Cadence Design Systems ha presentato il 26 ottobre 2026 Maestro, una nuova famiglia di modelli di intelligenza artificiale sviluppati per assistere gli ingegneri nella progettazione di semiconduttori e sistemi elettronici. La novità riguarda uno dei settori tecnologici più complessi, nel quale ogni modifica a un circuito deve essere verificata rispetto a precisi requisiti di funzionamento, consumo energetico, prestazioni e dimensioni.

Il progetto nasce dalla collaborazione con NVIDIA e punta a integrare modelli AI specializzati nei software utilizzati quotidianamente dalle aziende che sviluppano microchip. Una caratteristica particolarmente rilevante riguarda la possibilità di eseguire questi sistemi direttamente nei centri di calcolo delle imprese, senza obbligare i progettisti a trasferire informazioni riservate su infrastrutture esterne.

La presentazione arriva mentre cresce la competizione tra i fornitori di software per la progettazione elettronica. Il 30 settembre Synopsys aveva annunciato una collaborazione con OpenAI per sviluppare GPT-Synopsys, un modello destinato allo stesso settore. Due iniziative che mostrano come l’intelligenza artificiale stia entrando in una fase più specialistica, nella quale la conoscenza dei processi industriali diventa determinante quanto la capacità di elaborare informazioni.

Perché progettare un microchip richiede strumenti AI differenti

La progettazione di un semiconduttore è un processo profondamente diverso dalla produzione di un testo o dalla generazione di un’immagine. Un moderno circuito integrato può contenere miliardi di transistor, che devono funzionare correttamente all’interno di una struttura fisica estremamente complessa.

Gli ingegneri definiscono inizialmente le funzioni che il componente dovrà svolgere, quindi traducono queste specifiche in una descrizione del comportamento dei circuiti. Nel caso dei sistemi digitali vengono utilizzati linguaggi hardware, come Verilog e SystemVerilog, che permettono di rappresentare la logica del dispositivo prima della sua realizzazione fisica.

Il progetto attraversa successivamente numerose fasi di verifica e ottimizzazione. Occorre controllare che le operazioni producano i risultati previsti, che i segnali raggiungano le destinazioni nei tempi stabiliti e che il consumo energetico rimanga compatibile con le specifiche. Anche la disposizione dei componenti sul silicio deve rispettare vincoli elettrici e fisici molto precisi.

A rendere possibile questo lavoro sono gli strumenti di Electronic Design Automation (EDA), una categoria di software che comprende applicazioni per la descrizione dei circuiti, la simulazione, la verifica funzionale, la sintesi logica e la progettazione fisica.

La verifica funzionale serve ad accertare che il circuito si comporti secondo le specifiche. Le analisi temporali controllano invece che i segnali rispettino i vincoli di velocità, mentre altre simulazioni valutano fenomeni elettrici, consumi, dissipazione termica e integrità delle alimentazioni. Prima di avviare la produzione vengono effettuati ulteriori controlli sulla correttezza della struttura fisica.

Un modello linguistico generalista può contribuire alla scrittura di codice hardware o alla documentazione tecnica, ma la correttezza sintattica non garantisce che un circuito funzioni. Un progetto apparentemente valido potrebbe contenere errori difficili da individuare, superare i limiti di potenza oppure risultare incompatibile con i vincoli produttivi.

È su questa differenza che si concentra Cadence Maestro: collegare le capacità dei modelli AI a strumenti ingegneristici capaci di verificare concretamente i risultati.

Come funzionano i modelli specializzati e gli agenti AI di Cadence

Cadence Maestro comprende modelli linguistici ulteriormente addestrati per attività specifiche, modelli decisionali e capacità operative destinate agli agenti AI. Non si tratta quindi di un unico sistema che risponde alle richieste degli utenti, ma di un insieme di tecnologie utilizzabili nelle diverse fasi dello sviluppo elettronico.

