要点总结：
长期运行的自主多智能体系统在过去一年取得了显著进展，但在完整设计流程中仍存在一些不足。
企业和客户开始看到积极的投资回报，智能体带来的是设计能力的跨越式提升，而非渐进式改进。
为节省资源，人类工程师需要定义特定领域的本体论（结构化知识、关系与概念），以及智能体框架——即围绕模型构建的软件基础设施，包括工具、记忆模块、执行循环和防护机制。
圆桌专家阵容：《半导体工程》杂志召集多位业界专家，围绕智能体AI在芯片设计中的最新进展与挑战展开讨论，与会者包括：Cadence验证软件产品管理高级集团总监Matt Graham、ChipAgents业务发展与战略合作负责人Harrison Balistreri、Keysight EDA高级总监兼产品组合经理Alexander Petr、Siemens EDA AI产品负责人Sathish Balasubramanian，以及Synopsys AI产品管理执行总监Anand Thiruvengadam。本次圆桌讨论于近期设计自动化大会期间闭门举行，以下为讨论摘录。
智能体AI能力一年间的变化
《半导体工程》：过去一年，智能体AI的能力发生了很大变化。一年前，业界普遍认为"智能体AI在某些方面会有用，但某些事情它做不到"。然而，曾经被认为难以实现的事情——比如完整流程设计——如今已在一定程度上成为现实。需要人类介入的环节正越来越少。各位对于设计行业目前的发展状况有何看法？
Balasubramanian：与去年相比，我们现在更多地谈论不同流程或子智能体的编排。客户对此有了更清晰的认知。我看到前端的自动化程度大幅提升——主要集中在设计、RTL生成、签核或调试环节，各类子流程智能体相继涌现。最终目标是实现端到端的一键式流程——输入规格说明，输出GDS II文件或芯片成品。我认为我们目前还没有完全达到这一目标，但客户已经在生产环境中将智能体AI应用于特定痛点，尽管仍需大量人工干预和小规模手动操作，而这些正在随着智能体的发展逐步实现自动化。
Balistreri：我们已经取得了相当大的进步，但必须以特定方式交付智能体AI，才能实现这种进步。我们对完整流程的自主化结果考量颇多，并已在特定工程流程中实现了这一目标。可以把我们的工作理解为通过多智能体集群实现一键式覆盖收敛。这与去年那种点状加速模式截然不同——那种模式是为不同任务分别配置独立智能体，或泛化使用云端流程。要实现真正的全流程自主结果，需要多个层面的协同：你需要组织情境，需要了解特定客户的流程及其工程实践，并将智能体的使用方式映射到该流程上；你需要一套专为芯片设计任务调优的智能体框架；在此基础上，还需将模型与框架协同优化，使其高效且针对性地运行这些流程。关键错误的问题也不容忽视——如果无法保证不引入关键错误，就谈不上完整的全自主流程。我们目前已进展到能够在不产生关键错误的前提下，交付全流程自主结果的阶段。但这需要付出大量努力，我们也在与每位客户紧密合作，共同构建映射方案。
Graham：从去年到今年，让我感到欣慰的一个共同点是：EDA领域的初创企业生态依然充满活力。几年前，这一赛道的选手寥寥无几，而现在的繁荣局面对整个行业是件好事，有利于推动创新。从历史上看，EDA就是这样成长的——既靠大公司的内生发展，也靠初创企业的持续涌现，无论其技术最终是推动了行业进步，还是被大公司并购吸收。我很高兴看到这一趋势延续下去。至于有哪些不同，去年我们谈到的智能体AI几乎只涉及前端——RTL、测试台等。这些领域固然继续在推进，但现在我们也看到了它在模拟和混合信号领域的落地应用，在全定制设计领域也有所渗透，数字实现乃至电路板和封装层面都在拓展。去年的一键式流程主要集中在前端，而今年我们更多谈论的是真正意义上的端到端流程，甚至延伸到了多物理场仿真，超越了单纯的IC设计范畴。整个行业正在走向融合，智能体AI也在向完整的芯片与系统设计流程全面渗透。
Petr：今年最大的变化发生在二月，OpenAI发布了推理框架。自那以后，我们开始谈论超级智能体或智能体集群。去年，我们还在讨论如何构建一个能理解特定领域的单一智能体——这是一个非常耗时的过程，需要将工程知识定制化地融入一个理解任务的框架中。从我目前的观察来看，大量工作仍集中在数字领域，代码依然是基础。智能体在编程方面极为出色，它们理解代码，自然地掌握Python。但一旦进入那些仍以UI操作和鼠标为主的工作领域，我们就还面临很大挑战。正如Matt所说，我们目前正在推进多物理场仿真的使能工作，试图打通所有核心仿真技术，以及各任务之间那些依然严重依赖工程师的"胶水"工作，最终实现多物理场封装解决方案。