人工智能、能源电力、芯片、AI基础设施、服务器与整机、存储、网络安全、智算中心、模型、AI应用、端侧AI、物理AI、AI科学与公共服务、智能经济、云资讯。
核心要点：
现有工具是围绕特定使用场景构建的，而在智能体方案中，它们将被转变为可调用的功能引擎集合。
智能体可以由EDA公司为设计公司开发，也可以由大型设计公司自行构建，这可能从根本上改变EDA的商业模式。
工程师的职能角色将发生转变，但具体走向尚不明朗。
智能体解决方案并非简单地在现有工具之上包裹一层，而是要将工具重构为一系列可调用的功能引擎，由AI驱动部署、由工程师统筹管理。这将深刻影响工具形态、催生新的设计流程，并推动工程师角色的全面转型。
如今，无论谈到EDA工具、设计方法，还是团队成员，都绕不开AI将带来何种影响这一话题。所有人都在思考如何拥抱AI、如何避免被时代浪潮所抛下。这场争先采用的竞赛既孕育着机遇，也充满着不确定性。
其中一些论断或许在当下并不现实，甚至有人认为AI将颠覆整个EDA行业。Siemens EDA高级副总裁兼总经理Abhi Kolpekwar表示："围绕AI有很多讨论，比如根据规格说明自动生成测试计划，或者根据规格说明自动生成代码。'给我规格，我就能为你生成形式化属性。'这类说法认为，从规格说明中提取信息并将其转化为具体产物，正是AI所擅长解决的问题。"
然而，对于任何实际的半导体器件而言，今天就完全依赖AI来实现这一切几乎是不可能的。失败的风险极高，代价极大，因此每家企业在某种程度上仍将依赖现有的设计方法论。Synopsys技术人员成员Ramesh Narayanaswamy说："也许你有一个子智能体在一侧进行规格分析、推导设计分解，另一侧生成测试计划。用户想要审查结果，但他们也可能要求用另一个模型来批评第一个模型的输出。当工作内容越接近规格说明，人就越需要参与其中，至少现阶段如此——因为规格很难进行交叉验证。如果你误解了某段描述，那这个误解就会一直存在。但在验证阶段你可以做一些交叉检查，保持独立性。你希望同样的错误不会同时出现在两条工作链中，这在人工解读中也有一定道理。那些源于细微沟通偏差产生的Bug极难发现，但通过让模型充当审阅者，可以在一定程度上降低这类风险，同时也能给工程师腾出更多精力来做审查。"
这并不意味着没有办法优化设计或流程。Keysight EDA高级总监Alexander Petr表示，他经常听到客户说："我的管理层告诉我要把AI应用到我的问题上。""我总是说，这个思路搞反了。你应该先问：'我究竟要解决什么问题？'然后再去寻找能帮你解决这个问题的AI技术。AI是自动化的下一次进化。我们一直在将各种工具连接起来。每家公司都有CAD使能团队，他们一直在通过连接工具来构建工作流程，编写各种胶水代码让工具更高效、更有效。现在的问题变成了：'我怎么把这变成一个优化问题？优化循环应该放在哪里？哪些环节需要人工介入？哪些节点需要人工签核？哪些事情可以交给机器来做？'一旦你能清晰描述你的流程和要构建的循环，我们就能讨论挑战所在，以及AI能在哪里帮上忙。"
要从AI中获得最大收益，可能还需要做出其他改变。Arteris产品管理与市场营销副总裁Andy Nightingale表示："最清晰的经验之一是，智能体验证在结构化、可追溯的工程环境中效果最好。当规格说明、覆盖目标、架构意图和验证数据能够被机器读取并有机关联时，AI系统的表现会好得多。"
规格说明往往不够完善，而且会在开发流程中不断变化。Cadence产品营销总监Paul Graykowski说："如果你把一份规格说明交给工具或聊天机器人，不管那个聊天机器人有多强大，规格说明如果有问题，你就麻烦了。真正核心的是心智模型，这也是工程师与工具协作的价值所在——当工具说'这里有问题'，工程师可以与工具互动、解释情况，工具再给出回应。或者，工程师也可以主动问工具：'给我解释一下这是怎么运作的。'"
半导体行业向来变革缓慢。Cadence杰出工程师Hamid Shojaei表示："未来很有意思，我们内部也在积极讨论如何随着行业变化来改变EDA的未来形态。但我认为这不会很快发生。人们不会轻易相信一个显示覆盖率100%、所有测试全部通过的仪表盘，他们在进行流片前需要建立一定程度的信任。转变思维需要很长时间。但人们需要保持灵活，未来会有很多事情发生改变。"
