L’intelligence artificielle transforme déjà la conception des semi-conducteurs. Mais entre automatiser des étapes avancées et concevoir une puce de bout en bout sans intervention humaine, il reste un fossé considérable. Ce dernier en dit long sur l’évolution de l’ingénierie.
La conception des semi-conducteurs entre dans une nouvelle phase. Après des dizaines d'années d’automatisation progressive, l’IA commence à orchestrer des tâches avancées, à piloter des outils spécialisés et à enchaîner plusieurs étapes du processus de conception. La promesse est ambitieuse, partir d’un cahier des charges et aboutir à une puce prête à être fabriquée, avec une intervention humaine minimale.
Dans un entretien publié le 15 octobre par Semiconductor Engineering, Ed Sperling a interrogé Sassine Ghazi, PDG de Synopsys, sur cette évolution et sur les limites actuelles de l’ingénierie autonome. Son constat me paraît particulièrement intéressant. Les progrès sont considérables, mais la conception entièrement autonome reste un objectif, pas une réalité industrielle généralisée.
À mes yeux, cette distinction est essentielle. Nous avons tendance à confondre la capacité d’une IA à exécuter des tâches techniques complexes avec sa faculté à assumer la responsabilité d’un système physique complet. Or, dans les semi-conducteurs, la différence entre les deux est loin d’être anecdotique.
De l’assistant intelligent à l’ingénieur autonome
L’automatisation de la conception électronique, connue sous le nom d’EDA (Electronic Design Automation), n’a rien de nouveau. Depuis plusieurs décennies, les ingénieurs s’appuient sur des logiciels spécialisés pour décrire, simuler, vérifier et optimiser leurs circuits. L’IA s’est progressivement intégrée à ces outils, notamment pour explorer des espaces de paramètres trop vastes pour être parcourus manuellement.
Une première étape a consisté à utiliser l’apprentissage par renforcement pour améliorer certaines optimisations. L’IA aidait alors l’ingénieur à identifier de meilleures configurations parmi un grand nombre de possibilités. L’arrivée de l’IA générative a ensuite élargi le champ des usages, notamment pour produire du code et assister les tâches de conception.
La nouveauté actuelle réside dans l’émergence des agents autonomes. Selon Sassine Ghazi, Synopsys dispose désormais de plus de quarante agents spécialisés dans des tâches particulières, capables d’exploiter les outils de conception et de contribuer à l’optimisation d’un résultat donné. Des modèles plus poussés peuvent orchestrer ces agents sur des séquences de travail plus longues, avec un objectif global plutôt qu’une succession de commandes isolées.
Le changement est profond. Au lieu de demander à une IA comment réaliser une opération, l’ingénieur peut progressivement lui confier un résultat à atteindre. Le système décompose alors le problème, sélectionne les outils appropriés, exécute les opérations et exploite les résultats pour poursuivre son travail.
C’est ce passage de l’assistance à l’orchestration qui me semble le plus important. Il ne s’agit plus simplement de gagner quelques minutes sur une tâche, mais de réorganiser le processus de conception lui-même.
Pour autant, une orchestration sophistiquée ne garantit pas automatiquement que le résultat final soit correct. Les agents peuvent explorer des solutions, générer des implémentations et accélérer les cycles d’optimisation. Encore faut-il disposer de moyens fiables pour vérifier que ces solutions respectent les contraintes techniques, physiques et industrielles.
Du cahier des charges au silicium : une autonomie encore partielle
Le véritable test consiste à déterminer jusqu’où cette autonomie peut aller. Aujourd’hui, Synopsys indique travailler avec des clients capables de fournir un cahier des charges à son système d’agents, qui peut ensuite produire un RTL vérifié. Le RTL, ou Register Transfer Level, est une description du fonctionnement logique du circuit et constitue une étape fondamentale de sa conception.
C’est un progrès important. La transformation d’une spécification fonctionnelle en RTL, puis sa vérification, mobilise traditionnellement des ingénieurs spécialisés et peut prendre plusieurs mois. Automatiser une partie importante de ce travail ouvre donc la voie à des gains de productivité considérables.
Mais il faut distinguer cette capacité d’un processus intégralement autonome. Produire un RTL vérifié ne veut pas dire pour autant que toutes les étapes suivantes sont elles aussi maîtrisées sans intervention humaine. L’implémentation physique, la vérification physique, la validation finale et l’approbation avant fabrication présentent leurs propres difficultés. Sassine Ghazi est d’ailleurs explicite sur ce point. L’autonomie complète de l’ensemble du flux de conception n’est pas encore une réalité. Il estime néanmoins que son extension à ces différentes étapes est accessible à terme.
