Según Paul Cunningham, senior VP de Cadence Systems, entre el 20 y el 30 % de los chips en desarrollo se diseñan hoy con la ayuda de agentes de IA, y esta proporción está aumentando rápidamente. Cadence ha despleado recientemente una serie de herramientas denominadas « AI Super Agents » y ha anunciado una asociación con Nvidia, en torno a una nueva familia de modelos llamada Maestro.
- Cadence y Nvidia lanzan Maestro, una familia de modelos de IA especializada en las herramientas de diseño de Cadence.
- Hoy, entre el 20 y el 30 % de los chips se diseñan con agentes de IA.
- Según Cadence, los modelos mejoran hasta un 30 % la calidad y son hasta 5 veces más eficientes en tokens.
- Los agentes orquestan las herramientas EDA mediante capas de software llamadas harnesses.
Agentes que pilotan las herramientas existentes
Especializada en software de diseño asistido por computadora para la electrónica (EDA), Cadence ofrece, entre otros, AuraStack, para el empaquetado avanzado y el diseño de placas de circuito impreso (PCB), ChipStack, para el diseño y la verificación de sistemas en chip (SoC), InnoStack, para el enrutamiento PHY, y ViraStack, para el diseño de circuitos analógicos.
Basados en el principio de Claude Code de Anthropic o de Codex de OpenAI, estos agentes se apoyan en capas de software, llamadas « harnesses », que combinan modelos de lenguaje (LLM) con la automatización de flujos de diseño y prueba. Orquestan las herramientas EDA, de prueba y verificación de Cadence. La lógica recuerda a la de los asistentes de programación: un código compila o no compila, y Cadence cuenta con pruebas destinadas a verificar que sus diseños funcionarán como se espera.
Sin embargo, la eficacia de estas pruebas depende mucho de la proximidad entre los datos de entrenamiento de los modelos y las entradas y salidas que procesan. Los primeros agentes de Cadence se basaban en gran medida en LLM comerciales, poco expuestos a la descripción a nivel de registros (RTL), el lenguaje que describe el funcionamiento de un circuito. « No se trata de que estos modelos de base listos para usar, aunque de una potencia notable, hagan todo por sí solos. Constituyen el punto de partida, y aún pueden especializarse », declaró Paul Cunningham.
Modelos Maestro entrenados en las herramientas de Cadence
Cadence anunció, pues, una asociación con Nvidia y lanzó la familia de modelos Maestro. Estos modelos fueron afinados (fine‑tuning, es decir, especializados a partir de un modelo existente) gracias a la familia Nemotron de Nvidia, para trabajar con las herramientas de Cadence e interpretar sus resultados.
Según Cadence, pruebas preliminares mostraron una mejora « de hasta » el 30 % en la calidad de los resultados, así como una eficiencia en tokens « de hasta » 5 x superior a la de modelos de base generalistas. El token, unidad de texto que procesa un modelo, se usa aquí para medir el coste de cálculo. Según la empresa, los modelos post‑entrenados en sus herramientas serían, por tanto, tanto más eficientes como menos costosos de ejecutar.
La plataforma Maestro también permite personalizar los modelos a partir de los datos de los clientes. Paul Cunningham precisó que esta opción se ofrecería como un servicio gestionado, y no como un proceso que los clientes llevarían a cabo por sí solos. Los modelos y agentes pueden usarse a través de una API, en un VPC seguro (red privada virtual aislada) o, para las empresas que dispongan del hardware necesario, in situ.
Un interés que supera el diseño de chips
Cadence no es la única que explora el uso de agentes de IA para dirigir cargas de cálculo de alto rendimiento (HPC). Nvidia ha estado acercando durante varios años el HPC y la IA, sus GPU (procesadores gráficos) sirven para muchos otros usos además del entrenamiento y la ejecución de modelos, aunque la mayoría de los compradores los destinan a eso.
Esta idea de laboratorios dirigidos por IA también está en el centro de la Genesis Mission del Departamento de Energía de EE. UU., en el marco de la cual se anunciaron numerosos nuevos superordenadores de gran escala basados en Nvidia. Investigadores de los Sandia National Labs presentaron, además, un laboratorio denominado « autónomo » (self‑driving lab), donde agentes de IA desarrollan y prueban nuevas hipótesis. Sin embargo, esas experiencias no contaban ni con los harnesses modernos ni siquiera con LLM. En un contexto de financiación limitada para la investigación pública, la idea de un asistente de laboratorio capaz de continuar tareas después de la partida de los investigadores puede resultar atractiva.
