AI智能体，跨越芯片设计孤岛

电子发烧友网译 AI智能体正变得更聪明、能力更强，也越来越针对具体任务做优化。这让「用更小的模型替代大模型」成为可能，不必每件事都交给 LLM。

这一变化对半导体产业的影响是全链条的：从芯片本身的设计与制造，到芯片在不同负载下的运行方式，无一例外。LLM 固然能调度成群智能体持续推理、自主行动，但对大多数应用来说，这是杀鸡用牛刀。

可要把模型做小，或者削减智能体的数量或能力，同样会带来新问题。一种思路是：把复杂工作流拆开，交给更小的语言模型和智能体分别承担，同时保住设计、优化、布局规划、验证、调试芯片所需的算力，以及识别制造环节中可能拖累良率的异常与波动的能力。说到底，这是把人的经验和 AI 处理海量数据的能力拧到一起。

新思科技（Synopsys）创新业务高级副总裁 Prith Banerjee 说：“做智能体的早期，我们给每款工具都配了一个，用问答的方式交互。这个任务有对应的智能体，那个任务也有对应的智能体。但在多智能体工作流里，客户要做的是一整颗芯片。比如 PPA 出了问题，有工程师说他知道怎么改能把功耗压下来，那就做时钟门控；可做了时钟门控，面积又涨上去了。这时面积专家就得进来。现实世界本来就是这么运转的：一群人凑到一起，靠协调把系统设计出来。在多智能体框架里，人类管理者扮演的角色，就是协调这些‘人类智能体’。”

下一步要解决的，是如何把更多这类流程自动化、串起来。这就需要更多护栏，来限定 AI 能做什么、不能做什么。

Movellus 首席执行官 Mo Faisal 说：“模型正在划边界，就像在说‘喂，你踏进我的地盘了，各守各的赛道’。大家都会走专业化。只有少数几家（超大型）公司会把 LLM 揽下来，其余玩家必须专业化。另外，AI 不等于 LLM。LLM 是眼下最大的应用，但它不是 AI 的定义。AI 智能可以用在很多地方。有人在为芯片做 AI，也有 AI 在做别的事：会计、律师、天气预报，这些都是各不相同、各具特点的负载。可天气预报根本不需要 LLM，用它是低效的。”

专业化是一把双刃剑：智能体得配置好，还得集成进现有工具和工作流。要让这一切顺畅运转，是件苦差事，得靠其他智能体、或者智能体团队来编排，而这些编排者要经过训练，才能把可能相互重叠的步骤衔接起来。这也意味着要换一套完全不同的思路：基于 CPU 的编排，其分量可能不亚于、甚至超过基于 GPU 的乘累加运算。

Cadence验证软件产品管理高级总监 Matt Graham 说：“我们已经走到‘超级智能体’这个聚合层级，我们认为它们的复杂度、能交付的价值，跟 EDA 工具一样大，甚至更大。这是一类全新的工具。现在我们越来越少谈智能体，谈得更多的是能被动态组装成智能体的‘技能’。思路是：这一切由某种编排型超级智能体统一处理。就像客户过去习惯用自研脚本把我们的工具串成流程，今后他们也会自己写脚本、接进流程，按需要去组织我们的超级智能体、智能体工作流和方案。”

这些超级智能体（也叫主导智能体、管理智能体，或者干脆就叫智能体，这个领域太新，叫法一直在变），以及由它们管理的子智能体，可以配合使用，也可以分开管理。

ChipAgents 首席执行官 William Wang 说：“你可以让子智能体各干各的，另一些事交给多智能体方案。去年第四季度我们向业界发布了一套多智能体方案，用于调试这类场景的多智能体协同。SoC 那么大，性能优化怎么做？这就得靠多个智能体并行访问不同上下文来完成。功能验证、形式验证也一样，可以让多个智能体分别盯着不同的颜色分组去调试、去优化。这些都是极其关键的环节。”

集成难题

芯片设计与制造要的是可重复、可预测，但很多前沿芯片恰恰是一次性的，多裸片集成尤其如此，它们往往针对特定数据类型或应用做专门优化，比如数据中心、智能手机和机器人。同时，智能体的任何动作都得跟现有工具、流程、工艺兼容；而这些流程本身，又必须跟上代理式 AI 的演进速度。