Il funzionamento si basa sull’integrazione con gli AI Super Agents di Cadence, strumenti progettati per coordinare attività ingegneristiche attraverso software specializzati.

ChipStack interviene nella progettazione digitale e nella verifica funzionale, comprese la generazione di descrizioni hardware, la preparazione dei test e l’individuazione degli errori. ViraStack riguarda invece la progettazione di circuiti analogici e a segnali misti, mentre InnoStack è dedicato alle attività di implementazione fisica e verifica finale. AuraStack estende le capacità degli agenti alla progettazione delle schede elettroniche e dei sistemi avanzati di packaging.

L’introduzione di Cadence Maestro permette di alimentare questi agenti con modelli dotati di competenze specifiche, anziché affidare l’intero processo alle conoscenze generali di un modello linguistico.

Il sistema può partire da un obiettivo definito dall’ingegnere, suddividerlo in attività, selezionare gli strumenti necessari e analizzare i risultati ottenuti. Le valutazioni possono quindi orientare i passaggi successivi, mantenendo il processo collegato alle verifiche eseguite dai programmi di progettazione.

Un esempio ipotetico aiuta a comprenderne il funzionamento. Se un progettista deve ridurre il consumo energetico di un circuito digitale senza comprometterne le prestazioni, un agente potrebbe proporre modifiche, avviare le analisi appropriate e utilizzare i risultati per valutare ulteriori alternative. Le eventuali ottimizzazioni dovrebbero comunque superare le verifiche previste dal processo ingegneristico.

La distinzione rispetto a un normale assistente AI riguarda proprio la possibilità di interagire con strumenti che producono risultati tecnici misurabili.

L’apprendimento attraverso simulazioni e risultati verificabili

Uno degli aspetti centrali di Cadence Maestro è l’utilizzo dell’apprendimento per rinforzo, una tecnica attraverso la quale i modelli vengono migliorati utilizzando informazioni sulla qualità delle decisioni prese.

Nella generazione di contenuti linguistici, la valutazione di una risposta può dipendere da criteri relativamente flessibili. Nella progettazione elettronica esistono invece parametri tecnici che permettono di misurare molte caratteristiche del risultato.

Una soluzione può essere valutata in base alla superficie occupata dal circuito, al consumo energetico, alle prestazioni temporali oppure al rispetto di determinate regole progettuali. I software EDA forniscono dati che consentono di confrontare le alternative e verificare se una modifica abbia effettivamente migliorato il progetto.

Maestro utilizza un ambiente di apprendimento che combina dati ingegneristici, modelli specializzati, agenti AI, strumenti di progettazione e sistemi di valutazione. I risultati delle elaborazioni possono essere impiegati come segnali di feedback per affinare il comportamento dei modelli.

NVIDIA contribuisce al progetto attraverso la famiglia Nemotron, che comprende modelli con pesi accessibili e adattabili per utilizzi specifici. La collaborazione coinvolge anche OpenShell, una tecnologia destinata a rafforzare il controllo e la sicurezza nell’esecuzione degli agenti.

L’obiettivo è ridurre la distanza tra le proposte generate dall’intelligenza artificiale e le condizioni che determinano la validità di un progetto elettronico.

Rimane però essenziale distinguere la capacità di migliorare progressivamente determinate decisioni dalla garanzia di ottenere sempre un risultato corretto. Le verifiche automatiche dipendono dai modelli fisici, dagli strumenti utilizzati, dalla copertura dei test e dai vincoli impostati durante lo sviluppo.

Miglioramenti fino al 30% nella qualità: cosa indicano i primi dati

I risultati preliminari comunicati il 26 ottobre indicano miglioramenti fino al 30% nella qualità dei risultati e un’efficienza nell’utilizzo dei token fino a cinque volte superiore rispetto a modelli di intelligenza artificiale generalisti.

