随着 AI 智能体在芯片设计领域发挥的作用不断扩大，专业化能力与流程编排的重要性日益凸显，但协调管控与结果可信性依旧面临诸多挑战。
AI 智能体变得愈发智能、能力持续增强，并且越来越多地针对特定任务做专项优化。这催生了全新思路：不必每项任务都依赖大语言模型，可以改用规模更小的语言模型。
这一转变对半导体行业影响深远，覆盖芯片实际设计制造，以及芯片在各类负载下的运行表现。虽然大语言模型可以调度大批智能体，实现持续推理与独立执行操作，但对绝大多数应用场景而言，这种方案属于性能过剩。
然而缩小模型规模，或是削减智能体的数量、能力上限，又会带来新难题。其中一种解决思路是，把复杂工作流拆分交由多个小型语言模型与智能体处理，同时保留芯片设计、优化、布局规划、验证调试，以及识别制造工艺中影响良率的异常与工艺偏差所需的算力。这套方案将人类专业知识与 AI 处理海量数据的能力相结合。
新思科技创新高级副总裁普里斯・班纳吉表示：“在早期研发中，我们为每一款工具都开发了对应的智能体，用于问答交互。不同任务对应不同智能体。但在如今的多智能体工作流模式下，客户的目标是完成芯片设计。他们可能遇到功耗、性能、面积（PPA）相关问题，工程师认为可以通过某些修改降低功耗，于是采用时钟门控技术，可时钟门控又会增大芯片面积。这时就需要精通面积优化的工程师介入。这正是现实中的工作模式：多名专业人员协同完成整套系统设计，由管理人员统筹协调各个人员的工作，这就是多智能体框架下人类的协作模式。”
下一步目标是把更多这类协作流程实现自动化，但这就需要增设更多约束边界，限定 AI 的操作范围。
Movellus 公司首席执行官莫・费萨尔谈到：“模型需要划定工作边界，相当于明确‘你已经踏入我的业务领域，请坚守你的职责范围’。行业会走向专业化。少数巨头企业会继续使用大语言模型，但其余企业都必须走专业化路线。另外要明确：AI 并不等同于大语言模型。大语言模型虽然应用最广，但并不是 AI 的全部定义。AI 技术可以落地到许许多多场景，人们用 AI 做芯片开发，也把 AI 用于财会、法律、气象预测等完全不同的业务，每一类业务的负载特征都独一无二。气象预测就完全没必要使用大语言模型，效率太低。”
专业化模式利弊并存：智能体需要完成配置，并且集成进现有工具与工作流，想要整套系统无缝运转难度极高。这需要由其他智能体（或是智能体集群）承担编排工作，经过训练来衔接那些步骤存在重叠的任务。同时要彻底转变解决问题的思路：基于 CPU 的流程编排，其重要性不亚于、甚至会超过 GPU 的乘累加运算。
楷登电子验证软件产品管理高级总监马特・格雷厄姆称：“我们已经发展到‘超级智能体’的聚合层级，我们认为，超级智能体的复杂程度与创造的价值，足以比肩 EDA（电子设计自动化）工具。这是一类全新工具品类。我们现在讨论的重点不再只是智能体本身，而是动态组装为智能体的各项技能。整套体系由具备编排能力的超级智能体统筹管理。就像过去客户通过自定义脚本，把 EDA 工具搭建成设计流程一样，未来他们也可以编写脚本，按需配置超级智能体、智能体工作流与整套解决方案，接入业务流程。”
这些超级智能体（也被称为主控智能体、管理智能体；该领域尚处早期，命名规则还在不断迭代）可以搭配受其管控的子智能体，既可以协同运行，也能够分开管控。
ChipAgents 首席执行官威廉・王表示：“子智能体可以各司其职，而部分场景需要整套多智能体方案。我们去年第四季度已经向行业发布多智能体产品，用于调试等场景。面对超大规模片上系统（SoC），该如何做性能优化？就需要多个智能体并行读取不同上下文信息协同完成任务。同理，功能验证与形式化验证场景，多个智能体可以分别处理不同逻辑分组，开展调试与优化，这部分功能至关重要。”
集成难题
