I pressmaterialet hävdar Synopsys att Autopilot-plattformen fungerar som en agerande ryggrad genom att hantera orkestrering, minne, telemetri och styrning (governance) för AI-systemen. Arkitekturen säkerställer att agenterna förstår designintentionen och har full tillgång till historiska designdata.
Ytterligare en pusselbit för att hålla digital ordning är Ansys Minerva, som fungerar som en strategisk SPDM-bas (Simulation Process and Data Management). Detta strategiska uppköp ger Synopsys en kritisk fördel. Även om det inte är ett fullt PLM-system för fysiska produkter, hanterar det de massiva datamängder som genereras under tunga simuleringar och analyser. Det ger AI-agenterna en stabil datagrund att stå på.
En ständig ström av sena ändringsorder
När verktyg för 3DIC-montering (tredimensionella integrerade kretsar) och PPA-optimering diskuteras, tenderar debatten ofta att stanna på kretskorts- och chipnivå. Men i en modern, modellbaserad systemutvecklingsmiljö (MBSE) och inom den övergripande PLM-processen fungerar dessa specialiserade agenter som ren dynamit mot de traditionella ingenjörssilorna.
Historiskt har chipdesign varit en sekventiell och utdragen process. Kiseldesigners, mjukvaruingenjörer och mekanikkonstruktörer har arbetat isolerat i sina respektive silor. Mekaniksidan har ofta tvingats vänta på termiska specifikationer enbart för att kunna rita kylsystem och kapsling. Resultatet? En ständig ström av sena ändringsorder (ECOs), spräckta tidsbudgetar och kompromisser som försämrar slutproduktens prestanda.
Subramaniam, som rekryterades till Synopsys från Siemens Digital Industries 2022 för att leda systemdivisionen, summerar bakgrunden till utvecklingen så här:
”Det pågår tektoniska skiften inom systemutveckling. I takt med att allt mer mjukvara byggs in i produkterna öppnas möjligheter för nya affärsmodeller, vilket skapar stor entusiasm. Samtidigt väcks frågan om vad detta gör med själva produktutvecklingen. Många av de traditionella strukturerna börjar helt att fallera – som den linjära modellen där man bygger hårdvaran, skriver mjukvaran och sedan testar produkten. Utvecklingscykeln förändras nu från att vara sekventiell till att handla om kontinuerlig integration av traditionell utveckling, där vi dessutom introducerar virtualisering för att kunna göra saker allt tidigare i processen.”
Till detta ska läggas AI:s explosiva inträde på arenan, vilket accelererar utvecklingstakten dramatiskt.
Så förändras spelreglerna
AgentEngineer är ett skolexempel på hur spelreglerna på ett bräde kan ritas om i grunden:
- Parallell design ersätter linjära processer: Genom att en autonom agent på uppgiftsnivå blixtsnabbt simulerar och optimerar komplexa flerdels-arkitekturer (multi-die 3DIC), försvinner väntetiden på att hårdvaran ska bli helt färdig. Agenten kan i realtid förse PLM-systemets digitala tvilling med exakta prestandadata.
- PPA-optimering ur ett systemperspektiv: PPA (Power, Performance, Area) är chipvärldens heliga treenighet. Med AI-agenter flyttas denna optimering högre upp i värdekedjan. När agenten självständigt balanserar strömförbrukning mot prestanda, får systemarkitekten direkt svar på hur chippet påverkar hela produktens energiprofil, termiska beteende och i förlängningen batteritid.
- En intakt digital tråd: Det största värdet ur ett renodlat PLM-perspektiv är att agenterna opererar utifrån en ”ground truth”-princip. AI-agentens beslut och optimeringar baseras på stenhårda EDA-data, vilka kan spåras och kopplas direkt till produktens övergripande kravspecifikationer i PLM-miljön.
Autopilot – den säkra dirigenten i molnet
Själva fundamentet för denna autonomi är plattformen Synopsys Autopilot. Det är här orkestreringen, minneshanteringen och styrningen sker. Plattformen fungerar som en säker miljö där AI-agenter kan koordinera sina aktiviteter, hämta designkunskap och exekvera åtgärder utan att riskera känsliga immateriella rättigheter (IP).
Synopsys har strategiskt byggt plattformen med stor flexibilitet. Den stöder valfrihet gällande infrastruktur, modeller och data – oavsett om kunden kör Synopsys egna verktyg eller integrerar lösningar från tredjepartspartners. Dessutom är plattformen optimerad för så kallad token-effektivitet. Genom att utnyttja proprietär kontext levererar den snabbare resultat till en betydligt lägre beräkningskostnad och latens än generiska AI-modeller.
