关键要点：
多智能体系统已演变为一种基于任务的动态技能组织形式，其层级结构比传统军事组织更加扁平化，有些甚至没有"头部"节点。
智能体能力也将来自物理性、确定性引擎，这些智能体将以不同格式与其他智能体交流，以确保达到单靠AI模型无法实现的100%准确率。
确保设计具备版权保护需要人力投入，而本地部署的专有模型则是防止提示词价值和知识产权流失的另一种方式。
专家圆桌：Semiconductor Engineering邀请了多位专家探讨在芯片设计中使用智能体AI的最新进展与挑战，参与者包括Cadence验证软件产品管理高级总监Matt Graham、ChipAgents商业发展与战略合作负责人Harrison Balistreri、是德科技EDA部门高级总监兼产品组合经理Alexander Petr、西门子EDA人工智能产品负责人Sathish Balasubramanian，以及新思科技AI产品管理执行总监Anand Thiruvengadam。此次圆桌讨论在最近的设计自动化大会期间闭门举行，以下是讨论摘录，这是三部分系列报道的第三篇。第一部分见此处，第二部分见此处。
SE：许多智能体工作流采用混合专家模型（MoE）或带有某种顶层"领导者"的多智能体层级结构。您们在这方面观察到什么发展趋势？这是一种带有各种安全和访问权限的自上而下的军事化组织，还是更偏向横向团队？
Graham：这种结构正变得比军队更扁平。如果一年前你问我这个问题，我可能会说，是的，这是一个庞大的智能体层级体系，会有迷你智能体、子智能体、低级智能体，还会有将军、中尉之类的层层递进。但整个AI领域，不仅仅是EDA领域，都在向一套更扁平的技能、能力、功能或知识集合（无论你想用什么词来描述）转变。所有术语都被过度使用了。我们看到的情况正在变成一种更加动态的、基于任务的技能组织方式，几乎可以说是动态智能体。如果你愿意的话，可以说只有一个将军，或者说指挥官。
Balasubramanian：编排者。
Graham：没错。而其下的一切往往更加扁平化。我可以快速挑选和组建我的"部队"，但这不太像拥有机械化师和空降师等各种部门的军队。我们有"部队"，这些部队具备特定技能，我们根据任务动态组建合适的队伍，因为我们不像军队那样受限于后勤和物理现实。
Petr：把它比作乐团会更贴切。你只有一位指挥，还有演奏特定乐器的乐手小组。他们可以单独演奏，也可以合奏。他们既可以同步演奏，也可以异步演奏，以达成某种曲调，然后再合奏。
Balasubramanian：这一点非常重要。即使结构扁平，关键在于每个人都清楚自己的角色，也知道自己与其他所有人如何衔接。每个人都明白最终目标，没有任何孤岛式的割裂。他们都按照同一个"曲调"演奏。如果你看一个交响乐团，每个人都了解其他所有人，能读懂乐谱，知道该做什么、不该做什么、怎么做。
Petr：这里有边界，有护栏，一切都有据可依。
Balasubramanian：我经常看到的一个术语是"无头智能体"。这里没有一个总控智能体来处理一切事务的概念，我们称之为"无头"工作方式，这在软件领域已经相当流行。这种模式正在进入我们的领域，我预见未来客户与工具交互时，甚至不会意识到自己在用什么工具。从我们这边来说，我们将围绕物理引擎或确定性引擎构建智能体能力，这些引擎本身就会成为独立的智能体。它可以与其他智能体交流，理解不同的格式，明白自己所处的位置，能够理解设计内容。设计师可以与它互动，让它完成工作，这就是未来的发展方向。
Thiruvengadam：Matt说的很有意思。我们本质上是在强调，应该考虑数字化组织——人类组织、人类层级、数字层级，大致如此，这是对的。但同样重要的是其流动性，这不会是一种僵化、固定的结构，而是会有起伏变化，会根据指令的复杂程度而调整。这种流动性非常关键，你会有一个编排层，根据执行需要调用"资源"，这一点极为重要。将来某个时刻，它或许会发展到某种自主的程度，但这又涉及抽象化的问题。我们在谈论逐层剥离抽象化，但我们目前还没有达到那个阶段。
