芯片设计这门手艺，正被两股力量同时挤压。
一边，AI模型每三四个月就迭代一次。另一边，一颗芯片从定义到流片，动辄要一年半。系统公司等不起，纷纷把压力传导给EDA（电子设计自动化）厂商：能不能把"从规格到流片"压到一年以内，最好是九个月？
在本周的SEMICON West上，Synopsys（新思科技）总裁兼CEO Sassine Ghazi在现场专访中，系统谈了这场变化。他的核心判断可以概括为三句话：
自主式芯片设计正在推进，但至少现阶段，人类工程师仍不可或缺；
系统公司正在倒逼EDA缩短设计周期，以跟上AI工作负载的变化速度；
先进封装、物理AI和数字孪生，都要求在多物理场层面做更广泛的联合分析与协同设计。
下面按主题梳理。
一、先从根上说：工程本身要被重新设计
AI数据处理量不断攀升，芯片既要跑得更快，又要更省电、更低温。Ghazi认为，这已经不是局部优化能解决的问题，而需要"重新发明工程本身"。
他的逻辑是：模型本身决定了工作负载，工作负载决定了芯片该怎么设计。因此，优化必须贯穿整条技术栈：从物理、材料、工艺，到架构、设计，再到软件和模型。任何一层单独优化，都不够。
二、从"助手"到"编排者"：AI在EDA里走了十年
AI进入EDA并不是这两年的事。2016年前后，Synopsys就在工具中引入了强化学习，让AI在庞大的参数空间里帮工程师寻找最优解。那时的AI，更像一个助手。
真正的转折发生在最近一年：大模型的推理能力明显跃升。目前，Synopsys已有40多个任务智能体，每一个都是某款工具的"专家"，被灌入该工具的知识与能力，专门负责某类优化。在它们之上，大模型承担"长时程编排"的角色：用户不再输入一条条提示词，只需给出想要的结果，模型便自行推理，调度多个智能体去完成。
Ghazi把这一演进概括为：从助手（副驾驶），到生成式能力，再到长时程自主智能体。这就是他所说的"自主工程"。
三、已经自主的那一步，恰好最费人力
那么，自主化走到了哪一步？
目前，系统公司（超大规模云厂商、前沿AI实验室、电动车和无人机公司等）可以基于终端产品，提供一份规格，交给Synopsys的自主智能体，由它产出经过验证的RTL。RTL是芯片设计的起点。
这一步在传统流程中，需要一批工程师花上数月：写RTL、验证RTL，并确认它能被物理实现和制造。如今，已有一批客户正在使用这套自主流程。
再往后呢？物理实现、物理验证、最终签核，目前尚未自主化。Ghazi的表态很明确：这是目标，他"毫不怀疑"终会做到，但今天还没到。
至于"无人参与设计芯片"这一行业愿景，他的看法是：人不会被取代，而是上移。人类仍负责三件事：定义架构、把控方向、在量产前做最终签核。
他甚至不认为自主化是行业风险。恰恰相反，眼下的瓶颈是想定制芯片的公司越来越多，而能把规格变成硅片的架构工程师严重不足。自主编排补上的，正是这个缺口。
四、智能体会成为新的核心IP吗？
一个自然的追问是：既然智能体这么能干，它会不会取代工具本身，成为Synopsys的核心IP？
Ghazi的回答是，两者缺一不可。模型擅长推理和探索，能生成大量设计方案，但生成之后，必须由工具来验证、落地，并在性能、功耗、成本之间收敛到唯一一个最优实现。
另一条线是接口IP，即用于芯片与芯片、芯片与系统之间互联的IP。这类IP的定制化程度越来越高。对一家超大规模云厂商来说，如果接口IP只是通用方案，面积和性能就无法针对自己的工作负载优化，竞争力便会从这里流失。
五、3D-IC：已经跑起来了，麻烦在电路之外
2026年被不少人称为"3D-IC元年"。这是真的吗？
Ghazi的答案是肯定的：如今数据中心里，已经有不少芯片是3D-IC。
但真正的挑战，并不在电子架构，而在物理与机械效应。当工作负载高强度运行时，封装内部会出现热问题，导致部分芯粒（chiplet）翘曲甚至开裂。这是机械问题，不是电路问题。
对策只有一个：把物理仿真提前到架构阶段。这也正是Synopsys收购Ansys的核心逻辑，即在设计初期就把热和机械效应纳入考虑，而不是等封装做完再补救。
同样关键的是工作负载。访谈中，主持人举了一个例子：算力每隔几毫秒就出现一次尖峰，热量也随之周期性冲高，那么尖峰之间如何散热？Ghazi借此强调，先进封装和多芯片系统，必须放在具体工作负载的背景下去设计。现场的许多意外，都源于某个没被考虑到的极端场景，最终导致系统过热损坏。
