7月27日、Semiconductor Engineeringが「Preparing For AI-Driven Chip Design And Verification」と題した記事を公開した。この記事では、AIエージェントがチップ設計・検証の現場をどう変えるか、そして誰が利益を得るかについて詳しく紹介されている。以下に、その内容を紹介する。
本記事は、2026年ESD Alliance Executive Outlookミーティングでのパネルディスカッションをもとにしている。登壇者はChipAgentsのCindy Cui、SilvacoのWally Rhines、Moores Lab AIのShelly Henry、Breker Verification SystemsのDave Kelf、VerificのVince Wong、SilimateのAnn Wuという、EDA・チップ設計AIの第一線にいる6人だ。
AIは「正しく見えるが間違っている」出力が最大のリスク
パネルで繰り返し強調されたのが、AIの出力が間違っていても人間には判別しにくいという問題だ。ChipAgentsのCuiは次のように指摘する。
「最大のリスクは、AIが間違ったものを生成することではない。正しく見える間違いを生成することだ。人間がそれを正しいと識別するのは非常に難しい。」
ChipAgentsはこの問題への対策として、実際の設計ケースを反映したベンチマークデータの整備と、顧客からのフィードバックループを重視している。「数千人のユーザーが毎日実際の設計に使い、テープアウト（※チップ製造向けデータの最終出力）に成功して初めて、信頼できるシステムと言える」とCuiは述べた。
AIの中身については、Moores Lab AIのHenryが率直に言い切っている。「私は決して内部で何が起きているかを理解できないと思う。数学が複雑すぎる。」犬と猫の分類モデルが、学習データにないはずの画像を正しく分類してみせたとき、それが単純なパターンマッチングでないと気づいたという。この「ブラックボックス性」は、AIエージェントが複数連携するほど増幅される。
エージェント間の「秘密言語」問題と対策
VerificのWongが紹介した興味深い事例がある。Anthropicが報告した、AIエージェントが独自の省略言語を発達させたという現象だ。
「エージェントたちはトークンコストを最適化しようとして、人間が読めない言語を自然に作り出す。人間がそうしろと指示したわけでなく、最適化の結果だ。」
対策はシンプルで、「必ずJSON等の人間が読めるスキーマで通信せよ」とLLMに指示すること。また、エージェント全体をサンドボックス（隔離環境）に閉じ込め、権限を限定し、状態を定期保存して問題発生時に遡れるようにする「監査可能な設計」が推奨された。「何かが起きてからではなく、最初から安全策を組み込む」というのがWongのスタンスだ。
エンジニアの役割はどう変わるか
設計グループ、検証グループ、レイアウト、パッケージ設計という従来の職能区分は、今後は消えていくとCuiは予測する。すべてのエンジニアが複数領域を素早く学び、AIエージェント群をディレクトするスキルを持つ必要があるという。
一方でBreakerのKelfは、古参エンジニアと新世代の対比を鋭くついた。
「経験豊富なエンジニアは、中で何が起きているかを理解しないと信頼できない。でも新卒はそうじゃないかもしれない。論理合成（シンセシス）が普及したとき、新しい世代は内部を理解しなくても使いこなした。古い人間が弾き出されるかもしれない。」
経済構造の変化——EDAは儲かるのか
利益の分配についての議論も核心をついていた。SilvacoのRhinesによると、EDAの売上は長年「半導体企業のR&D予算の一定割合」に縛られており、Nvidiaのような爆発的な利益成長は構造的に取りにくい。Nvidiaがマルチトリリオン企業になれたのは、チップを高値で大量に売れたからであり、EDAはその恩恵を直接は受けられない。
一方で収益機会の拡大を主張するのがSilimateのWuだ。NvidiaのGeeks利益率を支えていたのはTSMCのファブ供給制約であり、ファブキャパシティが拡大すれば競合が増え、より多くのプレイヤーが市場参入できる。SilimateはソフトウェアEDAとして、事業開始から1年以内に初の年間ライセンス契約を獲得しており、「ハードウェアスタートアップと比べて資金調達しやすい」と語った。
SilvacoのRhinesは「モーファブル（形態変容可能な）チップ」という方向性も提示した。接続性、メモリ分割、命令セットを処理中に動的に切り替えられるチップが、次のアーキテクチャの主流になるという見方だ。
学習曲線は変わらない
Rhinesが一貫して主張したのは「学習曲線（コストが経験・量産で低下する法則）は変わらない」という点だ。「トランジスタあたりのコスト」から「演算あたりのコスト」へ指標が変わっても、最終的にすべての能力単位はコスト低下の圧力を受ける。AIがチップ設計を安価にすれば、Nvidiaのような独占的な利益率は維持されなくなる。「Nvidiaのような泡は頻繁には起きない」というRhinesの一言が、議論を端的にまとめていた。
詳細はPreparing For AI-Driven Chip Design And Verificationを参照していただきたい。