芯片设计制造要求结果可复现、可预测，但尖端芯片往往具备定制化特征。多芯片组件更是如此，它们经常针对数据中心、智能手机、机器人等场景的特定数据类型做定制优化。与此同时，智能体执行的全部操作，都必须兼容现有工具、工作流与业务流程，而这些流程本身也需要适配智能体 AI 技术的飞速迭代。
是德科技 EDA 业务高级副总裁尼尔斯・法谢表示：“客户通常会在统一平台开展工作，例如楷登的 Virtuoso、新思的 Custom Compiler 或是是德科技高级设计系统。我们在平台内部提供面向特定应用的工作流指引，产品内置文档，讲解工具全部步骤、配置方式与可用功能，原本这套体系服务于人类工程师协作开发复杂产品。引入 AI 之后模式彻底改变，人类工程师要和数字化智能体协同工作。因此我们必须重构产品。现在大家都在讨论模型上下文协议（MCP）服务器：我们审视产品，思考如何做模块化改造，通过标准化 API 开放各项能力。相关代码大多基于 Python 开发，让智能体可以拼接出代码驱动的工作流。我们的目标就是为客户提供这套 MCP 能力。”
想要落地这套模式，需要为智能体设定更加清晰的目标，使其既能独立工作，也能和其他智能体协同；同时还需要强化智能体训练，帮助它们达成目标。法谢举例：“如果你想让智能体完成滤波器综合，给出需求‘设计一款带通滤波器，工作在某频率区间’。智能体就要思考：滤波器是什么？仿真该如何搭建？这就需要参考案例。同时 MCP 服务器要把需求拆解成一系列步骤，调用对应功能模块执行。过去在图形界面完成的操作，现在变成给智能体提供示例技能，告诉它完成这项任务的执行方法。”
智能体需要在必要时突破业务壁垒，但多数场景下要遵守权限约束。当下行业担忧 AI 智能体失控，一部分原因是复杂查询会驱使智能体跨越业务孤岛 —— 对 AI 而言，业务孤岛只是虚拟概念；另一部分担忧来自智能体过高的自主权限。采用小型语言模型，搭配无法突破沙盒环境、不能全网爬取数据的智能体，就可以实现：只有获得许可时，智能体才能够跨越业务边界。
西门子 EDA 电子设计自动化集成电路软件执行副总裁安库尔・古普塔谈道：“行业内依旧存在大量业务孤岛：仿真 EDA 工具、面向真实部署运维的产品生命周期管理（PLM）系统，还有工厂设施相关系统，彼此相互割裂，并不只有芯片设计验证 EDA。这也是数字孪生概念落地的场景，各类业务的信息需要被捕获。如今随着大语言模型、小型语言模型登场，设想已经落地。我们提取芯片、系统、仿真、PLM 系统各个孤岛的数据，构建数据本体层。大小语言模型都基于数据开展工作，我们把所有数据打通，作为底层公共层；各个业务域在这一层之上运行，读取公共层的数据，同时也可以跨孤岛交互。”
跨孤岛协同也具备明确商业价值，攻克相关问题意义重大。整合多家晶圆厂多工艺的数据，能够为芯片制造节约巨额成本与大量时间。古普塔指出：“3nm、2nm 工艺下，一次失误的代价可达 5 亿美元。这就要求 AI 引擎输出的结果必须高度可靠。我们已经应用强化学习、无监督学习十余年，但评判这类学习算法效果的核心标准始终不变：是否能够输出可信结果。”
小型语言模型非常适配大量专业化任务。SiMa 公司技术负责人施里尼瓦斯・库尔卡尼表示：“基于检索增强生成（RAG）的特定场景中，小型语言模型优势显著。针对特定业务，小型语言模型效率远高于大语言模型量化压缩后的版本；企业还可以使用自有数据训练小模型，保障输出精度。”
行业内很多人持有相同观点。Baya Systems 首席架构师苏拉布・盖恩称：“行业的共识是，智能体应当限定上下文范围，再由顶层编排模块统筹全局；搭建智能体架构时，要自上而下设计与自下而上构建相结合。但很多讨论都忽略了‘人参与闭环’这一点。面对复杂黑盒问题，是搭建一套层级化黑盒系统来拿到最优结果，还是在流程中设置断点，让人类介入理解、修正思路？AI 并不是要取代工程师，而是放大工程师的能力，加深工程师对项目的理解。”
