スタートアップ企業のMoores Lab AIは、エージェント型AIを利用してチップ設計サイクルを短縮しようとしており、当初は設計検証、デバッグ、テストカバレッジに重点を置いている。昨年、チップ業界の専門家らによって設立された同社は、チップ設計サイクルを最初から最後まで自動化し、システムオンチップ（SoC）の開発を加速することを自社のツールの目標としていると述べている。
このアプローチは、AIチップへの需要拡大によって設計チームがより短い期間で製品を納入するよう迫られている時期に登場した。Moores Lab AIは、チップ設計の専門知識の内部からAIツールを構築することは、まずAIモデルを開発してから半導体の問題に適用しようとする企業のアプローチとは異なると考えている。
数か月から48時間へ
同社の最高経営責任者（CEO）兼共同創業者であるShelly Henryによると、Moores Lab AIは約10か所にシステムを導入しており、顧客はさまざまな種類の知的財産（IP）ブロックでそれを利用している。彼女は、最大の生産性向上がデバッグの初期準備段階で見られたと述べている。
通常、チームはテスト計画とテスト環境を準備し、最初のシミュレーションを実行して最初のバグを見つけるまでに、3～4か月を必要とする。Henryによると、同社のプラットフォームの利用者は一貫して48時間以内に最初のバグへ到達し、その後もプラットフォームを使い続けて、追加のバグをより迅速に発見しているという。
なぜ人間の専門知識が依然として必要なのか
記事は、AIをチップエンジニアの自律した代替手段として提示していない。Henryは、仕様を大規模言語モデルやAIエージェントに渡すと、その細部の20～30％が失われる可能性があると述べている。製造後にチップを修正できない業界では、1つのミスが1,000万ドル規模の問題に発展する可能性がある。対処にはチップセット全体の再構築が必要になる場合があるためだ。
このため同社は検証に重点を置き、設計、アーキテクチャ、検証、製造テスト、物理設計、論理合成を含む複数の専門分野にまたがる複雑な設計サイクルを分割することに取り組んでいる。記事によると、1つのチップの開発には異なる専門分野を持つ約200人のエンジニアが参加するため、これらの分野間でエージェントを調整すること自体が工学上の課題となっている。
実際には何が変わるのか
これまでの最も重要な成果は、エージェントが介入なしに完成したチップを生産できる能力を証明したことではなく、テストとデバッグの最初の有用なサイクルに到達するまでの時間を短縮したことである。これは設計チームがプロジェクトのコストが積み重なる前に初期の欠陥を発見する助けになり得るが、包括的な検証や、仕様を解釈してシステムの出力をレビューできる専門家の必要性をなくすものではない。
Moores Lab AIは、AIをめぐるマーケティング上のノイズから、測定可能な成果を切り分けるという課題にも直面している。同社は、別の作業へ移る前に、顧客に対して1件のプロジェクトを実行し、その結果を同じプロジェクトで顧客のエンジニアが達成した成果と比較していると述べている。
この戦略は、チップ設計におけるエージェント型AIの実用的な価値が、単にコードや設計案を生成することではなく、信頼できる結果に到達するまでの時間と、仕様の細部を処理するシステムの能力によって測られることを示している。6か月未満でチップを構築するという主張については、同社の発言として示されたものであり、それを裏付けるプロジェクトの詳細や検証指標を記事は独自には提示していない。