Balistreri：我们有一些产品，智能体会提出假设并进行锦标赛式的排名评比，我们有一个"评审"智能体，但这里面关于智能体的概念有很多微妙之处——你可以让许多智能体同时处理一个问题，但如果它们都得出相似的假设，那么无论你部署多少智能体，或者你的评审智能体有多优秀，都没有意义。这很大程度上取决于你如何管理上下文，归结起来就是局部上下文与全局上下文的问题。如果所有智能体都拥有相同的局部上下文，那么如何部署它们并不重要。要想从规模化部署智能体中获益，你需要管理每个智能体生成的假设以及这些上下文的来源。要做到这一点，你也不能只用"点式"智能体，不能只针对某一个工具做点状加速。智能体只有在能够交付完整流程时才会真正发挥威力。完整流程需要在智能体循环中编码如何看待部分上下文以及如何管理它，这样才能获得多个并行智能体带来的收益，而不是让它们都收敛到同一个结果上。
Graham：这个问题有两面性，我大体上同意。但我想做个类比，看看综合技术是如何改变电子设计的。现在绝大多数门电路都是通过综合生成的。智能体编写RTL代码，然后RTL被综合。但仍有一定比例，取决于具体应用，必须手工综合或手工布局。加速工具本身仍然存在巨大机会。我不会称之为"点式"智能体，但在为特定任务打造智能体化工具的过程中，仍会有较小比例的工作需要手工编码，就像我们现在仍会为PC或其他计算平台手工编写部分指令一样。期望100%的自主性设定的标准过高，我不知道我们能否实现，我认为这既不现实，也未必值得追求。设定在99点几个九，仍然会留下大量工作要做，加速工具本身依然重要，但我同意这不是主要的时间消耗所在。
Balistreri：这可能是这个房间里不太受欢迎的观点，但我们可以讨论加速现有工具，也可以讨论全新的工具。当我们与客户交流时，他们流片过程中最大的瓶颈之一是本地计算资源不足，无法运行现有的EDA工具。能不能重新架构工具，使其针对智能体使用进行优化，加快运行时间，并行运行更多工具？然后还有一个问题是，模型会不会把这些工具"吸收"掉？在一些仍需手工处理的复杂任务中，模型有机会承担起来，解决人类脑力难以承受的极其复杂的问题。想想那些你曾经要看的墙上的表格，过去你要把大张的图纸铺在巨大的桌子上，查看电阻和电容，为模拟电路做布局。我认为，所有这些都可以被模型所涵盖。
Graham：这是可能的，问题在于，这需要多久才能变得高效？我们已经花费了大量时间从确定性、算法化和数学化的角度解决这个问题，以确保每次都能得到正确答案。你提出的是，"我们能否用概率模型更高效地解决这些问题？"今天，答案很明确是"不能"。以技术发展的速度，在未来2年、8年、10年内，这在计算和资金效率上会实现吗？
Thiruvengadam：我同意。关键点还是那个"九的行进"问题。这个"九的行进"会逐步推进，你会达到99.99999%，但你需要100%的准确率。我们在谈论用模型吸收两个EDA工具。
Balasubramanian：这一点非常重要。在芯片设计中，99.99%的准确率就是失败。哪怕只有一皮秒的偏差，就会导致整个违规。
Petr：我们总是忘记，我们还没有完全理解所有的物理规律。我们拥有的每一个模型都是对真实世界的简化，是误差之上叠加误差，再叠加误差，再叠加误差。无论整个智能体框架做得多好，某个时刻总会有取舍权衡。如果你没有捕捉到这一点，你的芯片就报废了。我们花了几十年优化仿真引擎以获得确定性结果。在那些AI框架的讨论中总会有人说，"哦，直接跑强化学习就行，它能做到。"没错，它能做到。但我基于数学的优化器仍然更快、更准确，我为什么要用别的方式？
Thiruvengadam：需要明白的是，"九的行进"是软件领域的一个问题，那它在硬件领域为什么不会是问题呢？在芯片设计中，这个问题甚至更加突出。在软件领域，人们谈论追求100%，容许失败是其中重要的一部分。而在硬件领域，成本如此之高，"九的行进"问题会变得更加严峻。
Balasubramanian：随着流程推进，你能容忍的误差带宽会急剧收窄。
SE：在一个乐团式的多智能体工作流中，谁有"终止开关"，来阻止智能体无休止地消耗token、试图达成100%的覆盖率闭环？
Graham：这是部署前准备工作的一部分，必须成为基础设施的组成部分——护栏机制。我们都有承载这些的基础设施。集成电路设计和验证中仍然存在无限的问题，从根本上说，这是一个无限或近乎无限的问题，因此必须在时间投入、token数量、工具覆盖范围等方面设置某种护栏。多年来，EDA行业一直擅长的一件事，就是让工具供应商与客户共同应对这个问题，帮助客户理解最佳的投资回报权衡，并推动我们提供相应方案。直到现在，这一直是关于给定问题所需的计算周期，无论是在云端还是本地，我们都会估算完成从RTL到GDS之间上千项任务中某一项所需的CPU周期数。现在我们在此基础上加入了token，但需要同样的护栏机制。我们深知这一点，我们的客户甚至专门设有部门来优化这个问题。