Tungviktarna i branschen validerar tekniken
Att det inte rör sig om enbart marknadsföringsretorik blir tydligt när man blickar mot de globala jättar som redan har utvärderat tekniken i skarpt läge. Resultaten talar sitt tydliga språk:
- Fujitsu: Rapporterar en produktivitetsökning på mellan 10 och 30 procent vid generering av RTL-kod för sina avancerade beräkningsplattformar. Vinsterna drivs av effektiv generering av SystemVerilog-satser och kodrefaktorering.
- Intel: Ser agentisk AI som nyckeln till att lösa kritiska flaskhalsar inom buggtestning och verifiering. Manoj Selva, VP på Intel, understryker att tekniken kan påskynda felsökningen dramatiskt i komplexa miljöer.
- MediaTek: Samarbetar kring analoga och blandade signalsystem (AMS) för att fundamentalt förändra hur deras team skapar och optimerar komplexa analoga layouter.
- NVIDIA: Bidrar med hårdvaruacceleration och sitt NVIDIA Agent Toolkit (inklusive Nemotron-modeller). Tim Costa, VP på Nvidia, konstaterar att Synopsys kombinerar sin kisel-till-system-expertis med Nvidias säkra runtime-miljöer för att bygga agenter som faktiskt förstår designintentioner.
- Samsung Electronics & TSMC: Båda de asiatiska jättarna pekar på att agentisk AI blir absolut nödvändig för att hantera nästa generations AI-infrastruktur – där extremt komplexa minnesarkitekturer och avancerad kapsling ställer enorma krav på termisk analys och strömförsörjningsintegritet.
Ett paradigmskifte för System-on-Chip
Med lanseringen av Autopilot och AgentEngineer visar Synopsys en väg mot nästa era inom elektronikdesign. Vi har under några år pratat om generativ AI som ett stöd för ingenjören – en ”copilot”. Vad Synopsys nu gör är att flytta AIn från passagerarsätet till förarsätet.
De specialiserade agenterna är inte bara smarta punktlösningar för chip-experter. De är den felande länk som gör att den digitala tråden (the digital thread) faktiskt kan löpa obehindrat hela vägen från det mikroskopiska kislet upp till det färdiga, komplexa systemet.
För halvledarindustrin, och i förlängningen hela den globala tech- och fordonsindustrin som är beroende av skräddarsydda chip, är detta ett nödvändigt paradigmskifte. Om de utlovade produktivitetsvinsterna på upp till 30 % håller i stor skala, kommer det inte bara att kapa ledtider, utan också demokratisera utvecklingen av nästa generations superchip för AI och autonoma system.
Synopsys har därmed i hög grad visat vad autonom ingenjörskonst faktiskt kan innebära. Framtidens PLM styrs inte av statiska filer, utan av dynamiska, autonoma agenter som optimerar produkten medan du sover.
Uppdateringarna av Siemens Fuse EDA AI Agent är utformade för att hjälpa halvledar- och PCB-industrin att ta steget bortom enkel automatisering. Målet är att leverera pålitliga och verifierbara resultat som förbättrar designkvaliteten, kortar ledtiderna samt ökar tillförlitligheten vid verktygsanrop och token-effektiviteten i tidskrävande ingenjörsarbeten.
Vilka är Siemens fördelar i racet?
Men Siemens står ingalunda försvarslösa i denna AI-offensiv, och deras strategiska upplägg har tunga, unika fördelar som Synopsys får svårt att matcha på egen hand. Siemens trumfkort stavas bredd, kontext och systemövergripande kontroll genom den medfödda digitala tråden i Xcelerator-portföljen. Där Synopsys AI-agenter ser världen i form av kisel, transistorer och logiska portar, har en AI integrerad i Teamcenter tillgång till hela produktens livscykel. Den förstår att chipet ska sitta i ett elektroniskt styrsystem, som i sin tur ska monteras i en växellåda på en lastbil. Om en AI-assistent i Siemens miljö optimerar en komponent, kan den omedelbart kalkylera hur ändringen påverkar det mekaniska chassit i NX, de termiska luftflödena i Simcenter eller om materialvalet krockar med hållbarhetskrav i leveranskedjan. Genom att äga hela kedjan från EDA till mekanik och fabriksautomation är Siemens digitala tråd en medfödd realitet, inte ett lapptäcke av komplicerade API-integrationer. När denna ryggrad matas med perfekt strukturerad, versionshanterad data från en och samma centrala sanning (Single Source of Truth), minimeras risken för att AI:n fattar felaktiga beslut – vilket ger Siemens en oöverträffad stabilitet när det gäller att optimera produkter för faktisk tillverkningsbarhet.
Det faktum att Siemens EDA har Teamcenter i ryggen ger bolaget en orubblig, strukturell fördel när det kommer till dataanalys på affärsnivå samt fysisk validering av hård- och mjukvara. Eftersom Teamcenter fungerar som en enhetlig och centraliserad datakälla (Single Source of Truth) för samtliga mekaniska, elektriska och affärsövergripande resurser, kan Siemens sömlöst mappa kod- och layoutändringar direkt mot en maskins fysiska digitala tvilling.