我们如今看到的一切——无论是资本流向还是资本支出方向——都指向多芯片技术、AI堆叠、光子学，而不再是单颗芯片。摩尔定律在这个维度已趋于平缓，规模提升来自于集成。实现集成所需的各类使能技术，才是当前真正的难题所在。我们看到设计智能体的触角已经延伸到RTL之外，那些过去极为缓慢的引擎如今通过AI技术得到了赋能，可以在其上部署智能体并将其集成到智能体框架中。但究竟是一家独大还是百花齐放，目前仍无定论。很多人在争夺通过超级智能体或框架"统治世界"的主导权，初创企业也不例外。如果问我明年会有什么变化——我认为某个时刻，业界会迎来一次集体觉醒，明白这场竞赛将如何落定：是一统天下，还是各分领域，抑或各家公司各走各路？
Thiruvengadam：从整体行业视角来看，多件事情正在同步发生。几年前开始的一些趋势正在显著加速。微软、英伟达以及众多生态参与者基本上推动了四项技术的成熟，为其他与会者所谈及的创新注入了驱动力，EDA厂商也在积极借力这些技术。今年是关键之年——任务级自动化表现优异，工作流自动化表现同样出色。但更重要的是，我们真正看到了长期运行的智能体工作流或AI系统成为现实，因为我们已经做到了。这对整个行业来说是好事，因为你现在可以设想在人类监督框架内实现最少人工干预的完全自主执行。端到端工作流可以在安全环境中实现端到端运行，这正在成为现实，是一次重大进化。第二点是商业成果。我们在谈论技术，这固然重要。是的，长期运行的智能体工作流已经到来，但在商业成果层面，我们也开始看到切实变化。去年，我们谈论的还是早期探索、初步试验，局限于验证等特定领域的一些初步收益。如今，客户已在相当广泛的领域取得了可量化的成果，涵盖验证、实现，乃至模拟设计。在系统层面——包括结构分析、共模瞬态（CMT）和热分析——我们也看到了客户切实可见的收益。借助这些长期运行能力，带来的不只是单点任务的自动化。当你让一套相当复杂的端到端流程在长期运行的系统中运行时，你会看到长期智能体应有的成效：显著的生产力提升和软件质量改善。所以，技术在进步，商业价值也在兑现——客户正在看到正向的投资回报。
部署智能体前，工程师需要做什么
《半导体工程》：工程师在部署智能体之前需要做什么？这如何改变了芯片设计前期的准备工作，以及工程师使用惯用EDA工具的方式？
Balasubramanian：本体论是工程师目前最需要解决的核心问题，也是我们看到大家投入更多时间的地方。有了智能体，没有人再去为脚本或自动化操心，他们更多地在思考设计和架构——"我怎样才能进一步改善某种架构？"工程师们更多地在考虑："我在PPA或其他指标上的约束边界是什么？"然后思考："我希望智能体探索哪些参数？"在长期智能体和集群智能体的讨论背景下，他们正在让智能体和大语言模型驱动的自动化去探索设计空间，以找到最优结果和最佳投资回报。工程师的起点应该是清晰的领域知识——不是被过去那种"在已有设计上增加余量"的思维所束缚，而是真正思考什么才是让设计成功的关键，以及设计在更大图景中的定位。在此基础上，关键就在于如何驱动智能体AI。我们看到一些公司的使用方式带来了巨大收益——智能体带来的不是设计的渐进式改进，而是实现层面的跨越式飞跃。
Thiruvengadam：关于人类的角色，有两个关键点。首先，人类将负责指定设计意图，这正是规格说明的用武之地，也是一个我认为将长期存在的重要角色。更重要的是，面对如此强大的自动化能力和长期运行的智能体，人类将花费大量时间在验证上——即验证性分析和对结果的确认。这两大功能不会消失。我看到的趋势是：人类工程师将把大量精力转向可验证性，这也与这些系统的架构和设计方式密切相关。可验证性的实现方式可以多种多样，其中直观的用户体验至关重要——你需要以易于理解和验证的方式呈现结果。没有这一点，实际部署就会出问题。智能体流程必须在设计时内置合理的检查点、友好的用户界面和良好的直觉性，这些必须相互配合。不能只是让人面对一份冗长的报告，然后问"我下一步该怎么做"。智能体需要以人类能够快速确认并继续推进的方式呈现结果，否则只会制造新的瓶颈。