是德科技EDA高级副总裁 Niels Faché 说：“客户通常在一个平台里干活（可能是 Cadence Virtuoso、Synopsys Custom Compiler 或 Keysight Advanced Design System），我们在那个环境里带他们走完面向特定应用的工作流。我们有产品内文档，讲清楚工具的各个步骤、配置方式和可能性，这些都是为人类工程师协作开发复杂产品准备的。有了 AI，模式就完全不同了：人类工程师要跟‘数字工程师’，也就是智能体，一起干活。所以我们不得不重新设计产品。你听过 MCP（模型上下文协议）服务器吧？我们会盯着一个产品问：‘怎么把它模块化，用合适的 API 把各项能力开放出来？’这些代码一般用 Python 写，有了它，智能体就能把一个基于代码的工作流拼起来。我们要做的，就是保证客户拿得到这套 MCP 能力。”

要让这条路走通，得给智能体定更清晰的目标：既能独立干活，也能跟别的智能体配合；还得把智能体训练得更好，让它们够得着这些目标。

Faché 补充说：“你想让智能体干一件事，比如综合一个滤波器，你会说：‘我要设计一个带通滤波器，特性是这样，工作频率在这个范围。’接着，这个智能体得问自己：‘滤波器是什么？仿真怎么搭？’它需要示例。但你还得有个 MCP 服务器，把这条需求拆成一步一步，每一步调用正确的功能去执行。以前在图形界面里靠引导做的事，现在变成了‘示例技能’：你把它交给智能体，告诉它‘这个任务就该这么干’。”

这些智能体还得该破界的时候能破界，不该破界的时候守规矩。眼下人们对“失控 AI 智能体”的担心，一部分来自查询越来越复杂，逼着智能体把视线伸到孤岛外面去；而对 AI 来说，孤岛不过是虚拟划出来的框。另一部分来自智能体自主权太大。用小语言模型，用那些拆不开沙箱、也扒不动整个互联网的智能体，就能缓解这个问题：只有被明确授权，边界才会被跨过去。

西门子 EDA 执行副总裁兼 EDA IC 软件负责人 Ankur Gupta 说：“孤岛还在。从仿真用的 EDA，一路延伸到 PLM，也就是真实世界里的部署和运营，再加上各类设施，全都卷进来了。这已经不只是设计验证的 EDA 了。我们也是从这里开始谈数字孪生、谈把智能沉淀下来的。现在这已经是现实，尤其是把 LLM 和 SLM 放进来之后。芯片、系统、仿真、PLM 系统，每个孤岛你都得采集足够的信息，做出数据本体。LLM 和 SLM 得靠数据干活，我们正把这些数据连成一个层。层上面是各个领域，它们跟这一层的数据交互；但它们同样可以轻松地跨孤岛交互。”

这么做有实实在在的商业理由，所以把问题解决掉，回报很大。把涉及多道工艺的晶圆厂数据汇到一起，能在芯片制造上省下巨额资金和时间。

Gupta 说：“在 3nm 和 2nm 节点，一次错误的代价是 5 亿美元。所以这些引擎必须保持高保真。我们用强化学习、无监督学习，这些做了十多年了。但衡量这套学习能力的标准，始终是有没有交出可信的结果。这条不会变。”

小语言模型很适合许多专业任务。

SiMa 工程负责人 Shriniwas Kulkarni 说：“在基于 RAG（检索增强生成）的特定应用里，我们已经看到这种情况。针对具体用例，小语言模型效率很高，不必拿大模型去量化，而且可以用自己的数据训练，保证准确性。”

也有人持同样看法。

Baya Systems 首席解决方案架构师 Saurabh Gayen 说：“我们看到，大家正在往一个方向靠：智能体的上下文范围要限定住，然后由一个编排者统览全局。所以在搭智能体架构时，你希望自顶向下和自底向上同时进行。这里最常被忽略的一点，是‘人在回路’。如果你把整个问题当成黑箱，那你是要搭一个分层的黑箱去拿最优解，还是希望过程推进时能停下来，让人类看明白，从而把‘嘿，别这么想，该那么想’的判断加进去？AI 与其说是替代工程师，不如说是放大他们的能力和理解。”

人类工程师其实就是让 AI 跑起来的黏合剂。设计不同层级上的智能体、或者一整条制造工艺流程上的智能体，怎样组合才最优，离不开他们的判断。

Gayen 说：“这件事大家都在学。怎么把这些智能体层级工程化，是一门手艺。要是有人说自己找到了完美解，那也不过是众多解里的一个。”

