

智能体(AI Agent)正在渗透芯片设计流程的更多环节,但要把不同工具、不同阶段串起来,仍有不少硬骨头。几十年积累的工程经验怎么沉淀,企业的核心设计数据怎么保护,成本怎么控制,也都没有现成答案。
Semiconductor Engineering近日组织了一场圆桌讨论,参与者包括:
Frank Schirrmeister,新思科技(Synopsys)战略项目与系统解决方案执行总监
Ronen Laviv,Hiveware业务拓展与战略合作副总裁
Jack Berg,Silvaco业务拓展副总裁
Ashish Darbari,Axiomise创始人兼CEO
这是该系列讨论的第三部分。下面按主题梳理几位嘉宾的主要观点。
核心看点
智能体在设计、验证、确认各环节的编排,需要新的方法学和跨工具协同
工程经验依然不可替代,而企业的专有数据仍然各自封闭
成本和复杂度可能抬高门槛,大公司更占优势

一、先抛个问题:智能体都能改代码了,"左移"还能走多远?
讨论的起点很直接:既然智能体可以修改代码,而模型和智能体本身又在不断更新迭代,设计流程到底能往前"左移"多少?
Darbari认为,这会是行业的一个新方法学方向,类似当年UVM的出现,需要把不同的流程组合起来。但他坦言:“目前似乎没人真正清楚这套组合该怎么玩。”从他看到的各类演讲来看,大家还在摸索。
他还指出,不少做智能体的公司缺乏一线实战经验,做出来的东西未必是用户真正需要的。很多大型用户干脆自己动手,因为他们知道自己要什么,手里也有多年积累的数据。至于大型EDA厂商会如何整合、最终怎样影响终端用户,他表示"我也不知道"。
二、一层套一层:智能体正在长成"洋葱"
Schirrmeister从全流程的视角做了梳理。芯片从规格定义、数字实现、功能验证,到制造、再到生命周期管理,每个环节下面还有许多细分流程。仅功能验证就包括虚拟原型、形式验证、仿真、硬件仿真和原型验证等多种手段。
按照他的描述,现在的情形是:"每一块都有自己的智能体,各管一摊;然后出现负责统筹这些局部能力的智能体;再往上,还有对接前端的智能体。"层层叠加,像一颗"洋葱"。他提到,EDA厂商都在说自己有"Level 5"级别的能力,在各自的作业范围内,这话有一定道理。
Berg则强调,这本质上是一个层级化的问题。他认为,行业会先把每一层分别做出来,再不断迭代改进,智能体只有这样才能逐步学会,接手那些如今需要大批工程师来做的"体力活"。
在这个层级结构里,信息还要双向流动。比如,在功能规格阶段就要把约束条件反馈进去,以提高后续的可制造性。Schirrmeister追问:能不能让智能体来建模并预测这条路径?Berg的回答是可以。但Schirrmeister强调,仍然需要在早期就验证多物理场效应。Berg补了一句:"没有这一步,到了制造环节就是"出生即报废"。"这也引出了更大的问题:到底能抽象到什么程度?
三、谁来买单?"大厂游戏"的担忧
Darbari提出了一个很现实的问题:这些成本由谁承担?
在他看来,使用方要为token付费,"小公司未必有这个预算,把自家数据准备好再跑完整个流程,可能只有大公司才负担得起。"他提到,一些大公司已经在全力推进,甚至称自己"没写过一行代码,全是智能体干的"。但他也说,如果整套流程的成本能大幅降下来,局面会变得非常有意思。
Schirrmeister给出了相对乐观的看法:那些原本因为流程繁琐而难以推进的小型设计,将从中受益。不过他也直言,想做英伟达的竞争对手,仍然不可能在车库里完成,这依然是大公司的事。
四、经验是最大的缺口:AI只擅长"八成"
Laviv的判断是:AI在大约80%的问题上表现很好,但剩下的部分,依赖的是从业三十年的资深工程师身上那些独特的技能。
他举例说,业内曾讨论过涉及功耗、硬件仿真、形式验证等方向的约250项不同技能,AI目前并不具备。"如何把这些技能收集起来,是行业必须解决的问题。"只有做到这一点,智能体之间才能真正"对话",并且继承那些散落在苹果、高通、英特尔等公司内部的几十年经验。
Berg举了AlphaFold的例子。2024年诺贝尔化学奖的一部分授予了这款软件,它能以惊人的准确度预测蛋白质折叠。蛋白质的复杂程度远超半导体日常处理的晶体结构,但这一步也走了50年。他的态度是:这是一次概念验证,不管你信不信,在半导体领域这事迟早会发生。
Laviv随即提醒了二者的关键差异:蛋白质领域的数据是开放的。
五、数据在谁手里,谁就占先机
Schirrmeister顺着这个话题说,关键就在"数据从哪来"。
他转述了Simon Davidmann(现为南安普顿大学教授)的框架:头部三家EDA厂商手握基础工具,在其上搭建智能体技术栈,新思科技也在这么做,接下来就看谁的传统EDA功底最强。擅长AI的团队需要先补上EDA这一课,而不是反过来,更麻烦的是,他们拿不到所需的数据,数据掌握在用户手里。
他举了两个例子:
三星:在优化片上网络(NoC)服务质量的项目中,同时用到了快速的传统引擎、SoC仿真器和硬件仿真器,并自建大语言模型,把内部数据全部喂进去。这些是公司自己的数据,不会外流,所以三星选择自己做。
Cognichip:认为需要用真实芯片设计和真实工程师来训练大模型,因此招募了芯片设计人员,并实际做过芯片。

写在最后
综合几位嘉宾的说法,智能体要真正改变芯片设计,至少绕不开三道关:
1.协同:各环节的智能体怎么编排,方法学还没有定型
2.经验:几十年积累的专业技能,如何转化为智能体可用的能力
3.成本与数据:算力开销、数据壁垒,可能让大公司继续领先
讨论中还有一个有意思的争论点:Darbari提到,英伟达GPU负责人曾在DVCon U.S.上表示,形式验证将取代仿真(此为Darbari的转述,原话和语境未经核实)。Laviv则猜测,AI可能催生自己的语言,直接生成可综合的SystemVerilog RTL代码放进硬件仿真器,从而减少对软件的依赖、跑得更快,UVM未必会一直存在。不过他也说,方法学能否快速改变,他自己也没把握。
本文据Semiconductor Engineering 2026年11月18日报道(作者:Ed Sperling)编译整理,内容为嘉宾个人观点,不代表其所在公司立场。
今日推荐
直播报名
