公众号记得⭐️，第一时间看推送不会错过。

《半导体工程》杂志邀请了ChipAgents全球客户成功副总裁Cindy Cui、 Silvaco首席执行官Wally Rhines 、Moores Lab AI首席执行官Shelly Henry、Breker Verification Systems首席执行官Dave Kelf、Verific人工智能开发主管Vince Wong以及Silimate首席执行官Ann Wu，共同探讨在芯片设计和验证中使用智能体人工智能的优缺点。

此次小组讨论在近期举行的2026年ESD联盟高管展望会议上面向现场观众进行。

SE：EDA领域的热门新话题是智能体AI。它将在半导体设计和验证方面发挥哪些作用？您认为它又存在哪些潜在问题？

Cui：智能体人工智能将重塑整个设计流程。它现在已经开始发生了。我们正在讨论很多应用场景，从设计验证（DV）到从右到左的文本生成，再到用户模型（UVM）、形式化设计，以及未来的前端到后端设计。它已经帮助很多工程师加快了设计周期。所以它正在发生，而且现在已经很成熟了。至于未来的挑战，我们面向全球数千用户，我们认为真正的挑战不仅仅在于技术本身，还在于组织转型——如何引导工程师适应新的解决方案并建立团队合作。这方面还有很多工作要做。我认为整个行业都必须携手合作，帮助我们为此做好准备。

Wu：我们公司的标语是“芯片设计师的副驾驶”。如今，我们致力于构建芯片设计师使用的AI模型、工具和智能体。这使得设计空间的搜索更加精准、规模更大。在以往的芯片设计中，由于人工操作和计算资源的限制，其可能性受到很大制约。现在，我们可以进行更多实验，进行更多试错。除了组织架构方面的挑战之外，我们面临的另一个挑战是如何判断实验结果的质量？以及如何快速准确地做到这一点？

Henry：我是从用户的角度来说的。我们拥有来自 Cadence、Synopsys、西门子等公司的所有这些强大的工具，但工程师仍然需要两年时间才能开发出一个芯片。为什么需要两年？这两年里究竟发生了什么？我们如何利用人工智能将时间缩短到三个月？我们可以做很多事情。我们可以生成设计，生成验证文档，进行调试。但归根结底，问题在于“如何证明？”你生成了 RTL 代码。你怎么知道它是正确的？你生成了规范，并根据规范生成代码。你如何关联并确保你生成的内容在所有方面都是正确的，即使是在进行测试平台测试时？你怎么知道测试平台是正确的？当你完成代码覆盖率统计时，你怎么知道没有任何东西被意外地添加到排除列表中？作为工程师，我们每天都在做很多复杂的工作。我们如何利用人工智能实现自动化，最终缩短生产周期？其核心思想是利用人工智能更快地制造芯片。

SE：这其中有多少是设计方面的问题，又有多少是能否搭乘晶圆厂的转运车，尤其是在先进制程节点上测试芯片的问题？部分原因是产能不足，因为都被那些大型芯片制造商占用了。

Henry：所有这些大公司都在大规模生产芯片——比如谷歌、微软、Meta、英特尔、AMD 等超大规模数据中心。晶圆厂也都是为了服务这些大公司而建的。如果你是一家小公司或初创企业，想自己造芯片，未来六个月能搭上台积电的班车就算走运了。这就是目前的生态系统。但我相信人工智能技术将使整个领域更加民主化，更多的人将能够以更低的成本、更快的速度制造芯片。这也将带动生产端晶圆厂生态系统的发展。

SE：回到最初的问题，人工智能会在哪些方面发挥作用，又会在哪些方面造成问题？

Wong：从积极的一面来看，这对每个人来说都将大大提高效率。从消极的一面来看，那就是对人工智能的过度信任。人工智能还没准备好让我们把所有事情都交给它，让它自主运行。这当然是目标，但遗憾的是，现实并非如此。目前，很多流程都无法自动化。它需要设置固定的环节，让人类参与其中。我认为现在人们还没有充分重视这一点，但这会逐渐成为主流，而且应该成为所有方法论的一部分。

Rhines：您谈到了加速设计环节。但还有另一个环节，那就是流程，而这在整个过程中却被忽略了。流程的复杂性以及运行原型晶圆所需的时间，使得传统的物理原型制作方法变得不切实际。我们必须能够为单元流程构建替代模型——即能够在计算机上而不是在实验室中进行流程集成。这是一个巨大的机遇，因为那些斥资250亿美元建造晶圆厂的人非常看重提前一个月启动生产。他们财力雄厚，而且会毫不吝惜地投入资金，这与受客户研发预算控制的EDA预算截然不同。因此，如果您拥有40年的仿真数据，并将其整合到这些替代模型中，那将是一个巨大的机遇。

SE：这实际上是对一个复杂得多的设计进行分而治之，对吧？这里面涉及的元素更多，尤其是在智能体人工智能方面。你如何将所有这些元素整合在一起？

Rhines：我们EDA行业的很多人最终都会出售或出租代理，或者向不愿透露其专有信息的客户提供数据库。我们可以为他们提供一个代理，利用其专有信息来校准我们的合成数据，使其符合流程或流程能力的预测标准。

