关键要点：
自主芯片设计正在加速发展，但人类工程师目前仍不可或缺。
系统公司正在推动EDA缩短芯片设计周期，以跟上快速变化的AI工作负载需求。
先进封装、物理AI和数字孪生需要更广泛的协同分析与协同设计，以应对多物理场挑战。
新思科技（Synopsys）总裁兼首席执行官沙辛·加齐（Sassine Ghazi）接受了《半导体工程》的采访，探讨了AI如何改变芯片设计与工程领域。以下内容节选自本周在SEMICON West大会上进行的现场主题访谈。
SE：过去一年最大的变化，实际上也是当下最大的热点，就是AI。我们正在处理更多的AI数据，芯片需要运行得更快、更凉。我们是否真的需要重新思考芯片的开发方式？
加齐：当然需要。实际上我们已经开始讨论如何“重新设计工程本身”，因为你需要在多个交叉点上进行协同设计和优化，从物理层面、材料、制程工艺，到架构、设计，再到软件和模型本身——因为模型本身决定了工作负载，你如何在整个技术栈中进行优化？
SE：那么AI到底在芯片设计中处于什么位置？我们从上世纪80年代就开始使用计算软件了，对吧？
加齐：是的。大约在2016年前后，我们在多项技术和工具中引入了强化学习，以利用庞大的参数空间进行优化，借助AI辅助人类工程师在这个巨大的空间中找到最优解。如今，我们已经从“辅助”发展到真正的“多任务智能体协同”。我们目前拥有超过40个任务智能体，这些智能体是各类工具的“专家”，掌握了工具所需的全部知识和能力，用于针对特定目标进行优化。这些是专门的任务智能体。过去一年左右发生的真正变革，是这些模型在智能和推理能力上的巨大进步。现在出现了“长周期协同”能力，模型可以协调多个智能体，你只需告诉它想要达成的结果即可。这就是我们现在所处的阶段。进展确实令人惊叹。
SE：您认为接下来会走向何方？过去四年我们经历了从生成式AI到智能体AI的演变，接下来会是什么？
加齐：可以这样理解：我们从辅助型副驾驶（copilot），到生成能力，再到现在所说的“长周期自主智能体”——你不再是给出一个提示词，而是给出一个目标结果，模型会自主推理并驱动多个智能体协同完成任务。这就是“自主工程”。这时通常会有人问：“人类工程师的角色会怎样？他们还扮演什么角色？这是否会给行业带来风险？”实际上我完全不这么看。如今，越来越多的公司需要定义和定制专属芯片，而行业面临的最大挑战恰恰是人类工程师的短缺——缺乏能够进行架构设计、理解规格、定义芯片并推动最终结果落地的人才。因此，自主协同对整个行业而言是非常积极的事情，你仍然需要人类的判断力来定义架构、进行指导，并在投入制造前做最终的签核确认。
SE：在今年早些时候的Converged大会上，一些大型芯片制造商表示，未来将能够在没有人工参与的情况下完成芯片开发。这现实吗？如果是这样，人类将扮演什么角色？是不是变成了“检查、确认一切符合预期”这样的工作？
加齐：那正是我们的目标。目前确实有一些合作项目和技术，可以直接从“规格”开始。这个规格来自系统公司——可以是任何一家超大规模云计算公司、前沿AI实验室、电动汽车企业，或者无人机公司。这些系统公司定义规格，这个规格基于最终产品的需求。在某个阶段，你需要将其转化为电子层面的规格。如今，我们已经有客户可以直接把规格提供给Synopsys的自主智能体，由其自动生成经过验证的RTL——这是芯片设计的起点。这个过程以前需要许多工程师花费数月时间，从规格撰写到RTL验证，再确保它可以被物理实现和制造。而现在，这一步骤已经可以自主完成。我们已经有多个客户在使用这项能力。那么，随着智能和推理能力的进一步提升，是否可以扩展到物理实现、物理验证甚至芯片签核阶段？我毫不怀疑我们会实现这一目标。目前还没有完全实现，但我们确实朝着更高自主化的方向努力。
SE：那么智能体现在是否已经成为新的IP？
加齐：或许可以换个角度问：“新思科技的核心IP到底是什么？是工具本身，还是那个熟练掌握工具并借助工具完成任务的智能体？”目前来看，模型在推理和探索方面表现出色，但你依然需要工具（也就是智能体）来生成和验证结果。因为你可以生成结果、探索许多设计方案和可能性，但最终你必须决定采用哪一种实现方式，以在性能、功耗、成本等方面达到最佳平衡。
SE：我之所以问这个问题，是因为新思科技在开发（并仍在开发）IP的过程中，几乎所有IP最终都变成了定制IP，因为客户要求它必须适配特定需求。那么AI智能体现在是否填补了这一角色，因为它们本身具有适应性？
