11月12日、Semiconductor Engineeringが「The Semiconductor Singularity: When AI Starts Accelerating The Silicon That Accelerates AI」と題した記事を公開した。本記事はSiemensのホワイトペーパー「The Semiconductor Singularity: Accelerating IC Innovation with AI」を一次ソースとしており、AIが半導体設計・製造プロセスの内側に入り込み、そのプロセス自体を加速するという「半導体シンギュラリティ」の構造について詳しく論じている。
自己強化ループの全体像:なぜ今、この議論が生まれるのか
Ray Kurzweilが提唱した「加速するリターンの法則(Law of Accelerating Returns)」は、蓄積された技術能力が次のコンピューティングパラダイムを生み出すという考え方だ。Siemensのホワイトペーパーはこの構造を半導体エンジニアリングに当てはめ、Semiconductor Engineeringがその論点を整理・紹介している。
核心にあるのは、「より良いハードウェア → AI能力の向上 → 半導体設計ツールの高度化 → さらに良いハードウェアの実現」という自己強化ループである。各世代のコンピューティングが次世代を作るためのツールと知識を提供してきたという100年以上の歴史が、AIの登場によって新たな局面を迎えている。

Fig. 1: 連続するコンピューティングパラダイムが、次世代を生み出すための技術的基盤を積み上げてきた。
ボトルネックの解消:200〜300時間が30時間に
半導体エンジニアリングの進歩は、滑らかな指数曲線を描かない。コスト・時間・計算量・組織的な労力がボトルネックを超えたときに、初めて次の実験が可能になる。
著者はこの変化を計算リソグラフィ(Computational Lithography)の機械学習適用で実体験している。かつてSPIEの機械学習コース向けにプロトタイプを構築した際、トレーニングデータ生成も含めて200〜300時間を要した。その後、同等のプロトタイプをジェネレーティブAIを活用して再現・拡張したところ、約30時間で完了した。
これは生産レベルのツールではなくノートブック上のプロトタイプだが、探索に要する労力が一桁変化したことの意味は大きい。同じスケジュールの中で、より多くの設計代替案を試せるようになる。
エージェントAIが「ベテランエンジニアの判断」を拡張する
Generative AIがソフトウェア作業の複雑さを軽減するなら、Agentic AI(エージェント型AI)はさらに一歩進んで、一連のエンジニアリング作業そのものを実行する。
ここで言う「エージェント型AI」とは、単一のプロンプトに応答するだけのLLM(大規模言語モデル)とは異なり、目標を与えられると自律的に計画を立て、複数のツールやデータソースを順に呼び出しながら作業を完遂するAIシステムを指す。LLMが「意図を解釈する」層として機能しつつ、ワークフローの組み立て・関連コンテキストの取得・専門ツールの協調までを担う点が特徴だ。近年、ソフトウェア開発支援や科学研究支援の分野でも注目が高まっており、EDA(電子設計自動化)領域への応用はその最前線に位置する。
半導体設計では、どの分析を走らせるか、どのデータが重要か、いつ結果が信頼できるかを判断する経験豊富なエンジニアが不可欠だ。しかしその専門性は、計算能力や開発需要ほど速くスケールできない。
計算リソグラフィの文脈では、エージェントが「最新のSEMデータ収集 → モデルキャリブレーションの設定 → 適切な分析の実行 → 収束とランタイムの確認 → 例外を人間のエンジニアに差し戻す」という一連の流れを担える。専門家1人が指揮できる計算・データ・ツールの量が増えるという構図だ。
SiemensはFuse EDA AIというアーキテクチャでこれを実装しており、AIモデルをEDAツール・エンジニアリング知識・専用言語・データフォーマットに接続している。
信頼性は「エンジニアリングインフラ」である
エンジニアリングサイクルが速くなるほど、信頼性の価値が上がる。AIは仮説を生成し、ワークフローを組み立て、代替案を素早く探索できる。しかし半導体開発が前進するのは、エンジニアが責任を持って行動できる根拠——検証済みの設計、認定済みモデル、実測されたシリコン——があるときだけだ。
Agentic EDAには、エンジニアリングのコンテキスト、安全なデータアクセス、追跡可能なアクション、決定論的な権限、そして重要な意思決定における人間のコントロールが必要だ。
たとえばCalibre nmOPCモデルは、物理的なメトロロジーデータとのキャリブレーションと、ウェーハ上の実測結果との継続的な比較によって信頼性を獲得する。条件が変われば再キャリブレーションし、エビデンスが積み上がる。
ワークフローが加速するにつれ、今度はデータアクセスの確立・IP保護・本番環境での変更承認にかかる時間がボトルネックになる。図2が示すように、開発・分析が速くなるほど、物理的なエビデンス、決定論的な権限、データアクセス、IP保護、バリデーション、人間のコントロールが、エンドツーエンドのサイクルタイムに占める割合を増やす。

Fig. 2: 自動化が進むほど、物理的エビデンスや人間のコントロールがサイクルタイムの大部分を占めるようになる。
「シンギュラリティ」の正体:次のボトルネックを特定し続けること
記事の結論は明快だ。半導体シンギュラリティとは、このエンジニアリングループが継続的に加速していく状態を指す。次のボトルネックを特定し、物理的な要件とサインオフが必要な箇所では権限を維持し、シリコンからのエビデンスを使って次世代ハードウェアを生み出すツールと意思決定を改善する——この繰り返しだ。
タイトルが示す「自己強化ループ」と、このセクションで論じる「シンギュラリティ」は表裏一体だが、強調点は異なる。ループの存在は構造的な事実であり、シンギュラリティとはそのループがどこまで続くか、どこで人間の介在が不可欠になるかという問いへの応答だ。AIが設計を高速化し、そのAIを動かすチップの設計をさらに高速化するという構造は、単なる比喩ではなく、今まさに進行中のエンジニアリングの現実として論じられている。
詳細はThe Semiconductor Singularity: When AI Starts Accelerating The Silicon That Accelerates AIを参照していただきたい。