Opkøb

Siemens laver sin chip-design AI-agenter til at kontrollere deres eget arbejde

mm
Føj Unite.AI til dine foretrukne kilder på Google

Siemens åbnede Design Automation Conference med en præsentation om tillid i stedet for ren hastighed: deres chip-design agenter vil nu kontrollere deres eget arbejde mod værktøjerne, der afgør, om en design er godkendt. Selskabet meddelte den 26. juli 2026 en udvidet samarbejdsaftale med NVIDIA (NVDA ), der omdanner deres Fuse EDA AI Agent-system til, hvad Siemens kalder en selvvaliderende arbejdsproces, hvor lange agenter validerer hver beslutning mod deterministiske, fysisk-baserede designmotorer i stedet for at stole på modellens egen output.

Denne ramme går direkte til grunden til, at chip-hold har været langsomme til at give rigtigt arbejde til sprogmodeller. En agent, der skriver register-overførselsniveau-kode eller rydder en design-regel-overtrædelse, kan være sikker på at være forkert, og i silicium viser en sikker fejl sig ved tapeout, efter at maskomkostningerne er sunket. Siemens’ svar er at holde agenten inde i en lukket sling, der afsluttes af deres egne godkendelsesværktøjer, der returnerer enten godkendt eller afvist svar, der ikke skyldes modellens egen vurdering.

Den underliggende maskineri kommer fra NVIDIA. Siemens sagde, at de bygger agenterne med NVIDIA’s NeMo Gym-bibliotek til agente-miljøer, kører dem inde i OpenShell-sikkerhedskøringsmiljø med rollebaseret adgangskontrol og revisionslogger og bruger de seneste Nemotron-modeller med NVIDIA’s Switchyard til resonnering. Agentsystemet sidder nu også inde i Intelligence Center X, det virksomheds-AI-miljø, som Siemens bruger til at tilslutte design, fremstilling og forsyningskæde.

Hvad agenterne faktisk rører ved

Dækningen løber hele vejen gennem arbejdsgangen: højniveau-syntese i Catapult, digital verifikation i Questa One og Veloce-emulations-systemet, brugerdefineret IC-arbejde i Solido, fysisk implementering i Aprisa, godkendelse i Calibre og design-til-test i Tessent, plus 3D IC-integration i Innovator3D IC og bræt-layout i Xpedition. Siemens lancerede Fuse-agenten i marts 2026 på NVIDIA’s udviklerkonference, og denne meddelelse udvider dette system i stedet for at erstatte det.

To produkter indeholder den konkrete nyhed. Solido Characterization Suite får agente-arbejdsprocesser, der genererer og verificerer tidsbibliotekerne til standard-celle-, hukommelse- og brugerdefineret IP-hold. Et nyt værktøj, Solido Layout Analyzer, anvender naturlig-sprogsprompt til parasitiske og layout-afhængige effekter i post-layout-designs, returnerer analyse, reparationssuggestion og rapporter.

Hastighedsforbedringerne har ingen dommer

Siemens siger, at karakteriserings-arbejdsprocessen reducerer omsvings­tiderne med mere end 10 gange og reducerer token-omkostningerne med fem til ti gange. NVIDIA’s eget meddelelse om samme samarbejde sætter token-omkostningsreduktionen til mere end 10 gange, så de to første-parts-beretninger om et enkelt tal er allerede uenige. Ingen af udgivelserne nævner designet, processnoden eller ingeniør-timerne, som sammenligningen er trukket imod.

Ved verifikation, som Siemens siger forbruger op til 70 procent af design-insatsen, parrer selskabet Questa One-agente-værktøjskit, som de introducerede i februar 2026, med NVIDIA’s Nemotron 3 Ultra og siger, at modellen er blandt de bedste åbne modeller i agente-RTL-benchmarking. Dette resultat kommer fra ACE-RTL, en agent bygget af NVIDIA Research, målt på et Verilog-problemsæt, som NVIDIA selv offentliggør: en leverandør, der scorer en leverandørmodel på deres egen test.

Den eneste nævnte kunde i meddelelsen har ikke kørt softwaren i produktion. STMicroelectronics’ ikke-flygtige hukommelsesdesign-chef, Gianbattista Lo Giudice, sagde, at layout-værktøjet burde reducere uger af den tid, hans hold bruger på at fejlfinde komplekse blokke, og tilføjede derefter, at gruppen “planlægger at teste og validere fordelene i vores pågældende designaktivitet”.

Ingenting kan kontrolleres udefra. Agente-design-arbejdsprocesser har ingen MLPerf-lignende og ingen uafhængig instans, der offentliggør sammenlignelige resultater på tværs af leverandører, så kravene, som Siemens, Synopsys og Cadence førte ind i Long Beach denne uge, befinder sig i en kategori, hvor markedsførings­tallene er de eneste tal.

Hvad Siemens faktisk har forpligtet sig til

Tilgængelighed er den blødeste del af meddelelsen. De udvidede muligheder vil ankomme i “fremtidige udgaver” af selskabets EDA-portefølje, uden nogen dato er tilknyttet. Synopsys satte i hvert fald en anden-halvdel-2026-vindue på deres rivaliserende autonome verifikationsagent, og Cadence knyttede deres påstand om op til 20 gange hurtigere multiphysik-arbejde til en navngivet hardware-platform.

Den dokumenterede forpligtelse er kapital. I ugen før konferencen enedes Siemens om at købe to flere EDA-selskaber:

  • Precision Innovations, offentliggjort den 20. juli 2026, et San Diego-firma, der bygger AI-drevet chip-planlægning på det åbne OpenROAD-rammeværk, med forventet afslutning i tredje kvartal 2026.
  • Defacto Technologies, offentliggjort den 21. juli 2026, en Grenoble-udvikler af automatiseret system-på-chip-sammen­sætning, grundlagt i 2003.

Vilkårene blev ikke offentliggjort for nogen af dem.

Dette er mønsteret, der er værd at følge. Agente-laget er, hvor de store EDA-leverandører konkurrerer om hastighedsforbedringer, som ingen kan kontrollere, og hvor venture-finansierede startups præsenterer samme præmis. Købene under det er mindre glamourøse og langt mere læselige: Siemens køber design-creation- og planlægningsværktøjerne, som deres agenter vil have noget at kalde. Disse værktøjer er dokumenterede. 10 gange er ikke.

Theo Nash er en AI-genereret specialist hos Unite.AI, der dækker AI-infrastruktur, beregning og de hardware-systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag for store AI-arbejdsbyrder, herunder datacentre, acceleratorer, netværk og software-stacks, der binder dem sammen.
Med en analytisk og ingeniør-dreven perspektiv undersøger Theo, hvordan fremskridt i GPU'er, brugerdefineret silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI-modeller. Han lægger særlig vægt på ydelses-omkostningsforhold, energoeffektivitet, skalerbarhed og de praktiske begrænsninger, der former den virkelige udvikling af AI-infrastruktur.
Artikler skrevet af Theo Nash er AI-genereret og gennemgået af Unite.AIs redaktionelle team for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af den hurtigt udviklende AI-beregningsskala.