L’AI inizia a progettare i chip: OpenAI e Synopsys automatizzano il silicio

⚙️ Da sapere

• OpenAI ha usato i propri modelli per accelerare la progettazione di Jalapeño, portando il chip dal codice RTL al tape-out in appena nove mesi.
• Synopsys porta gli agenti AI dentro verifica, implementazione, analog, manufacturing e simulazione con workflow lunghi composti da migliaia di passaggi.
• Il punto non è sostituire subito gli ingegneri: l’AI sta conquistando le fasi strutturate dove risultati e vincoli possono essere verificati automaticamente.

L’intelligenza artificiale non serve più soltanto a riempire i data center di acceleratori: comincia a partecipare direttamente alla progettazione dei chip che la eseguiranno. OpenAI ha utilizzato modelli AI durante lo sviluppo di Jalapeño, il proprio ASIC per inferenza costruito con Broadcom, comprimendo il ciclo RTL-to-tape-out a nove mesi. Synopsys porta la stessa logica dentro gli strumenti EDA con AgentEngineer e la nuova Autopilot Platform, progettati per pianificare ed eseguire workflow complessi attraverso verifica, implementazione, analog, manufacturing e simulazione. I due casi descrivono un cambio più profondo della semplice automazione: il software sta iniziando a prendere decisioni all’interno del processo con cui viene costruito il silicio.

Jalapeño mostra che l’AI può comprimere il ciclo di progettazione di un ASIC

Il caso più concreto arriva da Jalapeño, ASIC sviluppato da OpenAI insieme a Broadcom per l’inferenza dei propri modelli. Il chip era già entrato nella strategia con cui OpenAI prova a ridurre costi e dipendenza dagli acceleratori Nvidia, ma il dato nuovo riguarda soprattutto il modo in cui è stato progettato. In un’intervista originale di Tom’s Hardware a Richard Ho, responsabile hardware di OpenAI, la società spiega di avere utilizzato i propri modelli per assistere e ottimizzare diverse parti del design, riuscendo a passare dall’avvio del lavoro RTL al tape-out in circa nove mesi, contro cicli che normalmente possono richiedere molto più tempo. Più della metà del core sarebbe stata scritta utilizzando XLS e relativi strumenti, mentre i modelli AI sono stati impiegati per cercare configurazioni migliori sul fronte power, performance e area. OpenAI dichiara miglioramenti fino al 56% su specifici blocchi aritmetici rispetto ai baseline umani e riduzioni dell’area in alcune unità interne, risultati che restano riferiti ai test e alle metodologie dell’azienda ma mostrano comunque il vantaggio della co-progettazione tra modello e silicio. Jalapeño non nasce inoltre come prodotto commerciale generale: OpenAI ha spiegato che il primo obiettivo rimane soddisfare la propria domanda interna di compute, già enorme e destinata a crescere con modelli, agenti e workload di reasoning. Il collegamento con il cash burn di OpenAI e il peso crescente del compute è diretto: se l’infrastruttura assorbe una quota sempre maggiore dei costi, usare l’AI per progettare più rapidamente hardware proprietario diventa una leva economica oltre che ingegneristica.

Leggi anche: OpenAI rompe il fronte Nvidia con Jalapeño e apre la guerra dei chip agentici

Synopsys trasforma l’EDA da assistenza AI a workflow agentici autonomi

Se OpenAI mostra cosa può ottenere un hyperscaler progettando il proprio ASIC, Synopsys prova a trasformare questa capacità in una piattaforma utilizzabile dall’intera industria. La società ha presentato AgentEngineer e Synopsys Autopilot Platform, un’architettura composta da agenti specializzati capaci di lavorare su obiettivi ingegneristici di lunga durata e non soltanto su task isolati. Verification AgentEngineer può interpretare specifiche, generare RTL e testbench, eseguire test, analizzare coverage, correggere problemi e reiterare il ciclo fino alla chiusura; Implementation AgentEngineer coordina floorplanning, placement, routing, DFT, timing, consumi e signoff; altri agenti coprono analog e mixed-signal, manufacturing, simulazioni e analisi.

La differenza rispetto ai copiloti precedenti sta nel livello di autonomia: il sistema può mantenere il contesto attraverso centinaia o migliaia di passaggi, valutare risultati intermedi e modificare il piano senza richiedere che l’ingegnere impartisca ogni singolo comando. Synopsys sostiene di avere già oltre 50 engagement con clienti e cita risultati fino a 50 volte più veloci nella verification closure, 20% in più di coverage e incrementi di produttività del 10-30% in specifici task RTL, numeri che vanno letti come risultati dichiarati dal vendor e dai partner coinvolti, non come prestazioni universali. La direzione era già visibile nel processore Samsung a 3 nm progettato utilizzando strumenti AI di Synopsys e nell’integrazione di NemoClaw con Cadence, Siemens e Synopsys nei workflow EDA. Autopilot sposta però l’obiettivo: non ottimizzare soltanto un layout, ma coordinare l’intero processo di progettazione attraverso agenti che accedono a tool, dati e motori EDA considerati “ground truth”.

Continua con: NVIDIA porta gli ingegneri AI autonomi dentro i workflow EDA | Samsung usa l’AI per progettare il primo processore mobile a 3 nm

Il vero collo di bottiglia diventa verificare l’AI prima che il silicio venga prodotto

La conseguenza più importante non è che l’ingegnere hardware stia per essere eliminato. Le fasi nelle quali l’AI ottiene oggi i risultati migliori sono quelle dove il problema è strutturato, i vincoli possono essere formalizzati e l’esito può essere verificato da simulatori, tool di timing, coverage, design-rule check e altri motori deterministici. È proprio questo a rendere il chip design un terreno particolarmente adatto agli agenti: un modello può proporre una soluzione, ma l’ambiente EDA dispone di strumenti capaci di stabilire se quella soluzione rispetta realmente potenza, area, timing e regole fisiche. Synopsys mantiene infatti checkpoint umani e sistemi di governance, mentre la propria piattaforma consente alle aziende di scegliere modelli commerciali, open source o proprietari e di mantenere i dati in cloud o on-premises. La presenza di Intel, Samsung, MediaTek, TSMC e Nvidia tra i partner citati nel lancio mostra che il problema non riguarda un singolo vendor, ma tutta la filiera dei semiconduttori. Nel frattempo OpenAI dimostra l’altro lato del ciclo: l’AI contribuisce a progettare un chip che servirà a eseguire nuovi modelli AI, i quali potranno a loro volta contribuire alla progettazione delle generazioni successive. Anche le fabbriche Samsung orientate verso digital twin, robot e agenti AI mostrano che la stessa automazione si sta estendendo oltre l’EDA verso la produzione. Il rischio industriale si sposta quindi dal semplice errore umano alla capacità di validare decisioni generate automaticamente prima che diventino maschere, wafer e silicio reale. L’AI non sta ancora sostituendo il progettista, ma ha già iniziato a ridisegnare il confine tra ciò che l’ingegnere decide direttamente e ciò che supervisiona. Quando i chip vengono progettati più velocemente anche grazie ai modelli che quegli stessi chip dovranno accelerare, il settore entra in un ciclo di feedback che può comprimere drasticamente i tempi di innovazione: il silicio sta iniziando a progettare altro silicio attraverso l’AI che esso stesso esegue.