Oppkjøp

Siemens lanserer sine egne sjekksystemer for chipdesign AI-agenter

mm
Legg til Unite.AI blant dine foretrukne kilder på Google

Siemens åpnet Design Automation Conference med en presentasjon om tillit i stedet for ren hastighet: deres chipdesign-agenter vil nå sjekke sitt eget arbeid mot verktøyene som bestemmer om en design godkjennes. Selskapet annonserte den 26. juli 2026 en utvidet samarbeid med NVIDIA (NVDA ) som gjør deres Fuse EDA AI Agent-system til et selvverifiserende arbeidsflyt, hvor langvarige agenter validerer hver beslutning mot deterministiske, fysikkbaserte designmotorer i stedet for å stole på modellens egen utgang.

Denne rammen går rett til grunnene til at chip-team har vært sene til å gi virkelig arbeid til språkmodeller. En agent som skriver register-overføringsnivåkode eller rydder en design-regelverkoverskridelse kan være trygg i feil, og i silisium dukker en trygg feil opp ved tapeout, etter at maskekostnadene er sunket. Siemens’ svar er å holde agenten inne i en løkke lukket av sine egne godkjenningsverktøy, som returnerer bestått eller ikke-bestått svar som skylder ingenting til en modells dom.

Den underliggende maskinen kommer fra NVIDIA. Siemens sa at de bygger agentene med NVIDIA’s NeMo Gym-bibliotek for agente-miljøer, kjører dem inne i OpenShell-sikker kjøretid med rollebasert tilgangskontroll og revisjonslogger, og bruker de siste Nemotron-modellene med NVIDIA’s Switchyard for resonnering. Agentsystemet sitter nå også inne i Intelligence Center X, det entreprise-AI-miljøet Siemens bruker til å koble design, produksjon og forsyningskjede.

Hva agentene faktisk berører

Dekningen går hele veien gjennom flyten: høynivå-syntese i Catapult, digital verifisering i Questa One og Veloce-emuleringsystemet, tilpasset IC-arbeid i Solido, fysisk implementering i Aprisa, godkjenning i Calibre og design-for-test i Tessent, pluss 3D IC-integrasjon i Innovator3D IC og brett-layout i Xpedition. Siemens lanserte Fuse-agenten i mars 2026 på NVIDIA’s utviklerkonferanse, og denne annonsen utvider dette systemet i stedet for å erstatte det.

To produkter bærer de konkrete nyhetene. Solido Characterization Suite får agente-arbeidsflyt som genererer og verifiserer tidsbibliotekene standard-celle-, minne- og tilpasset IP-lag arbeider fra. Et nytt verktøy, Solido Layout Analyzer, anvender naturlig-språklig prompting til parasittiske og layout-avhengige effekter i post-layout-design, returnerer analyse, fikseringsanbefalinger og rapporter.

Hastighetene har ingen dommer

Siemens sier at karakteriseringsarbeidsflyten kutta omgangstidene med mer enn 10 ganger og reduserte token-kostnadene med fem til ti ganger. NVIDIA’s egen annons om det samme samarbeidet setter token-kostnadsreduksjonen til mer enn 10 ganger, så de to første-parts kontoer av ett enkelt tall er allerede uenige. Ingen av utgivelsene nevner designet, prosessen eller ingeniør-timer sammenligningen er trukket mot.

På verifisering, som Siemens sier forbruker opptil 70 prosent av design-innsatsen, parer selskapet Questa One agentic toolkit de introduserte i februar 2026 med NVIDIA’s Nemotron 3 Ultra, og sier modellen leder blant åpne modeller i agentic RTL-benchmarking. Denne resultaten kommer fra ACE-RTL, en agent bygget av NVIDIA Research, målt på en Verilog-problemsett NVIDIA selv publiserer: en leverandør som scorer en leverandørmodell på sin egen test.

Den eneste navngitte kunden i utgivelsen har ikke kjørt programvaren i produksjon. STMicroelectronics’ ikke-flytbar minne-designleder, Gianbattista Lo Giudice, sa layout-verktøyet burde kutte uker av tiden hans team bruker på feilsøking av komplekse blokker, og la til at gruppen “planlegger å teste og verifisere fordelen i vår pågående designaktivitet”.

Ingen av det er sjekkbart fra utsiden. Agente-design-flyt har ingen MLPerf-ekvivalent og ingen uavhengig kropp som publiserer sammenlignbare resultater over leverandører, så kravene Siemens, Synopsys og Cadence tok med til Long Beach denne uken sitter i en kategori hvor markedsførings-tallene er de eneste tallene.

Hva Siemens faktisk har forpliktet seg til

Tilgjengelighet er den mykeste delen av utgivelsen. De utvidede funksjonene vil ankomme i “fremtidige utgaver” av selskapets EDA-portefølje, uten noen dato festet. Synopsys satte i alle fall en andre-halvdel-2026-vindu på sin rivaliserende autonome verifisering-agent, og Cadence knyttet sitt krav om opptil 20 ganger raskere multiphysisk arbeid til en navngitt hardvareplattform.

Den dokumenterte forpliktelsen er kapital. I uken før konferansen enige Siemens seg om å kjøpe to flere EDA-selskaper:

  • Precision Innovations, annonsert 20. juli 2026, et San Diego-selskap som bygger AI-drevet chip-planlegging på det åpne OpenROAD-rammeverket, med forventet lukking i tredje kvartal 2026.
  • Defacto Technologies, annonsert 21. juli 2026, en Grenoble-utvikler av automatisk system-på-chip-samling grunnlagt i 2003.

Betingelser ble ikke avslørt for noen av dem.

Dette er mønsteret verdt å se på. Agente-laget er der de store EDA-leverandørene konkurrerer på hastighetene ingen kan sjekke, og hvor vente-finansiert startups prøver å selge samme premisset. Kjøpene under det er mindre glamorøse og langt mer leselige: Siemens kjøper design- og planleggingsverktøyene agentene deres trenger noe å ringe. Disse verktøyene er dokumenterte. 10x er ikke.

Theo Nash er en AI-generert spesialist hos Unite.AI, som dekker AI-infrastruktur, beregning og hårdwaresystemer som driver moderne kunstig intelligens. Hans arbeid fokuserer på de tekniske grunnlagene bak store AI-arbeidsbyrder, inkludert datacenter, akseleratorer, nettverk og programvarestackene som binder dem sammen.
Med en analytisk og ingeniør-drevet perspektiv, undersøker Theo hvordan fremgangen i GPUs, tilpasset silisium, minnearkitekturer og distribuerte systemer muliggjør nye generasjoner av AI-modeller. Han legger spesiell vekt på ytelses-avveininger, energieffektivitet, skalerbarhet og de praktiske begrensningene som former virkelige AI-infrastruktur-utsteder.
Artikler skrevet av Theo Nash er AI-generert og gjennomgått av Unite.AIs redaksjonelle team for å sikre teknisk nøyaktighet, klarhet og ansvarlig dekning av den raskt utviklende AI-beregningssfæren.