La généralisation de l’intelligence artificielle n’a pas changé une réalité fondamentale de l’industrie des semi-conducteurs : le développement du matériel et des logiciels s’effectue encore généralement selon deux voies séparées. Une analyse publiée par Semiconductor Engineering le 15 septembre 2026 estime que les bénéfices de la conception conjointe des deux domaines sont connus depuis des années, mais que sa mise en œuvre à grande échelle se heurte à des obstacles organisationnels et techniques que l’intelligence artificielle n’a pas encore résolus.
Le problème commence par la structure même des équipes. Les ingénieurs matériels et logiciels utilisent des outils et des langages différents et travaillent selon des calendriers et des rythmes de développement désynchronisés. Dans le modèle traditionnel, la conception atteint la phase de production de la puce avant que les équipes logicielles ne commencent à adapter le système à celle-ci, notamment en gérant les modifications et les erreurs connues sous le nom d’errata. Sam Grove, responsable des logiciels et des outils chez MIPS/GlobalFoundries, décrit cette situation comme une livraison tardive qui place l’équipe logicielle sous la pression de faire fonctionner le produit au lieu de participer à la conception de la génération suivante.
L’écart n’est pas seulement organisationnel
Même lorsque les entreprises tentent de mettre en place une intégration continue, la rapidité d’obtention d’un résultat fiable reste un obstacle central. Frank Schirrmeister, directeur exécutif des programmes stratégiques pour les solutions systèmes chez Synopsys, souligne que le passage des spécifications à un modèle matériel et logiciel peut devenir très rapide, à condition de pouvoir simuler le système à une vitesse suffisante.
Il existe des prototypes virtuels, des simulateurs, des outils d’emulation et des modèles fondés sur FPGA, mais chaque option implique un compromis différent entre précision, performances et durée d’exécution. Le modèle virtuel peut aider à tester tôt l’impact des logiciels sur l’architecture, tandis que la simulation ou la modélisation plus détaillée offre une meilleure visibilité sur les performances et la consommation d’énergie. Cependant, exécuter une charge de travail complète et représentative du produit final reste beaucoup plus difficile que de tester une petite fonction ou une charge artificielle.
La difficulté augmente lorsque les équipes souhaitent exécuter la même charge de travail à travers plusieurs étapes, de la plateforme virtuelle à l’emulation, puis au modèle fondé sur FPGA et enfin au silicium. Tester dix secondes de temps d’exécution de la puce peut ne pas être pratique en simulation, ce qui impose de déterminer quelle partie peut être exécutée à chaque étape, plutôt que de supposer qu’un seul modèle couvrira tous les usages.
Des spécifications communes comme condition préalable à l’intelligence artificielle
Les experts estiment que la première exigence consiste à créer des spécifications riches et intégrées que les ingénieurs et les agents d’intelligence artificielle pourront utiliser conjointement. Selon l’article, seuls certains secteurs le font aujourd’hui, notamment les industries militaire et spatiale, dans une plus large mesure. Sans ce type de spécifications, l’intelligence artificielle ne dispose pas d’une référence unifiée reliant les exigences du système à la conception RTL, aux logiciels et aux résultats de vérification.
Les expériences synthétiques peuvent aider à mesurer le temps d’exécution et la consommation d’énergie de fonctions logicielles sur un ensemble d’architectures, mais cette étape ne suffit pas à elle seule pour prendre une décision de conception. Les ingénieurs évaluent également la flexibilité et les performances, le coût et la taille, le budget énergétique, la chaleur et les facteurs environnementaux. Arvind Srinivasan, ingénieur en solutions de vérification chez Normal Computing, affirme que l’une des conceptions les plus performantes pourrait être entièrement spécialisée pour la tâche, alors qu’il n’existe encore aucune méthode unifiée permettant de coder toutes ces contraintes afin qu’un algorithme d’intelligence artificielle les utilise comme objectifs optimisables.
Que peut faire l’intelligence artificielle aujourd’hui ?
Les usages actuels sont plus limités que ne le suggère l’idée que l’intelligence artificielle concevra le système dans son ensemble. Andy Meier, directeur principal du marketing produit chez Siemens EDA, indique que les clients l’utilisent principalement pour créer du RTL et des environnements de test, mais qu’il ne la voit pas utilisée à une échelle comparable pour les décisions architecturales. Cela s’explique par le fait que ces décisions nécessitent une connaissance étendue des compromis entre performances, énergie, coût et comportement des charges de travail.
En revanche, MIPS/GlobalFoundries utilise des agents d’intelligence artificielle pour écrire des logiciels et du matériel dans le cadre de tâches précises, tout en insistant sur la compréhension des limites et des erreurs de l’outil. Steve Roddy, directeur marketing de Quadric, souligne également que les logiciels peuvent changer de nombreuses fois entre la construction du modèle de conception et l’arrivée du silicium, que ces changements soient effectués par les développeurs ou par des assistants d’intelligence artificielle. Cela signifie que la conception conjointe n’est pas une décision prise une seule fois au début du projet, mais un processus qui doit gérer en permanence l’évolution des logiciels.
Normal Computing envisage la possibilité d’utiliser l’intelligence artificielle pour extraire des représentations plus abstraites du matériel, afin que les développeurs logiciels puissent travailler avant l’achèvement du RTL. Cette vision repose sur l’existence d’une représentation des spécifications ou d’une ontology pouvant servir de référence commune, mais elle n’élimine pas la nécessité de relier cette représentation aux modèles ultérieurs et de vérifier leur conformité.
La vérification et la collaboration constituent le goulot d’étranglement
L’analyse confirme que les progrès seront probablement graduels, car le remplacement complet des méthodologies existantes accroît les risques du projet. Srinivasan souligne que les outils d’EDA traitent encore de petites parties du problème au lieu d’améliorer le résultat global, et que les boîtes noires nécessitent des garanties de validité, d’auditabilité et un registre unifié montrant la relation entre les éléments de conception et les résultats de vérification.
La synchronisation entre les modèles reste un défi pratique. Le modèle de haut niveau en SystemC, non temporisé, n’est pas équivalent au RTL en matière de précision temporelle, et maintenir les deux cohérents consomme beaucoup de temps lors de la vérification, de la validation et de la préparation des logiciels. Il ne suffit donc pas de fournir un modèle virtuel ; il faut une chaîne interconnectée de modèles de simulation et d’analyse, ainsi qu’un transfert des connaissances entre les équipes de conception, les équipes applicatives et le support client.
Du point de vue de certi.news, le véritable changement ne réside ni dans le lancement d’un outil unique ni dans le passage immédiat de l’industrie à une conception autonome pilotée par l’intelligence artificielle. Le changement tient au fait que les logiciels commencent à influencer la définition de l’architecture avant l’achèvement de la puce, tandis que les outils d’EDA tentent de relier des étapes qui étaient auparavant séparées. Cependant, la source ne fournit aucune preuve que ce problème ait été résolu ; elle montre au contraire que l’absence de spécifications unifiées, le coût de la simulation, l’évolution des logiciels et la nécessité de l’auditabilité restent des contraintes essentielles. L’expertise humaine demeurera donc déterminante pour les décisions architecturales, tandis que l’impact de l’intelligence artificielle se concentrera sur des tâches précises dont les résultats peuvent être testés et vérifiés.