A disseminação da inteligência artificial não mudou uma realidade fundamental da indústria de semicondutores: o desenvolvimento de hardware e software ainda ocorre, em grande parte, em dois fluxos separados. Uma análise publicada pela Semiconductor Engineering em 15 de setembro de 2026 afirma que os benefícios do codesign entre os dois lados são conhecidos há anos, mas sua aplicação em larga escala esbarra em obstáculos organizacionais e técnicos que a inteligência artificial ainda não resolveu.
O problema começa na própria estrutura das equipes. Engenheiros de hardware e software usam ferramentas e linguagens diferentes e trabalham com cronogramas e ritmos de desenvolvimento assíncronos. No modelo tradicional, o projeto chega à fase de produção do chip antes que as equipes de software passem a adaptá-lo ao sistema, inclusive lidando com mudanças e erros conhecidos como errata. Sam Grove, chefe de software e ferramentas da MIPS/GlobalFoundries, descreve essa situação como uma entrega tardia que deixa a equipe de software sob pressão para colocar o produto em operação, em vez de participar do projeto da próxima geração.
A lacuna não é apenas organizacional
Mesmo quando as empresas tentam aplicar a integração contínua, a velocidade para obter um resultado confiável continua sendo um obstáculo central. Frank Schirrmeister, diretor executivo de programas estratégicos para soluções de sistemas da Synopsys, observa que a transição das especificações para um modelo de hardware e software pode se tornar muito rápida, desde que seja possível simular o sistema com velocidade suficiente.
Existem protótipos virtuais, simulação, ferramentas de emulation e modelos baseados em FPGA, mas cada opção envolve uma combinação diferente de precisão, desempenho e tempo de execução. O modelo virtual pode ajudar a testar antecipadamente o impacto do software na arquitetura, enquanto a simulação ou a modelagem mais detalhada oferece uma visão melhor do desempenho e do consumo de energia. No entanto, executar uma carga de trabalho completa e representativa do produto final continua sendo muito mais difícil do que testar uma função pequena ou uma carga sintética.
A dificuldade aumenta quando as equipes querem executar a mesma carga de trabalho em várias etapas, da plataforma virtual à emulation, passando pelo modelo baseado em FPGA e chegando ao silício. Testar dez segundos do tempo de execução do chip pode não ser prático na simulação, o que exige determinar qual parte pode ser executada em cada etapa, em vez de presumir que um único modelo cobrirá todos os usos.
Especificações compartilhadas são um pré-requisito para a inteligência artificial
Os especialistas consideram que o primeiro requisito é criar especificações ricas e integradas que possam ser usadas em conjunto por engenheiros e agentes de inteligência artificial. Segundo o artigo, hoje apenas setores limitados fazem isso, entre eles, em maior grau, as indústrias militar e aeroespacial. Sem esse tipo de especificação, a inteligência artificial não dispõe de uma referência unificada que conecte os requisitos do sistema ao projeto de RTL, ao software e aos resultados da verificação.
Experimentos sintéticos podem ajudar a medir o tempo de execução e o consumo de energia de funções de software em um conjunto de arquiteturas, mas essa etapa, por si só, não basta para tomar uma decisão de projeto. Os engenheiros também equilibram flexibilidade e desempenho, custo e tamanho, orçamento de energia, calor e fatores ambientais. Arvind Srinivasan, engenheiro de soluções de verificação da Normal Computing, afirma que um dos projetos de maior desempenho pode ser totalmente especializado para a tarefa, embora ainda não exista uma maneira padronizada de codificar todas essas restrições para que um algoritmo de inteligência artificial as use como objetivos passíveis de otimização.
O que a inteligência artificial consegue fazer agora?
Os usos atuais são mais limitados do que a ideia de que a inteligência artificial projetará todo o sistema. Andy Meier, diretor principal de marketing de produtos da Siemens EDA, afirma que os clientes a utilizam principalmente para criar RTL e ambientes de teste, mas não a vê sendo usada em escala semelhante nas decisões arquitetônicas. Isso ocorre porque essas decisões exigem amplo conhecimento das compensações entre desempenho, energia, custo e comportamento das cargas de trabalho.
Por outro lado, a MIPS/GlobalFoundries usa agentes de inteligência artificial para escrever software e hardware em tarefas específicas, enfatizando a compreensão dos limites e dos erros da ferramenta. Steve Roddy, diretor de marketing da Quadric, também observa que o software pode mudar muitas vezes durante o período entre a construção do modelo do projeto e a chegada do silício, seja por ação dos desenvolvedores ou de assistentes de inteligência artificial. Isso significa que o codesign não é uma decisão tomada uma única vez no início do projeto, mas um processo que precisa lidar continuamente com mudanças no software.
A Normal Computing propõe a possibilidade de usar a inteligência artificial para extrair representações mais abstratas do hardware, permitindo que os desenvolvedores de software trabalhem antes da conclusão do RTL. Essa visão baseia-se na existência de uma representação das especificações ou de uma ontology que possa servir como referência compartilhada, mas não elimina a necessidade de conectar essa representação aos modelos posteriores e verificar sua conformidade.
Verificação e colaboração são o gargalo
A análise enfatiza que o progresso provavelmente será gradual, porque substituir completamente as metodologias existentes aumenta os riscos do projeto. Srinivasan observa que as ferramentas de EDA ainda tratam partes pequenas do problema, em vez de melhorar o resultado geral, e que as caixas-pretas precisam de garantias de correção, auditabilidade e um registro unificado que esclareça a relação entre os elementos do projeto e os resultados da verificação.
A sincronização entre modelos continua sendo um desafio prático. Um modelo de alto nível em SystemC sem temporização definida não equivale ao RTL em termos de precisão temporal, e manter ambos consistentes consome muito tempo em verificação, validação e preparação do software. Portanto, não basta fornecer um modelo virtual; é necessária uma cadeia interligada de modelos de simulação e análise, além da transferência de conhecimento entre as equipes de projeto, aplicações e suporte ao cliente.
Do ponto de vista da certi.news, a mudança real não é o lançamento de uma única ferramenta nem a transição imediata da indústria para um projeto autônomo conduzido pela inteligência artificial. A mudança é que o software começou a influenciar a definição da arquitetura antes da conclusão do chip, enquanto as ferramentas de EDA tentam conectar etapas que antes eram separadas. Mas a fonte não apresenta evidências de que esse problema tenha sido resolvido; ela mostra que a falta de especificações unificadas, o custo da simulação, as mudanças no software e a necessidade de auditabilidade continuam sendo limitações fundamentais. Por isso, a experiência humana continuará sendo decisiva nas decisões arquitetônicas, enquanto o impacto da inteligência artificial se concentrará em tarefas específicas cujos resultados possam ser testados e revisados.