当人工智能成为时代的主题，算力与芯片的发展也来到一个时代的交叉点。一边是AI大模型、Agent智能体等对算力迫切的渴求，推动着算力需求呈指数级增长；另一边，是延续了多年的摩尔定律已逼近物理与经济的双重极限，通过工艺微缩提升芯片性能的路径越走越窄。这一尖锐矛盾，将全球半导体产业的竞争焦点，从单一的“纳米级”竞赛，引向了更为复杂的“系统级”创新战场。AI与加速计算互相促进，彼此成就。在EDA（电子设计自动化）领域，这种融合已经发生。借力AI，成就更好的AI，一条“EDA支撑AI算力、算力与大模型双向进化、大模型反哺EDA”的良性闭环之路，正成为中国芯片在后摩尔时代实现“智变”突围的关键路径。从“先进工艺”到“集成芯片”芯片的算力，诞生于一个精密而漫长的链条：从架构师与设计师的“理念”，到光刻机在晶圆上刻出的“实体”，最终成为驱动数字世界的“动力”。过去，这条链路的巅峰竞争，集中体现在对“纳米数字”的极致追逐上。英伟达等巨头依托其顶级设计能力与先进制程的深度绑定，不断从14nm突破至7nm、5nm、2nm，刷新物理工程极限，构建了令人瞩目的算力优势。而中国芯片产业，曾长期受困于“纳米鸿沟”——不仅在制造端面临先进光刻机等设备上受制于人，更在设计工具、核心IP方面遇到获取壁垒，在传统赛道上追赶得异常艰难。当制程微缩带来的性能红利持续衰减，算力的提升越来越依赖于系统架构、先进封装、软硬件协同与设计方法学的整体创新。竞争的维度，从单一的“工艺先进性”拓展为多维的“系统效能”。华大九天解决方案总监、中国电子信息行业联合会工业软件分会副秘书长杨祖声告诉《凤凰周刊》，从我国的实际情况来看，随着先进工艺逐渐逼近物理极限，集成芯片正在成为另一种路径。即不再强求在单一硅片上集成所有晶体管，而是将功能模块化，独立制造为特定的芯粒（Chiplet），再通过制造技术，从平面或立体维度将芯粒连接起来，制成集成芯片，使其从系统的级别突破算力的极限。在后摩尔时代，算力的提升不再单纯依赖于单一晶体管的物理尺寸缩减，集成芯片成为了可行的新的技术路径。在设计—制造—封装—测试—应用的长链条中，EDA工具是贯穿始终的纽带。集成芯片一方面依托于先进的制作工艺，另一方面则有赖于从设计到验证的全流程解决方案。对此，国产EDA已经提供了配套的全流程软件。杨祖声介绍，目前在集成芯片设计解决方案层面，华大九天新推出的Storm 3DIC设计平台、Argus3DIC物理验证平台填补了国内高端3DIC设计工具的空白，支持2.5D/3D异构集成封装全链路设计和验证，为集成芯片设计提供了关键支撑。AI+EDA的强化闭环AI时代的到来，对芯片提出了更复杂的要求，也要求软件方可以通过AI降低设计门槛，提高效率，推动EDA向智能化快速演进。有观点认为，过去几年，行业谈论“AI+EDA”，大多停留在点状优化，即在既有流程局部进行提速。而随着AI技术的演进，AI的角色，正在从局部提速的执行者，提升为设计决策的参与者。杨祖声对《凤凰周刊》解释称，AI赋能EDA的发力点大致分为三类，第一是提升效率，EDA的计算和设计往往需要反复迭代，AI通过对仿真或者验证过程进行建模学习，使得预测速度比物理计算提升一个或几个量级，大量节省迭代的时间；第二是强化学习，在芯片全流程的设计和迭代中，原先需要人工逐一操作原理图设计、版图设计、物理验证、仿真、提取指标等全流程中诸多环节，AI可以通过对设计、验证和仿真参数的学习，自主检测设计的效果，自主实现对设计的智能迭代优化；第三类是大模型应用。一方面大模型可以作为智能问答的AI专家，辅助技术工程师快速寻找答案，回答用户的疑问。另一方面大模型通过API接口，自主学习设计过程中的各项命令和功能，自主生成设计脚本或代码，以及通过设计脚本能够自动调用EDA工具实现自主的设计。这并非单向赋能，而是构成了一个自我强化的闭环。