Petr：无限循环对我们来说并不新鲜，每个数学问题都存在无限循环的可能。如果陷入这些困境，我们是有解决方案的。
SE：关于知识产权归属问题，如果你使用智能体为客户设计并出售给他们，或者他们使用你的智能体来做他们自己的设计，那么知识产权归谁所有？
Balasubramanian：知识产权归属是我听到的最大担忧之一，无论是作为工具提供商的我们，还是客户方都有这个顾虑。是的，智能体可以编写代码，但挑战在于，只要有一段受版权保护的代码混入你的代码库，而你没有核实，就会造成损失，这是第一点。第二点，也是最重要的一点，我常告诉大家，你所写的任何提示词，都是你的"智商"体现。你在打基础，你在使用Claude Code，让设计师去做某些事情，他们的提示词可能是，"我打算这样解决这个布线问题，你能做到吗？"你的提示词几乎就是你的知识产权，你是在向别人透露如何完成某些事情的算法。有很多人说，"他们不会去看这些内容的"，但对大语言模型提供商来说，每一条提示词都是必要的数据。如果它超出了物理隔离的范围，那就会出问题。所以知识产权保护将会非常关键，尤其是如何避免代码，特别是源代码外泄，这将是一个非常关键、也是接下来会日益凸显的担忧。
Petr：另一个问题是，美国版权法不允许对由AI生成的代码进行版权保护，这意味着任何由AI设计的芯片都不具备可版权性。
Balasubramanian：是的，因为大语言模型（生成的内容）是不受版权保护的。
Thiruvengadam：关键的区别在于，我们讨论的不是完全由AI设计、没有任何人类干预的芯片。
Petr：版权法中有一个条款规定，设计的大部分必须由人类完成，而很遗憾的是，情况往往并非如此。
Balistreri：我想稍微总结一下，然后谈这个问题。在以高投资回报率的方式部署AI，并让组织认可其符合安全要求方面，存在许多问题，许多层面的问题。一是成本，我们在"框架层"解决了这个问题——同一个模型执行同类任务时，token消耗量减少了40%。我们自己的模型是开放权重的，性能相近，但成本更低。然后是完整流程的问题，这就需要本体论，你不能只做点状加速。接下来是自主性的问题，也就是信任问题：会不会出现关键性错误？这些是否被设置了门控并内置到系统中，以防止产生问题？再然后是知识产权和安全问题，这其实是个很简单的问题：你是否愿意将你的推理请求通过公共互联网发送给一个正在制造与你竞争的芯片的模型提供商？如果你在智能体层使用前沿模型，无论用的是哪种智能体，都要承担这种风险。有些模型甚至没有零数据保留政策。对我们来说，答案很明确——在一个高度注重安全的行业中，你的设计和设计流程本身就是知识产权，你需要一个可以本地部署的定制模型解决方案。这也解决了知识产权问题。我不是版权律师，但如果设计从未离开你的环境，那它实际上仍然属于你，虽然严格来说没有版权，但没有人能够接触到它。
Petr：别低估逆向工程的风险。
阅读本讨论的第一、二部分：
《智能体AI的成功依赖于卓越的人类支撑体系》
在将智能体AI部署到芯片设计中之前，工程师必须先定义领域本体论和智能体运行框架，基础引擎依然至关重要。
《Token成本正成为EDA预算新战场》
Token的成本正导致EDA设计预算不断膨胀，接下来会如何发展尚不完全明朗。
Q&A
Q1：多智能体AI系统的层级结构是怎样的？
A：多智能体系统已经从传统的军事化层级结构演变为更扁平化的动态组织形式，基于任务动态组建智能体团队，有一个编排者或指挥官角色，但整体结构比军队更加灵活扁平，有些甚至没有"头部"节点，被称为"无头智能体"。
Q2：AI生成的芯片设计能否获得版权保护？
A：目前不能。美国版权法规定，设计的大部分必须由人类完成才能获得版权保护，而由AI生成的代码本身不受版权保护，这意味着完全由AI设计、没有人类干预的芯片是不具备可版权性的。
Q3：如何保护智能体AI使用过程中的知识产权？
A：一种关键方式是使用可本地部署的定制专有模型，避免将推理请求发送到公共互联网上的第三方模型提供商，从而防止提示词和知识产权外泄，因为即使代码本身不受版权保护，只要设计从未离开企业内部环境，就能确保其不被外部获取。