Cette nuance mérite d’être soulignée, car elle permet de dépasser deux discours souvent opposés. D’un côté, certains imaginent une IA qui remplacerait bientôt l’intégralité des équipes d’ingénierie. De l’autre, certains jugent que la complexité des semi-conducteurs rendra toujours l’automatisation limitée à des tâches secondaires.
La réalité me paraît plus intéressante. L’IA prend progressivement en charge des portions de plus en plus importantes du travail technique, mais la difficulté se déplace vers la coordination, la validation et la maîtrise du résultat global.
La question n’est donc pas seulement de savoir si une IA peut concevoir une puce. Elle consiste aussi à déterminer dans quelles conditions on peut lui faire confiance pour en concevoir une qui fonctionnera réellement, respectera son budget énergétique et thermique, sera fabricable et répondra aux besoins du système auquel elle est destinée.
Le paradoxe de l’autonomie. Plus d’IA, mais toujours besoin d’ingénieurs
L’un des arguments avancés par Ghazi est que l’automatisation ne menace pas nécessairement l’emploi des ingénieurs. L’industrie manque déjà de spécialistes capables de définir des architectures, de traduire des besoins en spécifications techniques et de conduire des projets complexes.
Dans cette perspective, l’IA permettrait de répondre à une demande croissante de silicium personnalisé sans exiger une augmentation proportionnelle des effectifs. Les ingénieurs pourraient consacrer davantage de temps aux décisions d’architecture, aux arbitrages et à la validation finale, tandis que les agents prendraient en charge une partie de l’exécution.
Je trouve cet argument convaincant, à condition de ne pas le transformer en certitude universelle. L’automatisation peut réduire le besoin de certaines tâches, modifier la structure des équipes et rendre certaines compétences moins différenciantes. Elle peut également créer de nouveaux besoins en vérification, en supervision des agents et en compréhension des interactions entre les différentes couches du système.
Le métier d’ingénieur pourrait ainsi évoluer d’une logique d’exécution vers celle de direction technique. Il s’agirait moins de réaliser chaque opération que de définir les objectifs, de comprendre les compromis proposés par les outils et de déterminer si les preuves disponibles suffisent à autoriser la suite du processus.
Cette évolution suppose toutefois de conserver une expertise humaine suffisamment solide. Un ingénieur qui ne comprend plus les mécanismes physiques ou logiques sous-jacents risque de devenir incapable d'évaluer les erreurs d’un système automatisé. Or, une réponse techniquement plausible n’est pas nécessairement une réponse correcte. L’enjeu sera donc de développer une nouvelle génération d’ingénieurs capables de travailler avec des agents autonomes sans perdre la maîtrise des fondamentaux. C’est probablement l’un des défis les plus importants de cette transition.
La véritable urgence, concevoir des puces au rythme de l’IA
Pourquoi cette transformation devient-elle si pressante ? Parce que les cycles d’innovation du matériel et du logiciel divergent de plus en plus. Les modèles d’IA évoluent rapidement. Selon Ghazi, certaines évolutions importantes interviennent désormais tous les trois à quatre mois. Dans le même temps, concevoir un nouveau circuit spécialisé reste un processus long, coûteux et compliqué. Les entreprises ne peuvent pas systématiquement attendre plusieurs années avant de disposer d’un silicium adapté à leurs nouveaux besoins.
Les fournisseurs de systèmes, notamment les grands acteurs du cloud, les laboratoires d’IA et les entreprises développant des véhicules ou des drones, cherchent donc à reprendre davantage de contrôle sur la conception de leurs puces.
Leur objectif est compréhensible. Une puce conçue pour une charge de travail précise peut offrir un meilleur compromis entre performances, consommation énergétique et coût qu’une solution généraliste. Mais cet avantage peut disparaître si le développement prend trop de temps ou si les besoins évoluent avant même que le produit soit déployé à grande échelle. Ghazi explique que les entreprises du secteur cherchent à réduire les délais de conception, avec des ambitions de cycles inférieurs à un an, voire à neuf mois dans certains cas.