工具的演进
核心工具不太可能被取代。Siemens的Kolpekwar说："有些人声称他们不再需要工具了，说'我的智能体会告诉我这个设计是否正确'。EDA行业工具已经存在了很长时间，计算强度极高，经过了认证和反复验证。如果有人说要用大语言模型来判断设计是否正确，依赖一个概率模型，我很难相信这种说法。有谁愿意仅凭大语言模型就流片一颗芯片吗？"
虽然仿真等核心工具在可预见的未来可能仍将存在，但它们可能会向着更好地融入智能体流程的方向演进。Arteris的Nightingale表示："验证产品将日益向有情境感知、具备工作流意识的平台演进，以机器可读的形式呈现意图、元数据、可追溯性和调试知识。未来的工具需要在整个生命周期内将需求、实现、验证证据和系统行为有机连接起来。智能体验证的现实价值不在于自主完成设计签核，而在于放大强大的工程方法论，提升对日趋复杂的系统验证问题的应对能力。"
当前的工具试图一次性完成整个操作，但所需的粒度级别可能会发生变化。Kolpekwar说："流程需要能够将适合特定目的的计算引擎整合在一起，以满足客户需求。比如，你正在创建一个设计，面临功能验证、安全合规、信息安全合规等多项要求，还需要早期性能估算——你需要一个验证解决方案，能够按需、动态地调用这些引擎，并让它们之间相互交换数据，最终给出结果。我真的相信，这些引擎将会汇聚在一起，以交互协作的方式给你想要的答案。"
工具本身已经开始变化。Synopsys的Narayanaswamy表示："我们正在尝试创建更结构化的信息，以便模型能够解读。此外，还有机会将模型编排能力注入工具的各个阶段。我们的许多工具都有一系列启发式算法，我们对优化序列进行编排。你实际上可以让这种编排由'自学习智能体'来完成。只要有客观指标，这些系统就能不断学习。"
EDA行业依靠销售工具为生，因此行业未来的健康发展直接取决于销售工具的数量和所提供的价值。Cadence的Shojaei说："如果EDA行业转向智能体的开发，智能体就像是半导体公司的虚拟工程师。公司不必将钱花在雇用越来越多的员工来做芯片设计工作上，而是可以将这笔钱付给来自EDA行业的虚拟工程师。未来商业模式将会改变，技术也会带来新的思路，但EDA行业无疑面临着巨大的机遇。"
这种转变有几种可能的实现方式。Kolpekwar说："应用分析型AI的用户构成非常多元。首先是有钱的用户，他们财力雄厚，组建了AI工程师或数据科学家团队，自行编写框架和智能体，只需要获得引擎访问权限即可。这类用户技术能力极强，又可以细分为两类。第一类是：'我们知道自己在做什么，给我工具，我们自己搞定。'第二类是：'我们试过，但行不通，我们认为EDA厂商能写出更好的智能体。'还有第三类客户，他们已经制定了策略，希望EDA公司进来搭建框架、集成工具并创建智能体，作为一个交钥匙项目来交付。"
训练AI所需数据的获取一直是个大问题。Keysight的Petr表示："半导体行业在过去50年里在知识产权保护方面取得了很大成就。没有人会为了打通一个流程就拱手相让自己的IP。这让讨论变得更加复杂。如果你无法从互联网上抓取知识，就意味着你需要以某种方式注入它，而拥有这些知识的人才是需要注入的那个人，这使得问题变成了一个分布式难题。EDA厂商有自己的知识，晶圆厂有自己的知识，设计公司也有自己的知识。"
这意味着合作与协作不可或缺。Kolpekwar表示："EDA厂商认识到自己是合作伙伴而非流程的所有者，这一点非常重要。成为合作伙伴意味着提供情境智能，使我们能够与终端用户一起更好地管理变化。这是一个将持续演进、需要时间成熟的领域。但我真的相信，我们有能力构建一种情境与情境智能，不仅能理解变化，还能在特定流程背景下，结合历史和可能的未来，做出更加明智的决策。"
工程师角色的演变
从早期迹象来看，工程师的角色可能越来越多地转向监督者和审查者，而非具体执行者。Narayanaswamy说："在软件领域，每10名开发者配1名项目经理。如今，工程师需要更多地思考产品本身，统筹架构和产品设计，而构建工作中的细节部分——在有护栏的情况下——可以交由智能体完成。他们需要向架构师与产品经理的复合角色升级。这就是未来的方向。我预计在EDA领域，这一进程会慢一些，因为芯片设计对健壮性要求极高，风险规避意识更强。这会让进程慢一点，但趋势方向是确定的。"