Le percentuali si riferiscono alle valutazioni iniziali effettuate nell’ambito dei flussi di progettazione considerati da Cadence. Non costituiscono risultati certificati attraverso verifiche indipendenti e non possono essere estese automaticamente a qualsiasi attività ingegneristica.

Il dato relativo alla qualità non significa, ad esempio, che ogni circuito progettato con Maestro sarà migliore del 30%. La portata del miglioramento dipende dalle attività analizzate e dai criteri utilizzati per confrontare i sistemi.

Anche il riferimento ai token richiede una distinzione. I token sono le unità attraverso cui i modelli linguistici elaborano le informazioni. Una maggiore efficienza può consentire di completare determinate operazioni utilizzandone una quantità inferiore.

Questo aspetto interessa direttamente le imprese che utilizzano l’intelligenza artificiale su larga scala, perché il numero di token elaborati può incidere sul costo computazionale, sulle risorse necessarie e sulla sostenibilità economica delle attività automatizzate.

Nella progettazione dei semiconduttori, tuttavia, il costo complessivo dipende anche dalle simulazioni, dalle verifiche e dalle risorse di calcolo utilizzate dai programmi EDA. Una maggiore efficienza dei token non equivale quindi necessariamente a una riduzione proporzionale dei tempi di sviluppo o dei costi complessivi.

Cadence Maestro cerca di migliorare questo equilibrio distribuendo le attività tra modelli linguistici, agenti specializzati e strumenti ingegneristici. Le operazioni che richiedono verifiche tecniche possono essere affidate ai software appropriati, evitando di utilizzare continuamente un modello linguistico per elaborazioni che altri strumenti sono in grado di svolgere in maniera più deterministica.

Cloud e infrastrutture aziendali: la questione della riservatezza

La possibilità di eseguire Cadence Maestro all’interno delle infrastrutture controllate dai clienti rappresenta una delle caratteristiche più significative dell’annuncio.

Nello sviluppo dei semiconduttori, i dati di progetto possono comprendere architetture proprietarie, descrizioni dei circuiti, specifiche tecniche, informazioni sui processi produttivi e documentazione coperta da accordi di riservatezza. La loro gestione costituisce una questione industriale e commerciale particolarmente delicata.

Il portafoglio Maestro prevede diverse modalità di utilizzo: attraverso la piattaforma cloud di Cadence, mediante infrastrutture cloud pubbliche oppure direttamente nei centri di calcolo delle aziende, con installazioni on-premises.

Quest’ultima possibilità permette alle imprese di mantenere i dati e le elaborazioni all’interno di ambienti sottoposti ai propri controlli di sicurezza. Non elimina automaticamente tutti i rischi informatici, ma offre maggiore libertà nella definizione delle politiche di accesso, della gestione delle informazioni e dei requisiti infrastrutturali.

È prevista inoltre la possibilità di adattare ulteriormente i modelli ai dati proprietari, ai progetti e ai processi di lavoro delle singole organizzazioni. Un’azienda potrebbe così sviluppare configurazioni più aderenti alle proprie metodologie, senza dover necessariamente trasferire l’intero patrimonio progettuale a un fornitore esterno.

La flessibilità interessa anche la scelta dei modelli. Cadence Maestro è concepito per operare insieme a sistemi specializzati, modelli aperti e modelli generalisti avanzati, selezionando le capacità più adatte alle diverse attività.

Il confronto con Synopsys evidenzia due impostazioni tecnologiche differenti. Il progetto GPT-Synopsys, annunciato insieme a OpenAI il 30 settembre 2026, prevede lo sviluppo di un modello specializzato che utilizzerà l’infrastruttura di OpenAI. Cadence pone invece particolare attenzione alla possibilità di combinare modelli differenti e di mantenerne l’esecuzione anche all’interno dei sistemi aziendali.

La scelta tra queste architetture dipenderà dalle esigenze dei clienti, dalle prestazioni effettive, dai costi e dalle politiche di gestione delle informazioni industriali.

