Branża półprzewodników długo podchodziła do sztucznej inteligencji ostrożnie, bo w projektowaniu chipów liczy się nie tylko szybkość, lecz przede wszystkim możliwość jednoznacznej weryfikacji każdego kroku. Dziś sytuacja się zmienia: Agentic AI pozwala przejść od pojedynczych podpowiedzi do zarządzania całymi sekwencjami zadań – od pracy nad RTL i testami po analizę wyników oraz przygotowanie materiałów do sign-off. Kluczowe jest przy tym połączenie modeli AI z narzędziami inżynierskimi, które dostarczają deterministycznych dowodów poprawności. Dzięki temu automatyzacja może objąć coraz większą część procesu, nie zastępując jednak kontroli człowieka tam, gdzie decyzje mają największe znaczenie. Największy potencjał widać dziś w obszarach opartych na kodzie, specyfikacjach i danych z weryfikacji, gdzie wiele czasochłonnych czynności można uporządkować i przyspieszyć. To właśnie tam Agentic AI zaczyna zmieniać codzienną pracę zespołów projektujących układy scalone – nie jako kolejny asystent, ale jako element całego procesu.
Od podpowiedzi do działania
Pierwsza fala zastosowań sztucznej inteligencji w inżynierii skupiała się przede wszystkim na wyszukiwaniu informacji, podsumowaniach i generowaniu fragmentów kodu. Takie narzędzia mogły przyspieszać pracę pojedynczego inżyniera, zwykle jednak działały punktowo. Agentic AI zmienia ten model: system może rozłożyć cel na mniejsze zadania, dobrać do nich odpowiednie narzędzia, przeanalizować otrzymane wyniki i na tej podstawie zaplanować kolejny krok. W praktyce oznacza to przejście od asystenta odpowiadającego na pytania do rozwiązania, które potrafi prowadzić uporządkowany, wieloetapowy proces.
Nie oznacza to jednak oddania AI pełnej swobody. W projektowaniu układów scalonych każdy istotny rezultat musi dać się zweryfikować za pomocą standardowych narzędzi inżynieryjnych. Kompilatory, lintery, symulatory czy weryfikacja formalna pozwalają zachować pełną kontrolę. Modele AI mogą planować, analizować i proponować rozwiązania, ale o poprawności nadal przesądza wynik deterministycznego sprawdzenia.
Pełny proces tworzenia aplikacji skupia dziś większość uwagi, ponieważ obserwujemy, jak duże modele językowe (LLM) zmieniają oczekiwania wobec branży tworzenia oprogramowania. Jednak branża projektowania układów półprzewodnikowych, poza samym rozwojem programowalnych narzędzi EDA (Electronic Design Automation), znacznie częściej opiera się na niestandardowych skryptach i procesach przetwarzania danych, wykorzystywanych do rozwiązywania różnorodnych, często unikalnych lub krótkoterminowych wyzwań projektowych. Zadania te oraz związane z nimi odrębne procedury muszą być starannie opracowywane, odpowiednio zsekwencjonowane i precyzyjnie realizowane, a także uwzględniać weryfikację projektu na kolejnych etapach prac. Okazuje się, że koordynacja takich procesów jest zadaniem szczególnie dobrze dostosowanym do agentowych modeli LLM (agentic LLMs), a my dopiero zaczynamy dostrzegać wpływ sztucznej inteligencji na współczesne procesy projektowania układów półprzewodnikowych
– komentuje Cole Noppenberg, Physical Design Engineer w Capgemini Polska.
Największy potencjał tam, gdzie wynik można jednoznacznie sprawdzić
Najbardziej naturalnym obszarem zastosowania Agentic AI jest front-end projektowania chipów. Specyfikacje, kod RTL, asercje, plany testów czy logi z regresji mają postać, którą modele mogą analizować, porządkować i zestawiać z wynikami kolejnych kontroli. Agent może na przykład przełożyć opis funkcjonalności na uporządkowane wymagania, przygotować szkielety RTL i SVA, stworzyć elementy środowiska UVM albo pogrupować błędy z regresji i wskazać ich najbardziej prawdopodobne przyczyny.
Na późniejszych etapach projektowania zakres autonomii jest mniejszy, ponieważ coraz większą rolę odgrywają specjalistyczne narzędzia EDA i tworzone przez nie dane. AI może wspierać przygotowanie ograniczeń projektowych, podpowiadać warianty optymalizacji parametrów projektu, analizować raporty dotyczące timingu, DRC czy spadków napięcia oraz proponować zmiany ECO. Każda z takich propozycji wymaga jednak sprawdzenia w odpowiednich narzędziach przed przejściem do kolejnego etapu.