人类工程师是 AI 体系得以运转的关键纽带。想要把不同设计层级、多道制造流程的智能体做最优协同，离不开工程师的专业判断。盖恩表示：“整个行业都在摸索前行。如何设计多层级智能体架构，更偏向一门艺术。如果有人宣称找到了完美方案，那也只是众多可行方案中的其中一种。”
但行业正面临工程师人才短缺。Arteris 首席产品及营销官米哈尔・西温斯基谈道：“互联网泡沫时期，大批人才涌向软件开发，半导体行业少人问津。人才储备出现断层，如今虽在缓慢恢复，但有实操经验、能真正主导芯片设计的工程师依旧缺口巨大。智能体 AI 可以填补一部分人才缺口。它不只是加速开发，更是在弥补人力不足。工程师不可能无休止加班。”
海量数据困境
技术进步与各类挑战的根源，都来自数据使用模式的变革。沙盒逃逸、逆向工程风险，乃至 AI 芯片自身性能与功耗问题，全都和数据的生成、传输、存储、安全息息相关。真实业务数据质量更高，但专家工程师也可以生成合成数据，逼近真实数据效果，用于模型训练。
Movellus 的费萨尔提到：“出现一类新岗位：只要你是某个领域顶尖专家，就可以负责和大语言模型对接协作。”
模型会持续迭代，智能体则调用这些模型运行。Silvaco 首席执行官沃利・莱茵士表示：“晶圆厂目前还没有自主生成 AI 模型。所有人都想用 Claude 处理所有任务，大量仿真工作正在开展。但物理工艺领域存在器件物理定律约束工艺变更带来的影响，我们积累了数十年 SPICE、BSIM 仿真模型，TCAD 工程师使用专属的 Jump 语言，形成了固有的工作习惯。行业需要创新人才，基于合成数据构建模型，再使用真实数据校准，搭建虚拟仿真模型。”
莱茵士还说：“有些场景下，售卖智能体产品比售卖传统软件更合适。目前 EDA 行业还没有基于 Token 计费，依旧沿用传统定价模式，但客户都在探讨这种新模式。售卖一款智能体，自动完成校准，对接合成仿真数据库与物理实测数据。厂商无需拿到客户的私有物理数据，但可以统计智能体消耗的 Token 数量。这就给 EDA 行业提供一种商业模式：交付产品获取收益，同时保护客户的私有数据不对外泄露。”
行业未来
当下 AI 带来的部分变革，能找到历史参照。
Movellus 的费萨尔称：“可以类比 21 世纪初，主频竞赛落幕，行业转向多核架构。曾经大家认为 GPU 会一统天下，后来发现 CPU 与 GPU 需要搭配使用。每十到十五年，行业架构就会迎来一轮变革。但今时不同往日：过去芯片的边界就是光刻掩模版尺寸，而现在，整个数据中心都可以视作一枚芯片，大量 GPU 协同工作，如同单颗芯片。瓶颈先是落在数据传输，等传输问题解决，新的瓶颈又会出现。”
真正的改变，在于系统组件的组装方式与未来使用模式。Arteris 的西温斯基表示：“我们会谈论智能体工作流对生产力的巨大提升，也会探讨流程编排。跨域多智能体协同非常有价值：它让模拟电路设计师、验证工程师、形式化验证工程师拥有统一的理解语境。智能体 AI 有望实现这一点。智能边缘时代正在到来，我们会有充足动机做定制优化，开发更多差异化软件。”
最大的未知，是工程师在充斥 AI 智能体的未来中扮演何种角色。所有迹象表明工程师的专业能力依旧不可或缺，但岗位的具体变化还尚不明确。
ChipAgents 的威廉・王提出：“依托多智能体协同，未来会诞生虚拟芯片企业，由虚拟 AI 工程师协同，组成智能体团队开展工作。芯片公司的一部分业务会走向虚拟化。回看实体 AI 与机器人领域，机器人没能大规模普及，一大原因就是缺少专用芯片。现实里打开冰箱门只需一秒，机器人完成同样动作却要 20 秒，体验劝退用户。未来机器人企业会开发自研专用 ASIC。这类芯片引擎与 AI 平台，会成为实体 AI 机器人企业的核心底座，让企业有能力自主完成芯片开发。”
原文链接：
https://semiengineering.com/when-ai-agents-cross-chip-design-silos/
今日推荐