加齐：这里有一个区别：一类是我所说的“经典EDA产品”，即用于设计的工具；另一类是IP，特别是接口IP——用于连接芯片与芯片，以及芯片与系统之间的接口。这类IP正变得越来越定制化。比如你是一家超大规模云计算公司，正试图为特定工作负载优化并定制芯片，以实现性能和功耗目标等。如果接口IP是通用型而非定制化的，那么你就会失去竞争力——面积可能没有被优化，性能也无法达到最佳，因为它只是通用IP。
SE：换个话题，物理AI正在开辟一个全新的市场，但这背后有大量的依赖关系需要考虑，还涉及大量的数据协同，这是一个全新的机遇。埃隆·马斯克曾形容这将是特斯拉一家公司就能带来的2.5万亿至3万亿美元的机会。您怎么看？
加齐：随着AI从数字世界扩展到物理世界，芯片正在为两者同时提供算力支持，你需要为两种场景定制芯片。一旦开始走向物理应用，整个系统就变成“软件定义”的。汽车行业在“软件定义汽车”这条路上已经走了至少七到十年。随着汽车逐渐实现自主化，你不仅需要为电子部分和终端产品的物理特性建模，还需要对其运行所处的环境进行建模。因此，这是一个跨多个维度的综合优化机会，涵盖芯片本身、系统本身（包括结构、流体以及实际机械系统等多重工程维度），以及该系统运行环境的建模方式。这是一个巨大的工程机遇，而我们业务范围正是从芯片延伸到系统层面——这正是我们收购Ansys的意义所在，我们现在拥有多物理场签核能力。无论是对芯片还是对一个完整系统（比如一辆车、一个机器人，或任何智能系统）进行签核，你都必须确保不会过度设计、不会过度制造。那么，如何做到恰到好处的设计，并在投入制造之前完成多个物理维度的签核验证？
SE：这不仅仅是系统的系统，而是异构系统的系统，对吗？
加齐：是的。对我来说最难描述的部分，就是“系统”这个概念在不同抽象层级上的定义——因为先进封装本身就是一个系统，但当你开始考虑整机架时，它就变成了一个组件；当你考虑子系统或数据中心时，它又变成了组件。因此，“系统”在不同层级上的抽象是完全不同的。
SE：人们谈论控制AI的一种方式——我们都听过AI“逃脱沙盒”的故事——就是使用数字孪生技术。我们已经听到“数字孪生”这个概念大约有十年了。有人真正实现过完整的数字孪生吗？如果没有，问题出在哪里？
加齐：数字孪生或虚拟化的概念其实已经存在很长时间了。实际上，新思科技大约在15到17年前就进行了两次与芯片虚拟化相关的收购，也就是为芯片创建数字孪生，让客户可以在芯片实际生产之前就开始进行软件开发。这为客户提供了多种模型选择，以确定哪种芯片最适合其系统。再往上看，如果你谈论整车的数字孪生，确实有客户已经能够为整个电子系统创建数字孪生——还有用于材料、结构和物理特性碰撞测试的数字孪生，从而避免物理样车的碰撞测试。目前在不同工程领域，确实存在部分数字孪生应用，客户也在使用。但是否存在一个涵盖电子、物理和运行环境的完整数字孪生，并被广泛使用？目前还没有。但这正是整个发展进程的一部分。而且我不认为，没有数字孪生，未来能够构建出复杂的智能系统——那样做将耗费极长时间，成本也将高得惊人。
SE：但这仍然是经典的“分而治之”策略，对吧？
加齐：是的。除非完全从零开始，否则你通常会以之前的设计和架构为基础，再向下一代演进。让我始料未及的一个例子，就是中国在机器人和电动汽车领域的发展——因为他们确实是从零开始的。我拜访过许多中国客户，这些公司成立才两三年，从一开始就采用完全数字化的设计方式。芯片刚流片，就被装到电路板上，再装进汽车或其他终端系统中，几周之内软件就能运行起来。这是我们客户工程方式上的一次重大转变。所以这种方式可行吗？答案是：可行。但问题在于，怎样的约束条件和起点才能促使一家成熟的工程公司投身到这种全新工作方式中？
SE：那么，在汽车的整个生命周期中，这种方式究竟发生在哪个阶段？因为这需要巨大的算力投入。
加齐：没错，但如果你想想传统主机厂，他们大约每四到六年才会推出一个新平台——这里的“平台”指的是整车本身。而我刚才提到的例子，几乎每九个月到一年就会迭代一次。也就是说，当他们更新电子系统时，几乎同步更新了整辆车。当然，这需要巨大的算力投入，但最终，你的终端产品差异化更明显，创新节奏也大大加快。
SE：你们也在持续监测这些系统的运行健康状况，对吧？你能想象一枚3纳米芯片在汽车中使用长达15年吗？
加齐：当你将系统架构拆分为独立组件，并能够作为一个整体系统进行验证时，就能基于成本、供应链以及许多其他可优化维度，为你提供更大的灵活性和选择空间。