Jakość danych ważniejsza niż ich ilość
W branży półprzewodników jednym z największych wyzwań jest dostęp do danych. Najcenniejsze informacje projektowe mają charakter własności intelektualnej, dlatego nie można po prostu gromadzić ich na dużą skalę i udostępniać ogólnym modelom. Z tego powodu skuteczność rozwiązań AI zależy przede wszystkim od jakości, właściwego kontekstu i kontroli nad tym, z jakich materiałów korzysta system.
Jednym z proponowanych podejść jest połączenie starannie wybranych danych wewnętrznych, mechanizmów RAG opartych na zatwierdzonych artefaktach projektowych oraz danych syntetycznych. Te ostatnie mogą odwzorowywać różne konfiguracje i typowe błędy, na przykład problemy związane z resetem czy clock domain crossing. Ich wartość rośnie wtedy, gdy są automatycznie oceniane za pomocą sprawdzonych narzędzi i regularnie porównywane z referencyjnymi wynikami regresji. Zamiast koncentrować się wyłącznie na liczbie danych, zespoły mogą więc mierzyć to, co naprawdę istotne: poprawność kompilacji, odsetek zaliczonych regresji, precyzję asercji czy poziom pokrycia testami.
Nie każde zadanie wymaga największego modelu
Proces nie musi opierać się na jednym, rozbudowanym modelu. Prostsze czynności, takie jak analiza logów czy przygotowywanie szablonów, mogą być wykonywane przez lżejsze rozwiązania, podczas gdy trudniejsze zadania – na przykład debugowanie błędów lub analiza zależności między różnymi artefaktami – mogą trafiać do modeli o większych możliwościach. Taki podział pozwala ograniczyć koszty i skrócić czas działania bez rezygnowania z jakości tam, gdzie rzeczywiście potrzebne jest bardziej zaawansowane rozumowanie.
W rezultacie wybór modelu staje się decyzją inżynierską. Liczą się nie tylko jego rozmiar czy długość obsługiwanego kontekstu, ale także wiedza domenowa, dokładność, opóźnienia, koszt działania i zużycie energii. W środowisku produkcyjnym o wartości rozwiązania powinien decydować przede wszystkim efekt całego procesu i to, czy prowadzi on do wiarygodnego, zweryfikowanego rezultatu.
Więcej autonomii oznacza większą potrzebę kontroli
Im większą część procesu można zautomatyzować, tym większego znaczenia nabierają ochrona danych, kontrola dostępu i możliwość odtworzenia decyzji podejmowanych przez system. Właśnie dlatego środowisku półprzewodnikowym podstawą pozostają ścisła izolacja projektów, zasada najmniejszych uprawnień oraz – w przypadku szczególnie wrażliwych programów – wdrożenie on-premise lub w prywatnym środowisku VPC.
Działania agentów, w tym prompty, wywołania narzędzi, wprowadzane zmiany i ich zatwierdzenia, powinny pozostawiać pełny ślad audytowy, ponieważ decyzje o dużym wpływie nadal wymagają udziału człowieka. Takie podejście pozwala rozwijać automatyzację bez rozmywania odpowiedzialności za końcowy rezultat.
Sztuczna inteligencja nie zastępuje kompetencji inżynierskich, lecz je wzmacnia. W projektowaniu układów scalonych największą wartość daje wtedy, gdy przejmuje powtarzalne zadania i pomaga szybciej analizować ogromną ilość danych. Warunkiem skutecznego wykorzystania AI jest pełna transparentność danych, działań i wyników weryfikacji – to człowiek nadal ponosi odpowiedzialność za kluczowe decyzje techniczne
– dodaje Jakub Rachoń, Analog Design Engineer w Capgemini Polska.
Najbliższe lata: mniej ręcznej pracy między kolejnymi etapami
W perspektywie najbliższego roku lub dwóch największa zmiana może dotyczyć nie pełnej automatyzacji projektowania chipów, ale ograniczenia pracy wykonywanej dziś pomiędzy poszczególnymi narzędziami i etapami. Koordynowanie zadań, uruchamianie kolejnych kroków, analiza logów, zestawianie wyników czy przygotowywanie materiałów do oceny to obszary, w których Agentic AI może stosunkowo szybko przynieść wymierne korzyści. Ostateczny sign-off pozostanie jednak oparty na deterministycznych mechanizmach i odpowiedzialności człowieka.
Równolegle rozwijają się same platformy EDA, które coraz częściej wykorzystują AI do wspierania debugowania, weryfikacji i automatyzacji procesów. Trend ten znajduje odzwierciedlenie również w działaniach Capgemini. Firma rozwija w ramach swojej praktyki Electronics and Semiconductor rozwiązania obejmujące różne etapy cyklu projektowego – od wyspecjalizowanych asystentów, takich jak CHIP-IQ, po narzędzia wspierające smart debugging, automatyzację procesów i przyspieszanie testów. Nad ich rozwojem pracuje dedykowane Center of Excellence, dostosowując je do zmian zarówno w technologiach AI, jak i w ekosystemie EDA.