À mon sens, c’est là que se situe l’un des principaux moteurs de l’IA appliquée à l’ingénierie des semi-conducteurs. Il ne s’agit pas uniquement de réduire les coûts de conception mais de rendre le matériel suffisamment réactif pour suivre l’évolution des modèles et des usages. Cette dynamique peut également raccourcir la durée de vie économique de certaines puces spécialisées. Si un accélérateur est optimisé pour une génération de modèles particulière, il n’est pas certain qu’il conserve le même avantage lorsque les architectures logicielles et les charges de travail changent radicalement.
Cela soulève donc une question : faut-il concevoir des puces plus flexibles, capables de s’adapter à différents usages, ou privilégier des circuits très spécialisés, optimisés pour un objectif précis ? La programmabilité des puces et des chiplets constitue une piste, mais Ghazi estime que, dans la pratique, la priorité des entreprises reste souvent la rapidité avec laquelle elles peuvent définir et personnaliser leur silicium. L’autonomie de conception devient ainsi un enjeu de compétitivité. Celui qui parvient à réduire le délai entre l’apparition d’un besoin et la disponibilité du matériel peut disposer d’un avantage décisif.
Le défi ne se limite plus à l’électronique
Il serait pourtant réducteur de considérer que l’IA doit uniquement accélérer la conception logique des circuits. Les puces récentes sont devenues des systèmes pointus, dont les performances dépendent autant de leur architecture que de leur intégration physique, de leur environnement et des logiciels qui les exploitent. L’entretien insiste notamment sur l’importance de la co-conception. Il faut désormais optimiser conjointement les matériaux, les procédés de fabrication, l’architecture électronique, le logiciel et les charges de travail.
Cette approche est particulièrement importante pour les circuits intégrés en trois dimensions, ou 3D-IC, qui empilent plusieurs dies ou combinent plusieurs composants dans un même boîtier avancé. L’intégration 3D permet d’augmenter la densité fonctionnelle et de rapprocher certains éléments de calcul et de mémoire. Mais elle introduit aussi des contraintes mécaniques et thermiques supplémentaires. Sous des charges de travail intenses, la chaleur peut provoquer des déformations, voire des fissures dans certains composants du boîtier.
Autrement dit, une architecture peut être excellente sur le plan logique et pourtant échouer à cause de phénomènes physiques insuffisamment anticipés.
C’est pourquoi la simulation multiphysique prend une importance croissante. Elle permet d’étudier les interactions entre les phénomènes électriques, thermiques et mécaniques avant la fabrication. L’acquisition d’Ansys par Synopsys s’inscrit notamment dans cette volonté de rapprocher la conception électronique de la simulation physique du système complet.
Ce rapprochement me paraît fondamental. À mesure que les systèmes deviennent plus complexes, l’optimisation locale perd de son efficacité. Maximiser les performances d’un composant sans considérer son environnement peut conduire à une solution qui fonctionne parfaitement en simulation isolée, mais qui se révèle inadaptée dans son utilisation réelle.
Le logiciel lui-même doit également entrer dans l’équation. Une charge de travail peut provoquer des pointes de consommation et de température à des intervalles très courts. Concevoir un système robuste exige donc de comprendre non seulement ce que le matériel peut faire, mais aussi comment il sera utilisé. L’enjeu consiste à passer d’une conception centrée sur la puce à une conception intégrée, dans laquelle le silicium, le boîtier, le système et le logiciel sont optimisés ensemble.
Les jumeaux numériques, une pièce essentielle du puzzle
Cette complication conduit naturellement à une autre question : comment tester un système complet avant qu’il n'existe physiquement ? Les jumeaux numériques apportent une partie de la réponse. Le principe consiste à construire une représentation virtuelle d’un composant ou d’un système pour en étudier le comportement avant sa fabrication, puis éventuellement pendant son exploitation.
Dans le domaine des semi-conducteurs, la virtualisation permet déjà de commencer le développement logiciel avant que la puce soit disponible. À une plus grande échelle, des modèles numériques peuvent représenter différents aspects d’un véhicule, notamment son électronique, sa structure mécanique et certains phénomènes physiques. Mais il faut éviter de confondre l’existence de plusieurs modèles spécialisés avec celle d’un jumeau numérique universel et parfaitement fidèle.
Comme le reconnaît Ghazi, des entreprises en disposent déjà couvrant certains domaines d’ingénierie. En revanche, un modèle unique réunissant l’électronique, la physique du système et l’environnement dans lequel il évolue n’est pas encore disponible totalement sous une forme complète.
