bearbeiten, anstatt das Gesamtergebnis zu verbessern. Außerdem benötigen Black Boxes Garantien für Korrektheit und Prüfbarkeit sowie eine einheitliche Aufzeichnung, die den Zusammenhang zwischen Designelementen und den jeweiligen Verifikationsergebnissen dokumentiert.
Die Synchronisierung zwischen Modellen bleibt eine praktische Herausforderung. Ein nicht zeitgetaktetes High-Level-Modell in SystemC ist hinsichtlich der zeitlichen Genauigkeit nicht mit RTL gleichzusetzen. Beide konsistent zu halten, erfordert viel Zeit für Verifikation und Validierung sowie für die Vorbereitung der Software. Daher reicht es nicht aus, ein virtuelles Modell bereitzustellen. Erforderlich ist eine miteinander verbundene Kette aus Simulations- und Analysemodellen sowie die Übertragung von Wissen zwischen Designteams, Anwendungsteams und dem Kundensupport.
Aus der Perspektive von certi.news besteht die tatsächliche Veränderung weder in der Einführung eines einzelnen Werkzeugs noch in einem sofortigen Übergang der Branche zu einem von künstlicher Intelligenz gesteuerten autonomen Design. Die Veränderung besteht darin, dass Software die Definition der Architektur bereits vor der Fertigstellung des Chips beeinflusst und EDA-Werkzeuge versuchen, zuvor getrennte Phasen miteinander zu verbinden. Die Quelle liefert jedoch keinen Beleg dafür, dass dieses Problem gelöst wurde. Vielmehr zeigt sie, dass fehlende einheitliche Spezifikationen, Simulationskosten, sich verändernde Software und die Notwendigkeit der Prüfbarkeit weiterhin grundlegende Einschränkungen darstellen. Daher bleibt menschliche Erfahrung bei Architekturentscheidungen entscheidend, während sich der Einfluss künstlicher Intelligenz auf bestimmte Aufgaben konzentriert, die getestet und deren Ergebnisse überprüft werden können.