一方面，如前所述，EDA的全流程智能设计能力助力芯片设计方法学的进步，进而间接支撑AI算力基础设施建设。以华大九天旗下Andes AMS工具为例，它能够深度融合模拟设计流程，自动完成原理图的设计和验证，实现对原理图设计的智能自动优化迭代，也可以实现对版图设计的自动优化迭代。另一方面，算力的跃迁，推动大模型的能力升级，也在反哺EDA行业的进化。在杨祖声看来，大模型的能力升级，最大的挑战在于完成从“人脑经验”到“模型认知”的跨越。首先是把隐性的知识显性化，例如将芯片设计中的思考逻辑、美学判断和设计经验等存在于工程师脑海中的信息，转化为模型可理解的文字或多模态数据。其次是物理规律的嵌入，由于EDA是基于物理状态与严格逻辑的工具，因此，有一种需求是将物理公式与逻辑推理深度嵌入大模型或者其推理中，确保其输出结果不仅“看起来对”，更要符合客观物理事实。第三是解决“小数据”的困境，面对行业优质数据稀缺的现状，需要通过小样本学习与数据增强技术，结合专家经验进行清洗与标注，实现数据规模的快速扩充。最后是与EDA工具链的深度融合：大模型必须深度学习头部EDA企业的工具特性与领域知识，实现模型与底层工具的无缝衔接，从而具备调用工具执行特定设计任务的能力。此前有业内观点认为，AI for EDA的终极目标是实现“自主设计”，将工程师从繁琐劳动中解放，聚焦于架构创新，从而设计出更强大的硬件，为更大参数、更高智能的大模型提供基石。杨祖声对《凤凰周刊》表示，EDA行业大模型可能会重构芯片设计效率边界和能力的上限，进而帮助EDA行业去拓展方法论，助力行业的发展。此前集成电路和芯片设计的知识，需要人长时间学习。而随着EDA行业大模型学习、固化、复用工程师的经验，一方面可以指导新人，降低新手入行的成本；一方面也会逐步从繁琐劳动中解放人类，让人类专注于更有价值的思考和创新，帮助人类提升设计能力。此外，在行业通用大模型的基础上，企业进一步训练自有的模型，也可以帮助企业快速积累企业知识资产，加快企业竞争力的形成与提升。但这并不意味着AI会完全替代人和EDA工具。杨祖声表示，一方面，EDA的构建基于严谨的物理模型，而AI基于概率模型，因此仍需要EDA工具对AI输出的结果进行最后的物理验证、仿真验证与确定性签核；另一方面，随着AI的进化，对人在整体设计、架构以及创新等方面思考水平的要求更高，这是一种升级，而并非简单的替代，事实上也会带来大量新的岗位需求类型。协同破局，构建自主创新生态EDA和芯片的进化，不仅是技术问题，也是生态问题。不仅依赖技术突破，也考验着整个产业生态的构建能力。就生态所需的技术而言，全链条覆盖仍是攻坚战。根据华大九天在2025年生态伙伴及用户大会上公布的未来五年产品规划与发展策略，其首要目标是打造完整的体系化产品平台集群，填补技术空白。破除数据壁垒，则是生态搭建的另一重要依托。芯片设计数据高度敏感且稀缺，是训练可靠AI模型的最大挑战。这需要EDA与芯片设计方、场景应用方一道，共建专属AI模型。此外，工具接口开放、商业模式的整合，也是推动数据有效流通的关键。杨祖声表示，数据安全关系到各家主体的核心竞争力和商业机密，因此必须要保护不同参与方的数据权利。在此基础上，数据可以通过划分数据集级别、追踪路径，来确保数据在允许的范围内被安全使用。例如，行业公开数据或企业联盟贡献的非核心数据，可以帮助大模型学习其中的设计逻辑。而对于私有数据，则可以采用“私有化部署”或“增量训练”模式，基于EDA龙头企业提供的基座行业模型，由客户企业或晶圆厂进一步在本地私有环境内训练专属模型，确保“数据不出库，能力能进化”。采用分级、增补式训练的方式，提升其专属模型的能力。后摩尔时代的芯片竞赛，本质上是一场以EDA为核心变量的“智力密度”持久战。EDA的每一次智变迭代，都在重新定义中国在全球半导体产业创新版图中的位置与可能。在这条通往算力巅峰的赛道上，掌握了进化的工具，便掌握了通往未来的入场券。
