Hardware
Cuando la IA ayuda a diseñar los chips de la próxima generación de IA
La IA ya optimiza partes del proyecto de semiconductores. Entiende el caso de las TPUs de Google, los nuevos agentes de Synopsys y los límites de la automatización.
Por Ederson Andrade · 6 de octubre de 2026 · 6 min de lectura
Un chip de inteligencia artificial puede tener una historia curiosa: parte de su diseño ha sido optimizado por otra IA. Esto ya ocurre en etapas específicas del desarrollo de semiconductores. Google, por ejemplo, utilizó el sistema AlphaChip para posicionar componentes en bloques de tus TPUs, procesadores creados para ejecutar modelos de IA. Ahora, empresas de automatización del diseño electrónico, como Synopsys, quieren ampliar el papel de la IA a secuencias completas de tareas.
El interés está en el Ciclo entre software y hardware: modelos más exigentes señalan lo que los chips deben hacer; las herramientas de IA ayudan a los ingenieros a encontrar mejores diseños; los chips resultantes pueden ejecutar modelos futuros. Pero este ciclo no significa que una IA ya invente, valide y fabrique la siguiente generación de procesadores por sí misma.
¿Dónde entra la IA en el diseño de un chip?
Antes de que exista un fragmento de silicio, un equipo define la función del chip, describe su circuito, organiza millones de componentes, verifica que todo funcione y prepara el diseño para la fabricación. Estos pasos utilizan herramientas de EDA (Automatización del diseño electrónico, o automatización de proyectos electrónicos) durante décadas. La novedad es emplear métodos de IA para explorar alternativas y coordinar parte de este trabajo.
Hay dos aplicaciones que merecen ser separadas:
| Aplicación | Lo que hace la IA | Lo que no significa |
|---|---|---|
| Optimización de la disposición | Prueba formas de posicionar bloques y ajustar el diseño según potencia, rendimiento y objetivos de área. | Crear toda la arquitectura del chip sin requisitos ni ingenieros. |
| Agentes de diseño y verificación | Planifican tareas, activan herramientas, analizan resultados y repiten los pasos cuando encuentran fallos. | Prescinde de las pruebas, la aprobación técnica o las herramientas que verifiquen el diseño. |
En el primer caso, el sistema busca una buena solución en un enorme espacio de posibilidades. En el segundo, intenta llevar a cabo un flujo de trabajo: realizar una comprobación, identificar un error, proponer una solución y volver a probarlo. Generar una respuesta plausible no es suficiente; El circuito debe cumplir con las restricciones físicas y funcionar cuando sale de la fábrica.
El ejemplo que ya ha llegado al silicio: AlphaChip y TPUs
El AlphaChip de Google DeepMind utiliza Aprendizaje por refuerzo: Experimenta con la colocación de componentes y se le asigna una medida de calidad para mejorar sus elecciones. Su enfoque está en Planificación, la organización de grandes bloques dentro de un área del chip. Según el Equipo que desarrolló el método, los diseños generados se utilizaron en generaciones de TPUs, los aceleradores de Google que ejecutan sistemas de IA.
El caso hace que la bicicleta sea concreta. Google afirma que el AlphaChip también ayudó con la disposición del TPU Ironwood, dirigida a cargas útiles de IA. La contribución es para partes de la posición física, no prueba de que AlphaChip concibió Ironwood por sí sola. La arquitectura, integración, verificación y fabricación siguen involucrando equipos y procesos dispares.
Este detalle evita una confusión común: "diseñado con IA" no describe cuánto del chip ha sido automatizado. Puede significar desde una búsqueda más eficiente de una disposición de componentes hasta asistencia en la generación y prueba de circuitos.
¿Qué ha anunciado Synopsys ahora?
En 28 de septiembre de 2026, Synopsys presentó o AgentEngineer, un conjunto de agentes para tareas de diseño y análisis, soportado por la plataforma Piloto automático. La propuesta va más allá de un asistente que sugiere órdenes: un agente puede ser asignado a un objetivo, organizar subtareas, llamar a herramientas EDA, revisar los resultados y cambiar el plan cuando sea necesario.
A Descripción técnica de la empresa Da un ejemplo en la verificación. Un agente interpreta una especificación, prepara pruebas, ejecuta herramientas, mide cuánto del comportamiento ha sido cubierto, investiga fallos y repite el proceso. Otro agente trabaja en la implementación física, que incluye posicionamiento, conexiones entre componentes y comprobaciones de tiempo y consumo. Synopsys dice que los equipos pueden establecer puntos donde las personas inspeccionan los resultados y deciden si proceder.
La empresa dice que sí Más de 50 interacciones con clientes y proporciona la disponibilidad general de la plataforma para el Finales de 2026. Esto indica evaluaciones y adopción temprana; no significa que se hayan creado o fabricado 50 chips de forma autónoma. Synopsys también informa de mejoras en productividad y verificación en casos concretos. Cómo Tom's Hardware señaló al examinar el anuncio, estos números no representan un resultado garantizado para todos los proyectos.
El uso de IA por parte de Synopsys no empezó con estos agentes. Es DSO.ai, lanzado en 2020, emplea aprendizaje por refuerzo para explorar combinaciones de diseño y optimizar Potencia, rendimiento y área, tres objetivos que a menudo requieren compensaciones entre sí. AgentEngineer intenta coordinar más pasos; DSO.ai es un ejemplo anterior de IA aplicada a un problema acotado.
¿Por qué sigue siendo importante la decisión humana?
Un diseño puede superar una prueba y fallar otra: ganar velocidad pero consumir demasiada energía; encajar en el área prevista pero crear conexiones difíciles de fabricar; corregir un defecto e introducir otro. También existen decisiones de arquitectura, coste, propiedad intelectual y riesgo que dependen del producto y de la empresa. Por lo tanto, la automatización por pasos no equivale a autonomía sin restricciones.
El punto decisivo es el Verificación independiente de lo que el agente produjo. Las simulaciones y herramientas de análisis deben confrontar sus sugerencias con las reglas del proyecto; los ingenieros deben establecer objetivos y aprobar decisiones críticas. Incluso Synopsys describe las herramientas EDA como la capa que realiza y valida tareas específicas, mientras que los equipos pueden mantener puntos de revisión humanos.
Para mantenerse al día con esta tecnología, merece la pena hacerse tres preguntas cada vez que aparezca un nuevo anuncio: ¿Qué paso se automatizó, qué chip o proyecto utilizó la herramienta y cómo se verificó el resultado? El caso de las TPUs muestra que la IA ya contribuye al hardware real. Los nuevos agentes de Synopsys muestran la dirección que pretende la industria. La distancia entre estos hechos y un chip creado completamente por IA sigue siendo una parte esencial de la historia.
Fuentes consultadas
- Google DeepMind: Cómo se utiliza el AlphaChip en los diseños de TPU
- Google: Ironwood y el uso de AlphaChip
- Sinopsis: Anunciando AgentEngineer y la plataforma Autopilot
- Sinopsis: funcionamiento de los agentes y puntos de revisión
- Sinopsis: DSO.ai y optimización del espacio de proyectos
- Análisis del anuncio de Tom's Hardware: Synopsys
- Tom's Hardware: resumen del 3 de octubre de 2026 que motivó la agenda