但人类工程师也不够用。

Arteris 首席产品与营销官 Michal Siwinski 说：“我们经历过那个‘美好’的互联网泡沫年代，当时没人愿意进半导体，都想当软件程序员。人才池因此断了一段，后来慢慢恢复，但真正能影响设计的资深人员，缺口还在。代理式 AI 能填掉一部分。在这里它其实不是加速器，是补位。一个人能有多少个周末都耗在这些项目上？”

数据重压

所有这些难题和进展，根子都在数据的使用方式变了。沙箱会不会被突破、会不会被逆向，乃至 AI 芯片的性能和功耗，都取决于数据怎么产生、怎么流动、怎么存储、怎么保护。真实数据当然更好，但经专家工程师更精细的训练，合成数据也能逼近真实数据的效果。

Movellus 的 Faisal 指出：“出现了一些新岗位：只要你在某个领域是前 1% 的专家，就能找到一份跟 LLM 对话的工作。”

模型跟着来，智能体负责把它们用起来。

Silvaco 首席执行官 Wally Rhines 说：“晶圆厂现在还没自己生成这类 AI 模型。大家都想拿 Claude 干所有事，人们在仿真各种各样的东西。区别在于：物理工艺里，有基本的器件物理规律管着工艺变更带来的影响。我们积累了多年的 SPICE 建模和 BSIM 模型。我们有 TCAD 工程师，他们讲一种叫 Jump 的语言，自成一个圈子，做事习惯照老办法来。你真正需要的，是能创新的人：从合成数据里做出真实模型，再用真实数据校准，最终建出虚拟模型。”

Rhines 说：“有些情况下，你宁愿卖的是智能体，而不是软件。目前还不清楚 EDA 行业里有没有人真的按 token 收费、而不是沿用传统定价。我认为还没有，但客户都在讨论这件事。卖出一个智能体，让它自动完成校准，把我的合成仿真数据仓库跟物理数据反复对照。物理数据我们看不到，但智能体烧了多少 token 我们清楚。这样 EDA 厂商能把产品卖出去、拿到收益，同时没人看得到企业想保密的底层数据。”

未来走向

AI 带来的有些变化，看起来似曾相识。

Movellus 的 Faisal 说：“可以拿 2000 年代初来比。那场主频（GHz）大战突然就转向了多核。当时都说一切终将归于 GPU，后来又变成‘不对，是 CPU 加 GPU’。我们每隔 10 到 15 年就要经历一轮同样的架构折腾。最大的不同是：那时候，一颗芯片的边界就是你掩模版尺寸内能做出来的东西；现在，芯片就是整个数据中心，你可能有一堆 GPU 像一颗芯片那样协同工作。所以瓶颈会转到数据搬运上；等这个解决了，瓶颈又会转到别处去。”

不一样的地方，在于这些零件怎么拼起来，以及未来怎么用。

Arteris 的 Siwinski 说：“我们可以大谈智能体流程有多好、能提升多少生产力，这里面有一整套编排的学问。多智能体方案要做跨领域编排，这很有意思，因为你是在设法让模拟设计师、验证工程师和形式验证专家讲同一种语言。有了代理式 AI，希望这会容易一些，因为大家对同一件事有了共同理解。智能边缘正在到来，你会有很充分的理由去优化，去做出更多独特的软件。”

最大的未知数是：在一个塞满 AI 智能体的世界里，工程师到底站在哪儿、怎么站。所有迹象都表明，他们的专业能力仍被需要，但工作会怎么变，没人说得清。

ChipAgents 的 William Wang 说：“有了多智能体协同，未来会出现虚拟芯片公司，也会有虚拟 AI 工程师，它们协作起来，组成这样的智能体组织。那么将来，芯片公司的一部分可能也是虚拟的。看看物理 AI 和机器人：机器人一直没起来，原因之一就是没有专用芯片。我开一次冰箱门只要一秒，机器人要 20 秒，于是人们就放弃了。但未来，机器人公司会自己做 ASIC。芯片引擎、这类 AI 平台，对赋能这些物理 AI 机器人公司会非常重要。它们完全可以自己造芯片。”

作者：Ed Sperling

来源：Semiconductor Engineering

AI智能体，跨越芯片设计孤岛图1