Cadenceは2026年10月26日、半導体やシステムの設計に特化したAIモデル群「Maestro AI Model Portfolio」を発表した。最初のモデルは、2026年第4四半期から選定された顧客向けに早期アクセスとして提供される。Maestroは、AIエージェントが設計案を生成する際の判断を支え、電子設計自動化（EDA）ツールや専用の計算プログラムが、その設計案を技術的な条件に照らして評価する仕組みだ。AIによる設計案の生成と、従来の設計ツールによる検証を組み合わせることで、設計作業の効率化を目指している。
今回の発表で注目されるのは、AIエージェント、モデル、設計ツールを顧客が管理する環境で動作させ、企業独自の設計データを使って追加学習できる点だ。Cadenceは設計品質やトークン効率の大幅な改善を報告しているが、これらの数値が実際の開発期間の短縮や費用削減にどの程度つながるかは、まだ明らかになっていない。導入効果を判断するには、モデル単体の性能だけでなく、設計ツールによる検証や追加学習まで含めた工程全体を評価する必要がある。
AIが設計案を生成し、設計ツールが検証する
Maestroは、規模や構成の異なる複数のAIモデルからなるポートフォリオだ。大規模言語モデル（LLM）を半導体・システム設計向けに追加学習したモデルに加え、学習済みの意思決定モデルや、フィードバックを通じて改善されるエージェント向けのスキルを組み合わせている。AIエージェントは、こうした分野特化モデルと汎用モデルを使い分けながら設計作業を進める。Cadenceは、既存のエージェント基盤であるAuraStackやChipStackに加え、InnoStack、ViraStackとの連携も示しており、Maestroを各種設計エージェントの判断や生成を支える基盤として位置付けている。
具体的な処理は、AIエージェントが設計仕様を解釈し、Maestroなどのモデルを使って設計案を生成するところから始まる。続いて、EDAツールや、定められた計算手順に従って結果を求める「決定論的ソルバー」が、設計案を目標や制約条件、正解の基準に照らして評価する。その評価結果を強化学習に利用し、次の設計判断の改善につなげる仕組みだ。Cadenceの公式発表では、こうした生成と評価の循環によって、AIモデルを設計分野の要求に適応させていく方針が説明されている。
Maestroを使った設計プロセスの概念図
発表された仕組みを基にした概念図。実際のソフトウェア構成や実装を再現したものではない。
この仕組みを理解するうえで重要なのは、AIがもっともらしい設計案を生成する能力と、その設計案が技術的な条件を満たしているかを検証する能力を区別することだ。AIが生成した説明や設計案に矛盾がないように見えても、電気的特性や物理的な制約を満たしているとは限らない。Maestroはモデル自身の判断だけで処理を完結させず、既存の設計ツールによる評価を学習に反映させることで、設計分野への適応を図る。実際の効果を検証する際は、同一の設計目標と制約条件の下で、学習前後の設計品質がどの程度改善するかを比較する必要がある。ただし、この仕組みによってチップ全体の正しさが保証されるわけでも、半導体設計の完全自動化が可能になるわけでもない。
設計品質が最大30%改善、トークン効率は最大5倍
Cadenceは初期評価の結果として、汎用基盤モデルと比較して設計結果の品質が最大30%改善し、トークン効率が最大5倍になったと発表した。ただし、いずれも同社による初期段階の比較結果であり、すべての設計作業で同様の改善が得られることを意味しない。品質の評価指標や測定条件、比較対象のモデル名も公式発表では明らかにされていないため、30%という数字を消費電力、チップ面積、動作速度などの具体的な改善率と結び付けることはできない。Tom's Hardwareの独自取材によると、比較対象はMaestroの追加学習に使用したオープンモデルの元となるモデルで、Cadenceはその名称を公表していない。したがって、主要な汎用AIモデルすべてに対して優位性を確認した結果ではない。
一方、同じ公式発表に登場するSocionextの最高執行責任者（COO）、Hisato Yoshida氏が言及した「最大5倍」は、別の指標を指している。同社はInnoStackを実際の設計環境へ導入している段階であり、設計品質を維持しながら総合的な生産性を最大5倍に高められることを期待している。これはInnoStackの導入による将来的な効果への期待であり、Maestro単体の性能を測定した結果ではない。Cadenceの発表に登場する三つの数値は、対象も評価方法も異なるため、区別して読む必要がある。
| 発表された数値 | 対象・比較条件 | 結果の位置付け | 意味しないこと |
|---|---|---|---|
| 設計品質が最大30%改善 | Maestroと汎用基盤モデルの比較 | Cadenceの初期評価。品質指標や測定条件は非公表 | 消費電力・面積・速度が一律30%改善 |
| トークン効率が最大5倍 | Maestroと汎用基盤モデルの比較 | Cadenceの初期評価 | 開発期間や利用料金が5分の1になる |
| 総合生産性が最大5倍 | SocionextによるInnoStack導入 | 顧客が期待する将来的な効果 | Maestro導入によって実証された生産性向上 |
実際の半導体設計では、AIモデルの応答速度だけが作業時間を決めるわけではない。Tom's Hardwareが紹介したCadenceのRob Knoth氏の2026年9月の発言によると、設計ツールを呼び出してから処理結果が返るまで、数時間から数日かかる場合もあるという。これはMaestroを使用した処理全体の実測値ではないが、AIモデルが生成するトークン数の削減と、設計工程全体の所要時間の短縮を区別する必要性を物語っている。設計検証に長時間かかる工程では、モデルのトークン効率が5倍になっても、作業全体が同じ割合で高速化するとは限らない。