所以，这是一场从软件、封装架构到具体实现的全栈优化，同时要兼顾物理和设计两个维度。
六、物理AI：从一颗硅片，签核到一辆整车
当AI从数字世界走向物理世界，两边都需要定制芯片。产品一旦进入物理应用，就会变成软件定义。汽车行业沿着"软件定义汽车"走了七到十年。
当车辆迈向自动驾驶，需要建模的就不只是电子和终端产品的物理特性，还包括它运行的环境。优化因此变成三个维度同时展开：硅片、系统本体（结构、流体、机械），以及运行环境。
Ghazi把Synopsys的定位描述为"从硅到系统"：硅是老本行，系统则靠收购Ansys获得的多物理场签核能力。目标很务实：不过度设计，不过度制造，在量产之前，跨多个物理领域完成签核，做到"刚刚好"。
这里有个容易被忽略的概念：系统是分层的。一个先进封装本身是一个系统；放进机架，它就是一个组件；再往上到子系统、数据中心，它依然只是组件。Ghazi坦言，这是他最难向别人讲清楚的部分。
七、数字孪生：讲了十年，完整版还没出场
数字孪生也不是新概念。十五到十七年前，Synopsys就通过两次收购布局芯片虚拟化：为芯片建立数字孪生，让客户在芯片制造出来之前，就能开始开发软件，并比较不同芯片对系统的适配度。
放到整车层面，客户今天已经能为整车电子系统建立数字孪生，也能对材料、结构做碰撞仿真，从而省去一部分物理样机和实车碰撞测试。
但同时涵盖电子、物理和运行环境的完整数字孪生，目前还没有被广泛使用。Ghazi认为，这条路非走不可：没有数字孪生，未来复杂的智能系统要么耗时无穷，要么成本高到天文数字。
有意思的是，谁跑得最快？Ghazi多次提到中国。他拜访过不少机器人和电动车公司，成立才两三年，起步就是全数字化设计流程。芯片流片后装上板子，再装进车里，几周内软件就能跑起来。他们的整车迭代周期是九个月到一年，而传统车企推出一个新平台，通常需要四到六年。
这当然需要大量算力投入，但换来的是更强的产品差异化和更快的创新节奏。他认为，难点不在"能不能做到"，答案是肯定的。真正的问题是：什么能说服一家成熟的老牌工程公司，放弃沿用多年的流程，跳进这种新工作方式？
八、速度：系统公司最大的焦虑
回到开头那个错位：模型每三到四个月变一次，芯片却不可能按两三年的节奏更新。这正是越来越多系统公司想把芯片开发权握在自己手里的原因。
这并不是因为传统半导体厂商做得不好，而是节奏实在太快。Ghazi透露，半导体客户正推动设计周期从18个月、16个月、14个月，一路压向一年；而系统公司则在问：能否借助AI，把从规格到流片压缩到一年以内，甚至九个月以内？瓶颈到底在哪儿？
关于可编程、可自适应的芯片，他坦言，目前系统公司采纳得并不多，它们更看重的是"快速定义规格、快速定制芯片"。这类芯片的生命周期通常只有两三年，并不打算跨多代模型长期使用。既然寿命本就不长，更短的服役期也可以接受，关键是更快交付。
九、让他睡不着的，是"节奏"
被问到最担心什么，Ghazi连说了三遍：节奏，节奏，节奏。
复杂度还在暴涨，他从未见过如此高速的系统级协同设计。真正的难处不在技术本身，而在组织：把新工作流写进PPT很容易，但一家公司既要兑现眼前对客户的承诺，又要带着同一支工程团队转型，去交付"智能、物理、产品差异化"融为一体的未来，极其困难。
研发投入也印证了这一点。EDA一直是硬件行业中研发占收入比例最高的领域之一。AI带来了机会，但Ghazi说，目前还没看到它能让投入降下来：
"我们的投入仍在持续增加，而不是减少。"
写在最后
综合来看，这场对话传递出四个信号：
自主设计已进入早期落地：从规格到RTL可以自动完成，物理实现与签核仍在路上；
人类工程师的角色在上移：从执行者转向架构定义、方向把控和最终签核；
多物理场协同设计，正成为3D-IC、物理AI和数字孪生共同的底层需求；
速度是最大的变量：模型以月迭代，芯片以年迭代，这个错位正在重塑整条产业链。
本文根据Semiconductor Engineering对Synopsys总裁兼CEO Sassine Ghazi的专访内容编译整理，观点均来自受访者。
今日推荐：
直播报名