I skarp kontrast till detta står Synopsys agentarkitektur (Autopilot och AgentEngineer). Denna vinner i stället mark på autonom exekveringshastighet, djup EDA-specifik algoritmlogik och avancerad slutledningsförmåga. Även om Synopsys historiskt sett har saknat en övergripande PLM-ryggrad i stil med Teamcenter, kringgår deras nya ”kognitiva och agentbaserade ryggrad” enklare copilots. Arkitekturen kan i stället driva helt stängda, flerdagar långa ingenjörsarbetsflöden som levererar enorma produktivitetsvinster – som upp till 50 gånger snabbare verifieringsprocesser.
Den industriell helheten
Frågan som hela PLM- och halvledarvärlden nu ställer sig är givetvis vem som faktiskt leder det strategiska racet mot framtiden. Sett till ren AI-mognad och teknologisk autonomi ligger Synopsys bra till. Genom att med Autopilot och AgentEngineer göra det mentala och arkitektoniska språnget från passiva copilots till långsiktigt planerande, autonoma agenter har de mutat in ny terräng. Att de dessutom har lyckats få med sig branschens absoluta tungviktare – som Intel, Nvidia, Samsung och TSMC – på tåget visar att detta inte är några framtidsvisioner a la PowerPoint-bildspel. Det är skarp, fungerande teknik som löser akuta flaskhalsar när nästa generations mikrochip ska utvecklas.
Lägg därtill uppköpet av Ansys och deras SPDM-plattform Minerva, och Synopsys har plötsligt gett sina agenter vad som ser ut som en stabil, fysikalisk minnesbank att operera utifrån.
Men teknisk briljans till trots – i den breda, tunga tillverkningsindustrin vinner i regel den som kontrollerar helheten, och här är Siemens position närmast ohotad. Genom Teamcenter och Xcelerator-portföljen utgör Siemens redan den digitala ryggraden hos tusentals globala företag inom fordon, flyg och verkstad. Medan Synopsys måste bygga avancerade API-broar för att deras chip-agenter ska förstå den mekaniska och mjukvarumässiga omvärlden, föds Siemens AI-lösningar direkt in i en färdig, holistisk digital tvilling. För en utvecklingschef på ett globalt fordonsbolag är en AI som kan optimera hela fordonet för produktion och leveranskedja ofta betydligt mer värdefull än en isolerad superagent som optimerar kiselstrukturer i ett vakuum.
Siemens aggressiva agentstrategi
Vem står då som slutgiltig segrare om fem till tio år? Om framtidens produktutveckling blir helt chip- och mjukvarucentrerad – där den fysiska produkten runt omkring bara blir ett passivt skal – då har Synopsys alla möjligheter att rida mot framgångar på sin agentvåg.
Men även om Siemens jobbar hårt på agentsidan:
Bolaget har under 2026 rullat ut en mycket aggressiv agent-strategi. Den stora skillnaden ligger inte i om de har agenter, utan var dessa agenter opererar och vad de har för syfte.
Siemens har två huvudsakliga spjutspetsar när det gäller autonoma och smarta agenter. De är Siemens Fuse EDA AI Agent och Teamcenter AI. Fuse-agenten, som är byggd på NVIDIAs infrastruktur, orkestrerar komplexa flöden över hela EDA-portföljen. Den utmärker sig genom ”självverifiering”, vilket innebär att agentens designbeslut direkt testas mot Siemens fysikbaserade simuleringsmotorer för verklig validering. Samtidigt integreras autonoma agenter djupt i Teamcenter AI för att hantera produktlivscykeln och fabriksautomation. Dessa agenter kan autonomt analysera den digitala tråden, hantera komplexa stycklistor (BOMar), generera processplaner och automatiskt förbereda tillverkningsstrukturer baserat på naturligt språk.
Om framtiden handlar om att bemästra extremt komplexa, cyberfysiska system där mekanik, elektronik och fabriksautomation måste harmonisera perfekt, då har Siemens det strategiska övertaget. Det är trots allt betydligt lättare för Siemens att bygga in smarta agenter i sitt befintliga ”dataimperium,” än vad det är för Synopsys att bygga ett globalt PLM-imperium från grunden.
En sak är i alla fall säker: maktkampen om framtidens autonoma ingenjörskonst har bara börjat.
”I takt med att AI-användningen accelererar kommer de företag som skapar störst värde inte nödvändigtvis att vara de som använder mest AI. Det blir i stället de som besitter tillförlitliga data, rätt kontext och den expertis som krävs för att omsätta AI i effektiv praxis,” summerar Tony Hemmelgarn saken i en LinkedIN-post.