SE：我们换个话题。2026年原本被认为将是3D-IC（三维集成电路）元年，这是真的吗？
加齐：是的。如今数据中心里已经有许多芯片是3D-IC。这是一项复杂的技术，客户和制造商都在面临超出电子设计范畴的挑战。问题不在于电子架构本身，而在于3D-IC的物理和机械效应。当工作负载以高强度持续运行时，封装内部会出现热效应问题，导致部分芯粒发生变形甚至开裂。这是一个机械层面的挑战。整个行业都在努力在3D-IC的架构设计阶段，结合其运行的工作负载，提早解决这个问题。这正是新思科技收购Ansys的核心战略考量——如何在设计阶段早期引入物理仿真，从而提前将这些因素纳入考虑，因为多芯片异构集成无疑是未来的发展方向。
SE：而这也是编程层面的一场噩梦，因为现在你需要考虑“这里会出现热峰值，那里会出现计算峰值，而且这种峰值每3毫秒就会出现一次”，那么在这3毫秒之间，我们该做什么？如何进行散热？
加齐：是的，这正是我提到工作负载的原因。在设计和架构先进封装与多芯片系统时，结合具体的工作负载进行考量变得至关重要。许多现场出现的意外问题，正是因为某个边界情况未被充分考虑，导致系统过热甚至损坏。因此，这是一个贯穿整个技术栈的优化过程——从软件，到封装架构设计，到最终实现，都需要同时考虑物理特性和设计因素。
SE：再加一个因素——AI本身也在不断变化。回想一下你们当初运行的是生成式AI，后来是智能体AI，而现在的查询也变得越来越复杂。
加齐：这正是为什么每家系统公司都在努力争取对自身芯片开发的掌控权。这并不是因为半导体行业没有把芯片针对特定工作负载的优化工作做好，而是因为如今事物演进的速度实在太快——模型每三到四个月就会发生变化，而芯片不可能每两三年才更新一次。许多我们的半导体客户正在努力将开发周期从18个月、16个月、14个月压缩到一年以内。许多系统公司也在推动我们思考，如何借助AI将从规格到流片的周期缩短到不足一年，甚至不到九个月？瓶颈在哪里？我们如何针对特定工作负载设计出高度定制化的芯片？
SE：或者说，设计出能够随需求演进而自适应的芯片，对吧？
加齐：是的，无论是芯粒还是整颗芯片的可编程性，都是未来的发展方向。但目前我并没有看到系统公司对此有特别强烈的采用需求，相比之下，他们更迫切的需求是“我需要更快地定义规格并定制芯片”。而且，这些定制芯片的生命周期往往不超过两到三年，也就是说，他们并不打算让这颗芯片沿用多代产品。因此，关键在于能否以更快的速度完成优化并交付芯片，而这颗芯片本身在其所服务的应用场景中，寿命较短也完全可以接受。
SE：面对所有这些变化，您最担心什么？什么事情让您夜不能寐？
加齐：是节奏，节奏，还是节奏。整个行业正经历巨大的复杂性变革。我们这个行业集体做出了令人惊叹的创新成果，确实创造了许多“魔法”般的突破。但我从未见过像现在这样的节奏，以及系统级协同设计与复杂性的程度。能够从传统工作流程成功转型到新工作模式的公司，才是真正的赢家——把这些写在PPT上很容易，但对一家公司而言，既要兑现当前对客户的承诺，又要转型同一批工程团队去交付融合智能、物理特性以及各家公司正在追求的产品差异化的未来，这是极其困难的。
SE：这是否使得决定投资方向变得更加困难？纵观EDA行业，其研发投入占营收的比例一直超过几乎所有其他硬件公司。
加齐：从营收占比来看，是的，EDA行业一直需要投入越来越高比例的营收，才能跟上发展节奏。AI确实带来了机遇，但我目前还没有看到它能够“驯服”这种复杂性，让投入占比下降。实际上，我们正在不断加大投入，而不是减少。
Q&A
Q1：新思科技目前的任务智能体能做什么？
A：新思科技目前拥有超过40个任务智能体，它们是各类芯片设计工具的“专家”，掌握了工具所需的知识和能力，可以针对特定设计目标进行自主优化，并能协同完成从规格到RTL验证等复杂任务。
Q2：3D-IC芯片目前面临的主要挑战是什么？
A：3D-IC芯片面临的主要挑战并非电子架构本身，而是物理和机械层面的问题。当工作负载高强度运行时，封装内部会产生热效应，导致芯粒变形甚至开裂，这需要在设计早期阶段结合物理仿真来提前应对。
Q3：全自主芯片设计是否已经实现？人类工程师还有必要吗？
A：目前还没有完全实现全自主芯片设计，但已有客户可以通过智能体将规格自动转化为经过验证的RTL。人类工程师在架构定义、设计指导以及最终签核确认等环节仍然不可或缺。