Come cambia il lavoro degli ingegneri elettronici

L’impiego di agenti AI specializzati può modificare soprattutto la distribuzione delle attività nei gruppi di progettazione. Operazioni ripetitive, preparazione dei test, analisi degli errori e valutazione di numerose alternative sono ambiti nei quali l’automazione può ridurre il lavoro manuale.

L’ingegnere continua però a svolgere un ruolo decisivo nella definizione delle specifiche, nella scelta dell’architettura e nella valutazione delle conseguenze tecniche delle soluzioni proposte.

Un circuito che supera una determinata simulazione, ad esempio, non è necessariamente pronto per essere prodotto. La validazione richiede controlli su condizioni operative differenti, analisi delle possibili anomalie e verifiche fisiche che dipendono dalle caratteristiche della tecnologia produttiva.

La supervisione umana assume quindi una funzione diversa rispetto alla semplice esecuzione delle attività. Diventano particolarmente importanti la capacità di formulare requisiti corretti, interpretare i risultati delle simulazioni e riconoscere eventuali limiti dei sistemi automatici.

Un altro cambiamento riguarda la possibilità di esplorare un numero maggiore di alternative progettuali. Quando la verifica delle modifiche richiede meno interventi manuali, i gruppi di sviluppo possono valutare più configurazioni e confrontare con maggiore continuità prestazioni, consumi e dimensioni.

Si tratta di un’opportunità rilevante anche per il mercato dei dispositivi elettronici. Negli smartphone, per esempio, l’efficienza dei semiconduttori incide sull’autonomia e sulla capacità di eseguire elaborazioni complesse entro vincoli termici molto stringenti. Nei sistemi destinati ai data center e alle infrastrutture AI, la progettazione dei chip influenza invece consumi, capacità di calcolo e costi operativi.

Questi ambiti spiegano l’interesse industriale verso strumenti capaci di accelerare la progettazione, ma non costituiscono applicazioni commerciali di Maestro già dimostrate.

Accesso iniziale nel quarto trimestre 2026

La diffusione dei nuovi modelli procederà inizialmente attraverso un programma riservato. I primi modelli Cadence Maestro sono destinati a clienti selezionati nel quarto trimestre del 2026, senza che sia stata comunicata una data generale di disponibilità per tutte le imprese.

L’annuncio comprende riferimenti a esperienze già avviate con altri strumenti AI di Cadence. Socionext ha descritto l’introduzione di InnoStack nel proprio ambiente produttivo, mentre Silicon Labs ha riferito risultati ottenuti attraverso strumenti di verifica e debug collegati a ChipStack.

Queste esperienze riguardano tecnologie dell’ecosistema Cadence e non devono essere considerate prove di prestazioni già raggiunte dai nuovi modelli Maestro.

Il programma di accesso iniziale permetterà di valutare l’integrazione dei modelli specializzati nei processi industriali effettivi, dove i risultati dipendono dalla complessità dei progetti, dagli strumenti disponibili e dalle procedure di verifica adottate dalle aziende.

Uno dei principali elementi da osservare sarà la capacità di mantenere i miglioramenti dichiarati anche su attività estese, nelle quali gli agenti devono coordinare numerose operazioni senza compromettere la tracciabilità delle modifiche e il controllo degli ingegneri.

Per le imprese del settore, la valutazione comprenderà anche il costo delle infrastrutture necessarie, le modalità di adattamento ai dati proprietari e la possibilità di integrare l’intelligenza artificiale nei flussi di progettazione già utilizzati.

La disponibilità iniziale limitata ai clienti selezionati rende queste verifiche particolarmente rilevanti: saranno i risultati ottenuti su progetti reali, confrontati con procedure e criteri tecnici documentati, a determinare quanto le nuove capacità di Cadence Maestro potranno incidere sui tempi e sulle modalità di sviluppo dei semiconduttori.