工程师角色的转变已是清晰可见。Nightingale表示："验证团队可能会从手动处理数据，转向管理意图、策略和风险。工程师在关联日志和调试重复性故障上花费的时间会减少，更多时间将用于定义有意义的场景、验证AI生成的结果，以及理解系统级行为。最有价值的工程师将越来越是那些理解'需要验证什么、为什么验证'的人，而不仅仅是生成验证内容的人。"
其他人也持相同看法。ChipAgents CEO William Wang表示："验证团队将朝着更高层次的编排角色演变，验证工具本身也将成为协调整个设计与验证栈的智能体平台，而不再是孤立的单点解决方案。"
随着时间推移，这可能从根本上改变工程师的工作职能。Kolpekwar说："如果我们成功将智能体验证实现到合理的水平，那么我们所有的验证工程师都将开始转变为验证科学家。他们的大量时间将用于分析结果、提供更高层次的工程判断、开展实验、验证假设，并主导制定策略，从根本上建立对流片这颗芯片的信心。"
积极的结果固然美好，但其他副作用也可能随之出现。AMIQ Consulting合伙人Stefan Birman表示："与以往验证领域的技术进步不同，AI并非对现有技术的线性延伸。其中存在大量变量和未知的未知，我们所有人都有很多东西需要学习。例如，人们正在发现，人工审查和验证所有AI生成的输出是必要的。但这通常比亲自完成工作更枯燥，因此工程师会担心自己的工作变得越来越缺乏创造性，甚至有朝一日消失。"
团队成员之间的职责分工也可能发生变化。Cadence的Shojaei表示："过去，设计师被鼓励在将工作交接给DV团队之前做更多的验证，但效果并不理想。而单元测试智能体将使设计师能够真正完成这部分验证工作。他们不再需要知道如何编写断言，智能体可以替他们完成。他们不需要懂得如何运行形式化验证、编写tcl文件或构建工具运行文件——AI非常擅长生成这类EDA配置文件。几分钟内，他们就能得到一个用形式化验证或SystemVerilog写好的测试平台，以及一个可以运行它的智能体。智能体甚至能帮他们调试并定位根本原因。他们不需要将覆盖率做到100%，只需找出那些容易发现的Bug，这样验证团队就不必在它们上面耗费大量时间。"
智能体能否封装工程师所需的全部知识，目前尚不明朗。Keysight的Petr表示："你需要构建能够观察工程师工作并从中学习的解决方案。工程师从来不会把自己的知识写下来。培养一名年轻工程师，通常是让他们跟随一名资深工程师搭档学习。这个概念同样可以应用于AI。这是一种监督学习方法，可以内嵌到工作流程中。你也可以尝试无监督方式，本质上是强化学习，但挑战在于你需要清晰地定义目标，让系统能够在全自动优化循环中运行并努力达成目标。难点在于：'谁能把目标描述得足够完美，以确保系统不会给出无意义的结果？'"
无论身处哪个层级，工程师都需要记住一条核心信息。Cadence的Graykowski说："工程师必须能够适应，善用AI提升自身效率，这样他们才不会成为那个被AI取代的人。"
Q&A
Q1：智能体验证在EDA领域真的可行吗？现在发展到什么程度了？
A：智能体验证目前仍处于发展早期，其现实价值不在于自主完成设计签核，而在于放大工程方法论、提升复杂系统验证的效率。在结构化、可追溯的工程环境中，当规格说明、覆盖目标等数据能被机器读取时，智能体验证效果最佳。由于芯片设计对健壮性要求极高，行业整体风险规避意识较强，预计EDA领域的推进速度会比软件领域慢一些，但方向已经确定。
Q2：AI会取代EDA工具吗？大语言模型能直接判断芯片设计是否正确吗？
A：目前来看，核心EDA工具被取代的可能性极低。现有EDA工具经过长时间的认证与验证，计算密集度极高。完全依赖大语言模型来判断芯片设计正确性，目前业内普遍持怀疑态度——大语言模型本质上是概率模型，还不足以支撑流片决策。更现实的方向是将工具改造为可被AI调用的功能引擎，而非直接用AI取代工具。
Q3：AI普及后，芯片设计工程师的工作会发生什么变化？
A：工程师的角色预计将从具体执行者转向监督者和审查者。他们将减少在日志关联、重复性故障调试上花费的时间，更多精力将用于定义验证场景、验证AI生成的结果，以及理解系统级行为。验证工程师有望向"验证科学家"转变，承担更多分析、决策和策略制定的工作。但也有担忧认为，审查AI输出相对枯燥，可能导致工作创造性下降。