Cette limite est importante. Plus les systèmes deviennent autonomes, plus leur validation dépend de la capacité à anticiper des situations difficiles à reproduire dans le monde réel. Pour un véhicule, un robot ou un système industriel, il faut pouvoir tester de nombreux scénarios, y compris des combinaisons rares de contraintes. Les jumeaux numériques ne supprimeront probablement jamais entièrement le besoin d’essais physiques. Ils peuvent toutefois réduire le nombre de prototypes nécessaires, accélérer les cycles de validation et permettre d’explorer un espace de scénarios beaucoup plus vaste.
Je vois ici une relation étroite entre les jumeaux numériques et la conception autonome. Plus on délègue de décisions à des agents, plus il devient nécessaire de disposer d’un environnement dans lequel leurs propositions peuvent être testées, comparées et invalidées avant d’engager des ressources physiques importantes. L’autonomie dépend de la qualité des outils de simulation et de la fiabilité des mécanismes de validation.
La Chine comme laboratoire d’une autre méthode d’ingénierie
Un autre passage de l’entretien mérite l’attention. Ghazi évoque certaines entreprises chinoises spécialisées dans la robotique et les véhicules électriques, qui ont adopté dès leur création une approche largement numérique de la conception. Selon son témoignage, certaines d'entre elles peuvent passer de la conception du silicium à son intégration dans une carte, puis dans un véhicule ou un autre système, en quelques semaines après la fabrication du circuit.
L’intérêt de cet exemple montre que la transformation dépend aussi de l’organisation des entreprises. Les acteurs historiques disposent de processus éprouvés, de systèmes existants et d’engagements commerciaux qu’ils ne peuvent pas abandonner du jour au lendemain. Ils doivent à la fois maintenir leurs activités actuelles et réorganiser leur ingénierie pour adopter de nouvelles méthodes.
Une entreprise créée il y a peu peut, au contraire, concevoir ses processus autour de la simulation, de l’automatisation et de l’intégration étroite entre matériel et logiciel. Elle n’a pas nécessairement à faire coexister plusieurs générations de méthodes de travail. Ce décalage est révélateur. Le principal obstacle à l’adoption de l’ingénierie autonome n’est pas toujours technologique. Il peut être organisationnel, culturel et économique.
Les sociétés qui réussiront ne seront donc pas forcément celles qui disposeront des meilleurs modèles d’IA. Ce seront aussi celles qui sauront revoir leurs processus, leurs responsabilités et leurs méthodes de validation sans compromettre les produits qu’elles doivent livrer aujourd’hui.
L’autonomie totale est-elle vraiment le bon objectif ?
C’est peut-être la question la plus intéressante que soulève cet entretien. Dans l’industrie, la conception sans intervention humaine est souvent présentée comme le stade ultime de l’automatisation. Pourtant, il n’est pas évident qu’une autonomie absolue constitue toujours l’objectif le plus pertinent. Dans un domaine où une erreur peut entraîner des retards de fabrication, des pertes financières importantes ou des défaillances dans des systèmes critiques, la possibilité de justifier et de vérifier chaque décision reste essentielle.
L’autonomie peut progresser sans que la responsabilité humaine disparaisse. Une IA peut proposer une architecture, explorer des compromis, produire une description RTL, lancer des simulations et corriger certaines erreurs. L’ingénieur peut alors intervenir sur les décisions qui nécessitent une compréhension globale du produit ou un arbitrage entre des contraintes contradictoires.
Le véritable progrès pourrait donc se mesurer moins au nombre de décisions prises sans humain qu'à la faculté du système à produire des résultats corrects, traçables et reproductibles avec un effort humain réduit. Il faudra notamment déterminer comment démontrer qu’un agent a correctement interprété une spécification, comment détecter une erreur qui se propage d’une étape à l’autre et comment attribuer la responsabilité lorsqu’une défaillance survient.
Ces questions ne sont pas secondaires. Elles conditionnent la possibilité de déployer ces systèmes à grande échelle dans une industrie où la validation constitue une partie centrale du processus de développement. L’entretien rappelle également que les investissements en recherche et développement continuent d’augmenter dans l’EDA, malgré les progrès de l’IA. Ce constat nuance l’idée selon laquelle l’automatisation permettrait de réduire les coûts d’ingénierie d'un point de vue mécanique. À court terme, les entreprises doivent financer à la fois les outils existants et les nouvelles architectures logicielles, tout en développant les compétences nécessaires à leur utilisation.
L’IA accélère certaines tâches, mais elle élève aussi les ambitions et la complexité des systèmes que l’industrie cherche à construire.