Kelf：过去30年里，我们无数次坐在这样的讲台上，感叹“芯片设计发展如此迅速，我们该如何跟上？资源从何而来？世界正在崩塌，我们该怎么办？下一步是什么？” 而突然之间，我们找到了答案。毫无疑问，人工智能将对我们的业务产生巨大而深远的影响。问题是，“我们该如何实现这一目标？” 一方面，我们中的许多人正在将人工智能融入到我们的工具中，提高效率，并进行这些渐进式的改进。另一方面，似乎也存在着一个机会，可以彻底抛弃我们现有的一切，建立一个全新的流程。在EDA领域，这种尝试以前也曾有过，但通常都以失败告终，原因有很多。然而，或许这一次，我们可以尝试一下。问题在于，芯片设计并非像推荐你观看接下来10个视频那样的小生意，漏掉一个视频也无关紧要。这是一门精密的科学。制造芯片时，容不得1%的误差。它必须精准无误。因此，我们必须解决的问题是如何规避这个问题。我们如何确保这些人工智能设备能够做到绝对精准？

SE：如何衡量智能体人工智能的成功？

Rhines：这些改进更注重质量而非数量。当然，我们会在更短的时间内完成设计，发现比以往更多的bug，并大幅减少文档编写、初始RTL生成、测试平台创建和运行等繁琐工作。这些都能让人们腾出精力去从事更具创造性的工作。但最终设计的质量——或者至少是中间步骤的质量——才是智能AI与传统方式的真正区别所在。

SE：衡量成功的标准是时间零点，还是随时间推移？

Cui：这些指标将是一个不断演进的系统。过去，人工智能可以帮助单个工程师提高效率。但有了智能体人工智能，它就能在信任的基础上帮助整个工程团队提升效率。我称之为“可信加速”。展望未来，从初始阶段（T-0）开始，随着时间的推移，这最终将演变成一个自我演进的工程系统。我们完全可以构建一个能够从所有过往经验中学习、持续收集反馈并不断演进的系统。这才是未来行业人工智能解决方案的发展方向。

Wu：它会不断发展，尤其随着我们设计的系统能力不断提升。我们需要设定一些结果和指标，最终还是要以结果为导向。从软件行业的角度来看（这对我们来说是一个领先指标），甚至在我们所在的行业，曾经有一段时间大家都在思考“我们该如何使用人工智能？如何将人工智能的使用率提升到100%？”而现在，大家关注的焦点变成了“代币预算已经过时了。投资回报率在哪里？效率在哪里？”在我看来，关键不在于不断发展或具体的指标，而在于我们如何利用人工智能实现以前无法实现的事情。这才是对我以及我们客户而言的试金石。你可以将速度提升2倍到5倍。你可以自动化一些理论上需要投入大量人力才能完成的流程。我们可以讨论人才缺口问题，但真正的问题在于如何将12到18个月的周期缩短到6到9个月。答案在于全新的、超高效的流程，而这需要整个技术栈的协同作用。鉴于代理商拥有如此广阔的探索和提出想法的空间，如何在极短的时间内确保质量，从而在极短的时间内完成探索、验证和最终方案的确定？

Henry：这让我想起很久以前的一个故事。有个数学天才，他在台上表演，观众给他一些三位数乘法题，比如342乘以287。他算出答案后，观众看着计算器说：“哦，对了。”一切都很顺利。这时，观众席里有个喝醉了的家伙站起来说：“嘿，我也会算。”然后，又有人给了他两个数，137乘以784。他立刻回答7432。观众说：“错了。”他说：“嘿，但我很快。”很多事情你都能很快算出来，但你怎么相信呢？我们能用这个结果造芯片吗？我们今天也面临着同样的问题。我们有各种各样的工程师。有些非常优秀，有些则不然。我们如何才能相信这些不同工程师的成果呢？这仍然是个问题。我们尝试的解决方法是设置各种检查点、验证点和清单。但这非常随意，取决于你所在的公司及其采用的方法论。如果社区能就这些质量标准达成共识——比如一些基准或验证点之类的东西，让所有代理商都能朝着这些目标努力——那就很有帮助了，这样我们就能用一致的方式来判断“好的，输出结果是正确的，或者达到了一定的质量标准”。

Kelf：我本来想提一下基准。我们正在合作，努力理清更大的流程，以及我们如何才能更好地开展工作。我们首先想到的就是：“既然我们要合作，那么我们可以设立什么样的基准来衡量我们通过合作究竟能带来哪些改进？”这将是一个“做大蛋糕”的过程，如果我们合作并共同构建这些不同的部分，我们就能真正为行业带来巨大的改变。如果我们彼此竞争，那么一切可能都会失败。建立一些衡量指标，了解流程和我们取得的成就，然后看看我们每个人在其中扮演什么角色，这至关重要。如果我们能够在此基础上不断进步和发展，我们就更有可能取得成功。

（来源 ：编译自semiengineering ）