Balistreri：我想换个角度来看这个问题。如果你只是在产出供人类验证的内容，那你并没有真正兑现自主化的承诺，而这恰恰是当前大多数智能体和流程在投资回报上的缺口所在。要兑现自主化的承诺，工程师在部署我们这样的解决方案之前，必须对流程结果有足够的信任。真正的信任不是依赖流程中人工设置的关卡，而是内建于智能体循环本身。如果你使用的是通用大语言模型，或者只是把现有大语言模型接入你的解决方案来驱动智能体，你本质上是在使用Anthropic或OpenAI为你选定的薄层智能体感知。我们将信任构建于智能体循环本身，从零重构了智能体循环，能够以百分之百的确定性防止关键错误。举一个具体例子——覆盖模型中的豁免项（Waiver）问题。我们发现，大多数智能体在不应该豁免覆盖时会选择豁免，由此产生巨大的人工审查负担。我们从台积电的一家头部客户那里了解到，他们最大的痛点正是工程师（尤其是初级工程师）使用Claude代码时，产生大量充斥错误的"AI垃圾"内容。但问题的根源更深——在于你使用的框架和智能体循环本身。在我们的全流程自主覆盖收敛中，我们必须在智能体循环中内置关卡，以防止对覆盖点的覆盖箱（cover bin）进行豁免，防止系统判定"某个解决方案永远无法收敛到覆盖目标"之类的错误情况出现。
Thiruvengadam：我完全同意。如果我们谈论的是完全自主的长期运行系统，那么自我验证确实应当内建于框架编排循环中，这一点没有异议。但关键在于，我们目前在长期运行系统的大规模部署上仍处于早期阶段。因此，可验证性仍然是必要的。我并不是说一个完全自主的端到端工作流——那种被视为黑箱的系统——还需要设置繁琐的人工检查点，这不是我的意思。我想说的是，即便是完全自主的验证流程（我们已经做到了）、调试流程或实现流程，对于人类工程师而言，关键检查点依然不可或缺，因为信任基础尚未完全建立。希望随着时间推移，这些护栏能够逐步减少，人工检查点也会变得更简洁、更低频。
Balasubramanian：本体论的重要性正在于此。关于豁免项，客户做这件事已经很长时间了，并不新鲜，但我们正在帮助他们做得更快——这对那些正在进行流片的团队来说尤为重要。从本体论的角度来看，你怎样把框架与整个流程中既有的本体论体系整合起来，而不仅仅局限于某一个环节？举个例子：你可以在某个验证流程中建立覆盖率体系，但另一个独立的IP团队在做他们自己的事情。大量新数据和修改持续涌入，所以你需要有全局视角。本体论极为重要——你不能只聚焦于某一个单一领域，说"我只管这一块"。它需要触达所有关键领域——包括那些将要汇入这个环节的上游部分，以及向下游传递的内容。这是关键所在。在验证层面，我认同"AI垃圾"的说法，我们将其称为"设计垃圾"。我们看到最大的挑战是，即使在验证侧，也不仅仅是人类在做验证。在某个阶段，引擎依然不可或缺。我们看到客户面对10个输入场景时，凭借领域知识挑选出5个；但这5个仍然需要通过引擎层进行签核，因为大语言模型本身不具备确定性。你可以添加护栏、技能和各种机制，但当你越深入到芯片层面，就越需要真正解决问题。这正是人类发挥作用的地方——缩小场景范围，然后让签核引擎来完成数学层面的精确验证，确保芯片不会出错。归根结底，芯片必须造出来，而且必须是正确的。
Graham：有一点我们必须反复强调——底层引擎依然是严格确定性的、数学上精确的。在某些环节，我们必须依赖这些引擎，因为失败的代价太高了，无论是在验证、实现、模拟仿真，还是板级和封装的信号完整性方面，AI与引擎的接口和集成依然是至关重要的。这种集成在准备和部署阶段扮演着核心角色。补充一个略有不同的视角：与去年相比，在部署AI之前的准备工作中，我更频繁地注意到一件事——Token预算突然成为我们所有客户，以及我猜测包括在座各位公司的一项重要考量指标。
Q&A
Q1：在芯片设计中，部署智能体AI之前工程师需要做哪些准备工作？
A：工程师在部署智能体AI之前，最核心的工作是定义领域本体论，即该领域的结构化知识、关系和概念体系。此外，还需要搭建智能体框架，包括工具、记忆模块、执行循环和防护机制。工程师不再需要专注于脚本编写或手动自动化，而是要明确设计意图、约束边界和关键参数，让智能体在这些范围内自主探索最优设计空间，从而实现跨越式而非渐进式的设计提升。
Q2：智能体AI在全流程芯片设计中如何避免引入关键错误？
A：关键错误的防范需要从智能体循环本身入手，而不只是依赖人工审核。一些方案提供商从零重构了智能体循环，在循环内部内置关卡，以百分之百的确定性阻止特定类别的错误发生，例如防止智能体在不应该豁免时对覆盖点进行豁免。同时，底层EDA引擎依然不可或缺，因为它们是确定性的、数学精确的，尤其在验证签核等关键环节，任何错误都可能导致芯片失败。
Q3：过去一年，智能体AI在芯片设计领域取得了哪些主要进展？
A：进展主要体现在以下几个方面：第一，智能体AI已从前端（RTL、测试台）扩展到模拟混合信号、全定制设计、数字实现、电路板和封装，乃至多物理场仿真；第二，多智能体集群编排逐步取代单一智能体的点状加速模式，长期运行的自主工作流成为现实；第三，客户开始获得切实的商业回报，包括在验证、实现和系统设计等方向取得正向投资回报，智能体带来的是能力的跨越式提升而非渐进改进。
