英伟达用 PhysicsNeMo 与 CUDA-X 库扩展 NVIDIA Agent Toolkit，标志着从通用 AI 助手迈向自主工程系统。扩展后的工具包不再把智能体局限于文档检索、代码生成或流程自动化，而是让开发者把推理模型直接接到物理模型、数值求解器、仿真环境与电子设计工具。目标是一种“智能体工程师”：能制定技术方案、调用专用软件、评估结果，并迭代逼近经校验的设计。
PhysicsNeMo 提供物理 AI 层。这一开源框架支持构建、训练、微调并部署科学机器学习模型，把仿真数据与物理约束结合起来。架构包括神经算子、图神经网络、点云模型、物理信息神经网络以及生成模型等。这些方法可作为计算流体力学、结构力学、热分析、电磁学与半导体制造等计算昂贵仿真的替代模型（surrogate）。在智能体工作流中，训练好的替代模型成为可调用工具：智能体可快速估计设计行为、筛出有潜力的候选，再把高保真求解器留给最终验证。
CUDA-X 贡献加速数值基础。英伟达新的 cuISS 库为离散化偏微分方程产生的大型系统，提供可组合的迭代稀疏求解器与预条件子。cuDSS 提供面向器件、电路、系统与科学仿真、数值稳健的直接稀疏求解器，并支持多 GPU、多节点扩展。cuEST 把能力延伸到电子结构计算，包括密度泛函理论（DFT）及后 DFT 方法。这些库合在一起，使智能体不只是推荐参数，还能启动以成熟数值方法为根基的 GPU 加速计算。
由此形成的架构把推理与计算分开。语言或推理模型负责解读工程目标、维护流程状态并选择工具；PhysicsNeMo 模型提供快速的学习近似；CUDA-X 求解器给出更高保真的数值结果；领域软件则施加约束与签核规则。智能体因而可以走完“假设—仿真—度量—优化—验证”的循环。例如，热设计智能体可生成冷却几何，用替代模型排序，对入围方案跑详细仿真，检查热点与压降，再自动修订几何。
英伟达也瞄准半导体设计。Nemotron 3 Ultra 搭配英伟达研究院的 ACE-RTL 智能体，面向智能体式寄存器传输级（RTL）编码。英伟达称，该模型在一套综合性 Verilog 设计基准上领先开源模型，并可在专有数据上后训练，用于本地或本地化部署。这一点很关键：芯片开发智能体必须在生成 RTL、排查失败、操作验证工具并保留可追溯性的同时，处理好敏感知识产权。
主要工程软件厂商正在接入该技术栈的部分能力。英伟达称，楷登（Cadence）正把加速计算与智能体系统用于封装与 PCB 设计；新思科技（Synopsys）在开发自主热优化与验证流程；西门子（Siemens）则在半导体、3D-IC、PCB 与系统设计中编排多种工具与智能体。报道中的例子包括：西门子侧库特征化提速超过十倍，楷登侧多物理场加速最高约二十倍，以及计算光刻、电磁仿真与量子化学等领域的大幅提升。ChipAgents 正使用 NVIDIA Agent Toolkit 构建面向芯片设计与验证的领域智能体，并在微调 NVIDIA Nemotron 模型，以覆盖调试、形式验证、覆盖率等端到端半导体设计与验证流程。
实际效果可能是：迭代周期更短，方案探索更广，分布在全球的工程组织也能更好利用昂贵的仿真基础设施。
不过，技术价值取决于治理。工程智能体必须暴露假设、保留输入与求解器版本、量化不确定性、强制运行边界，并在制造决策前要求独立验证。替代模型的速度仅在其已验证域内有用；智能体流畅的解释，也不能替代收敛测试、物理签核或专家评审。
英伟达的策略因此不止于再加一个 AI 界面，而是把加速计算库与物理模型转化为标准化的智能体技能。若这些技能保持可互操作、可审计，并与经验证的求解器紧密耦合，智能体有望把设计空间探索从人工协调的串行步骤，压缩成连续的计算过程。那将改变产品工程方式：人定义目标、约束与验收标准，由自主系统执行并细化仿真与优化环路中的大量工作。
今日推荐：