料金体系についても同様の注意が必要だ。Tom's Hardwareの取材では、Cadenceは一定の利用枠を含む定額契約と、利用枠を超えた分に対する従量課金を組み合わせる方式を採用するという。ただし、トークン消費量の削減が顧客の請求額にどの程度反映されるかは明らかになっていない。モデル単体のトークン効率が最大5倍になったとしても、利用料金が5分の1になるとは判断できず、設計ツールの実行時間や契約条件を含めた総費用で評価する必要がある。
オンプレミス運用と独自データによる追加学習に対応
Maestroのもう一つの特徴は、顧客がモデルの実行環境を選択できることだ。Cadenceによると、AI Super Agents、Maestro、EDAツールを組み合わせたシステム全体を、Cadenceのクラウド、セキュリティを確保したパブリッククラウド、顧客が管理するオンプレミス環境で運用できる。これはAIモデルだけを任意の環境に配置するという話ではなく、設計エージェントや関連ツールを含めた構成を対象としている。機密性の高い半導体設計データを扱う企業にとって、設計情報の管理方針や既存のIT環境に合わせて実行場所を選べることは、導入を検討するうえで重要な要素となる。
さらにCadenceは、顧客が保有する独自の設計データや設計手法、業務の進め方を使い、Maestroを追加学習できるとしている。実行環境の選択が「どこで計算するか」を決めるものなら、追加学習は「どのような知識や設計手法にモデルを適応させるか」を決めるものだ。企業固有の設計資産を活用できる可能性がある一方、追加学習にはデータの準備や計算資源、モデルの管理なども必要になる。導入費用を評価する際は、推論時のトークン効率だけでなく、こうした学習・運用コストも含めて検討しなければならない。
また、CadenceはNVIDIAと協力し、OpenShellの統合に向けた作業を進めていることも明らかにした。ただし、これは今後の統合計画であり、すでに利用可能な機能として発表されたものではない。Maestroは複数のモデルを組み合わせる構成であり、すべてのモデルがNVIDIAのNemotronを基にしている、あるいはNVIDIAの技術にしか対応しないという説明でもない。今回の発表でCadenceが強調しているのは、顧客の実行環境やデータ管理上の要件に応じて構成を選択できる柔軟性だ。
競合のSynopsysも、AIを半導体設計に組み込む取り組みを進めている。同社とOpenAIが2026年9月30日に発表した「GPT-Synopsys」は、OpenAIが管理する基盤上で提供するサービスとして開発されており、顧客データをモデルの訓練に使用しない方針が示されている。現時点では早期の技術協議段階にあり、顧客管理環境での実行や独自データによる追加学習を打ち出すMaestroとは、実行場所とデータ利用の方針が異なる。ただし、これらの違いだけで性能やセキュリティの優劣が決まるわけではない。
また、GPT-Synopsysの構成をSynopsysのAI戦略全体と同一視することも適切ではない。同社が9月28日に発表した「Autopilot」は、自社、提携先、第三者が提供する基盤やモデルなどを選択できるプラットフォームを目指しており、NVIDIAのNemotronやOpenShellに関する協業も進めている。つまり、GPT-Synopsysという個別のモデルサービスと、複数の選択肢を統合するAutopilotでは、比較すべき対象が異なる。CadenceとSynopsysの違いを判断するには、特定のモデルだけでなく、実際に採用するエージェント、設計ツール、実行環境、データ管理方式を含めて比較する必要がある。
2026年第4四半期から早期アクセス、実際の導入効果はこれから
Maestroの最初のモデルは、2026年第4四半期に選定された顧客向けの早期アクセスとして提供される。今回の発表は一般提供の開始を意味するものではなく、幅広い顧客環境で導入効果が実証された段階でもない。今後は先行顧客の実際の設計工程を通じて、どのような作業で品質や生産性の改善が得られるかを確かめることになる。
顧客のコメントからも、既存製品による成果とMaestroへの期待を区別する必要がある。SocionextはInnoStackを本番の設計環境に導入している段階であり、最大5倍という生産性向上は今後の期待値として示されている。一方、Silicon LabsはChipStackのVerisium Debugによって原因分析やデバッグ作業が高速化したと述べているが、Maestroによるさらなる改善については将来への期待を表明している。既存のエージェント製品で確認された成果を、Maestro導入による実績と混同すべきではない。
Maestroの一般提供時期や具体的な利用料金、必要な計算機の構成に加え、追加学習、推論、設計ツールの実行を含めた総費用は、現時点で明らかになっていない。導入効果を判断するには、同一の設計目標と制約条件を使い、生成された設計案の品質、検証に必要な時間、工程全体の完了時間をそれぞれ測定する必要がある。さらに、追加学習の費用や契約上の利用枠を超えた場合の課金も含め、実際の設計業務1件当たりのコストを比較することが重要だ。こうした条件の下で設計品質を維持しながら作業時間と費用を削減できれば、Maestroのような分野特化AIモデルを企業独自の設計環境へ組み込む実用的な価値が明確になる。
