チップ設計におけるエージェント型AIの利用は、RTL生成やデバッグなど単一タスクの高速化から、複数のエージェントとツールを含む、より長いフローの実行へと移行している。しかし、この進展は、チップ設計が完全に自律したプロセスになったことを意味しない。エージェントを導入する前に、エンジニアは「人間による足場」と表現できるものを構築する必要がある。それは、ドメイン固有の知識を定義し、設計意図を明確にし、ツール、メモリ、実行ループ、検証ポイントを制御する運用構造を構築することである。
この結論は、Design Automation Conference期間中にSemiconductor Engineeringが非公開で開催したラウンドテーブルで浮かび上がった。参加者は、CadenceのMatt Graham、ChipAgentsのHarrison Balistreri、Keysight EDAのAlexander Petr、Siemens EDAのSathish Balasubramanian、SynopsysのAnand Thiruvengadamであった。Semiconductor Engineeringの編集長Liz Allanは、議論の抜粋を2026年8月27日に公開した。
タスクエージェントから設計全体のフローへ
参加者によれば、顧客は特定の課題に対処するため、本番環境でエージェント型AIの利用を開始しており、小規模なタスクでは人間の介入が残っている。現在の用途にはRTL生成、検証、デバッグ、カバレッジクロージャが含まれる。一方、より広い目標は、仕様を入力し、最終的にGDS IIへ変換可能な設計、またはチップを得ることである。しかし議論によれば、この完全なシナリオは、一般的かつ人間の介入なしにはまだ実現していない。
Balasubramanianは、焦点が単一エージェントから、複数のフローまたはサブエージェントの調整へと移っていると指摘した。Balistreriは、複数エージェントの群れを使ったカバレッジクロージャなど、特定のエンジニアリングフローで完全に自律した結果が得られていると述べた。ただし、そのためには組織の文脈と、顧客が作業を実行する方法の詳細を理解する必要がある。Grahamは、利用範囲がデジタル設計のフロントエンドから、アナログおよびミックスドシグナル設計、デジタル実装、完全な設計、プリント基板、パッケージング、さらにはマルチフィジックスのフローへと拡大していると指摘した。
これは実際には、自動化の範囲がチップそのものから、複数チップとそれに関連するシステムのエコシステムへと広がることを意味する。Petrは、拡大が単一チップだけを基盤とするものではなくなったため、マルチチップ技術、AIスタック、フォトニクスに投資が向かっていると述べた。ただし、エージェントはソフトウェアとコードに基づく領域のほうが容易に扱える一方、ユーザーインターフェースやマウス操作に依存する領域は依然として難しいとも指摘した。
モデルを実行する前のオントロジーとエージェントハーネス
参加者によれば、エンジニアの主要な仕事は、エージェント向けのスクリプトをさらに書くことではなく、エージェントが活動する領域を記述することである。ここでいうオントロジーとは、設計領域に固有の概念、関係、知識を体系的に表現したものである。エンジニアは、電力、性能、面積などの基準、許容範囲、エージェントが探索できるパラメータを定義し、それらを設計意図およびフローの他の段階と結び付ける必要がある。
「エージェントハーネス」とは、モデルを取り囲むソフトウェア層であり、ツール、メモリモジュール、実行ループ、予防的なガードレールを含む。議論では、その価値は単に汎用大規模言語モデルをツールに接続することではなく、チップ設計タスクと組織の文脈に合わせて調整することによって現れると強調された。また、オントロジーは単一の検証プロセスや一つのIPチームに限定されず、フロー全体にわたる必要がある。変更や新しいデータは、複数の段階やチームの間を移動するからである。
自律性は人間による検証をなくさない
意見は、結果への信頼が最も重要な実務上の障害であるという点で一致している。Thiruvengadamは、人間が今後も二つの主要な役割を担うと考えている。それは、設計意図を定義することと、結果が監査可能で正しいかを検証することである。そのため、システムはエンジニアが結果を迅速に理解し検証できる形で提示し、明確な停止ポイントと適切なインターフェースを備えるべきである。そうでなければ、エージェントの出力は手作業をなくすどころか、新たなボトルネックになる。
Balistreriは、すべての出力を人間が確認することに依存すると、自律性から期待される効果が制限されると述べた。そのため、エージェントのループ自体に、特定の重大なエラーを防ぐゲートを組み込む必要がある。例として、カバレッジモデルの除外に関する問題を挙げた。エージェントが、本来は除外すべきでない箇所のカバレッジを除外すると、人間によるレビューに大きな負担が生じる。これに対してBalasubramanianとGrahamは、言語モデルは非決定的であり、そのシナリオ選択や提案だけでは、決定論的で数学的に厳密なサインオフおよび検証エンジンの代わりにはならないと強調した。
実際に何が変わるのか？
本当の変化は、EDAエンジンを置き換えることではなく、その上にAIを配置し、設計空間をより長時間かつ高い能力で探索できる実行ループの中にEDAエンジンを結び付けることである。参加者によれば、顧客は投資に対するプラスのリターンと、検証、実装、一部のアナログアプリケーションおよびシステムアプリケーションにおける具体的な成果を確認し始めている。そこには、熱構造や、CMT、すなわちコモンモードトランジェントに関連するテーマも含まれる。
しかし、こうした結果は「単一のエージェント」が設計プロセス全体を支配することを証明するものではない。業界が一つのスーパーエージェントへ向かうのか、複数の専門エージェントとフレームワークへ向かうのか、それとも各社が独自のフレームワークを選択するのかという問題は、依然として未解決である。Grahamによれば、顧客にとってトークンコストも重要な計画要素として浮上している。また、エラーのコストが高い場合には依然として不可欠な基盤エンジンとAIを統合する必要もある。
編集部の見解：データが示しているのは、ボトルネックが命令の記述から、コンテキスト、ガバナンス、検証のエンジニアリングへ移行しているということである。設計フローを詳細に把握しているチップ設計チームほど大きな影響を受けるだろう。しかし、この記事の情報源は、成果を測定する統一指標を提示しておらず、完全に自律したフローに到達する時期も示していない。したがって、「自律性」や「プラスのリターン」という表現は、参加者や顧客が報告した結果として扱うべきであり、すべてのチップ設計プロジェクトに共通する、実証済みの基準とみなすべきではない。