9月23日、Semiconductor Engineeringが「Multi-Agent AI Systems Must Work Like An Orchestra Without A Conductor」と題した記事を公開した。チップ設計において99.99%の精度は「失敗」に等しい——この一言が、エージェントAIへの楽観論と半導体設計の現実との間にある深い溝を鋭く突いている。精度99.99%でも1ピコ秒のタイミング違反が致命傷になる世界で、マルチエージェントAIはどこまで信頼できるのか。

この記事は、Design Automation Conference（DAC）で非公開開催された円卓討議の記録だ。Cadence、Synopsys、Siemens EDA、Keysight EDA、ChipAgentsの幹部5名が、エージェント型AIをチップ設計に実用投入する際の具体的な論点を議論している。全3部構成の第3回にあたる。

「指揮者なし」に向かうマルチエージェント設計

議論の中核にあるのが、エージェント間の組織構造だ。

1年前であれば「将軍・中尉・歩兵」のような軍隊型ヒエラルキーが想定されていた。しかし現在の潮流は大きく変わっているとCadenceのMatt Grahamは語る。

「今は軍隊よりはるかにフラットになっている。スキルや能力を動的にタスクベースで組み合わせていく形だ」

Keysight EDAのAlexander Petrは、より直感的な比喩を提示した。

「オーケストラに例えるほうが正確だ。指揮者が一人いて、各パートが個別にも、同期・非同期で協調しても演奏できる」

さらにSiemens EDAのSathish Balasubramanianが加えた重要な概念が「ヘッドレスエージェント（headless agents）」だ。マスターエージェントが全体を統制するのではなく、各エージェントが「自分の役割」「全体の目標」「他エージェントとの接続方法」を自律的に把握して動く構造を指す。ソフトウェア業界では既に普及しつつあり、EDA領域にも波及しつつある。

ChipAgentsのHarrison Balistreriは実装上の落とし穴を指摘する。複数エージェントを並列投入しても、各エージェントが同じローカルコンテキストを持っていれば、同じ仮説に収束するだけだという。スケールメリットを得るには、各エージェントが参照するコンテキストを意図的に分離・管理する設計が必要になる。

「99.99%では失敗」という厳しい現実

エージェントAI全般の議論でよく出る「精度の高さ」への楽観論に、チップ設計の専門家たちは厳しい視線を向ける。

Balasubramanianは端的に言い切った。

「チップ設計において99.99%の精度は失敗だ。1ピコ秒のズレで致命的な違反が生じる」

SynopsysのRick Carlsonも同様の危機感を示す。

「ソフトウェアでも100%達成は困難な問題だ。ハードウェアではコストが桁違いに高いため、さらに深刻になる」

Keysight EDAのPetrは、物理シミュレーションの観点から補足する。既存の数学的最適化エンジンは数十年かけて決定論的（deterministic）な精度を追求してきたもので、確率論的なAIモデルに置き換える合理性はまだない、というのが現実認識だ。

「強化学習でもできる。でも数学ベースの最適化のほうが速くて正確だ。なぜわざわざそちらに切り替える必要がある？」

Grahamは中間的な立場をとる。合成（synthesis）がEDA設計を変えたように、エージェントも大部分の作業を自動化するだろうが、手作業が必要な領域はゼロにはならない。「100%自律を目標にするのは現実的でも、有益でもない」というのが彼の見解だ。

エージェントが生成したコードの著作権は誰のものか

IP（知的財産）の問題も議論の焦点になった。

米国著作権法上、AIが生成したコードは著作権保護の対象外だ。Petrが指摘するように、「人間が設計の大部分を担う」という条件を満たさない限り、AIエージェントに大半を任せたチップ設計は著作権を主張できない。

さらにBalasubramanianが強調したのがプロンプトのIP問題だ。

「プロンプトはあなたのIQそのものだ。設計アルゴリズムをプロンプトに書き込んだ瞬間、それは外部のLLMプロバイダーに渡っている。エアギャップ（物理的な隔離環境）の外に出たら問題だ」

Balistreriはここで実用的な結論を示す。フロンティアモデル——特定企業が大規模な計算資源で学習・提供する最先端の大規模言語モデルを指す——をエージェント層に使えば、競合チップメーカーと同じモデルプロバイダーに設計データを送るリスクを負う。セキュリティを重視する半導体業界での現実的な解は、オンプレミスのプロプライエタリモデルだという。

同社ではオープンウェイトモデルを活用しているという。オープンウェイトモデルとは、モデルの重みパラメーターが公開されており、自社インフラ上でローカル実行できるAIモデルのことで、クラウドAPIに依存せず外部への学習データ流出リスクを抑えられる点が半導体業界で注目されている。同等タスクでフロンティアモデル比40%少ないトークン消費を実現しているとも述べた。

エージェントのトークン消費に「キルスイッチ」は必要か

カバレッジクロージャー（検証工程において、設計仕様のすべての検証項目を満たした状態、すなわち「検証完了」を指すEDA用語）を目指してエージェントがトークンを際限なく消費し続けるリスクについて、Grahamは「デプロイ前の設計段階でガードレールを組み込む問題だ」と整理する。時間・トークン・カバレッジ範囲に上限を設けることは、従来のEDAツール運用（CPUサイクルの管理）と本質的に変わらない。顧客企業はすでにこの最適化に専門部門を持っているという。

この点はIP問題とも連動している。オープンウェイトモデルをオンプレミスで運用すれば、トークン消費の上限管理もクラウドAPIの従量課金に縛られることなく設計側でコントロールできる。「どこまで推論させるか」の決定権を自社に置くこと自体が、セキュリティとコストの両面で重要な設計判断になるという論点だ。セキュリティ上の理由でオンプレミス運用を選択した結果、コスト構造の主導権まで取り戻せる——この二重のメリットが、同セクションをIP議論と連続して読む意義でもある。

チップ設計へのエージェントAI適用は「できるかどうか」の段階を超えた。論点は「どこまで任せるか」「精度をどう担保するか」「IPをどう守るか」という実装レベルの問題に移っている。

詳細はMulti-Agent AI Systems Must Work Like An Orchestra Without A Conductorを参照していただきたい。