8月25日，CadenceLIVE China 2026中国用户大会在上海前滩香格里拉酒店举行。大会设置主题峰会及七个技术分会场，议题覆盖模拟设计、数字设计与签核、AI辅助数字设计、系统分析、系统设计、验证及IP功能签核等芯片与系统研发环节。

过去三年，AI对半导体行业最直接的影响，是训练和推理需求催生了更多GPU、HBM以及定制AI芯片。如今，AI开始反过来介入这些芯片的研发过程。

四大会计师事务所之一德勤在《2025年全球半导体行业展望》中将“AI推动芯片设计流程进一步演进”列为半导体行业的重要趋势之一。其指出，AI已经开始辅助工程师优化芯片性能、功耗和面积（PPA）；生成式AI又进一步加快了设计迭代，推动芯片设计“左移”，将测试、验证和确认等环节提前。

Cadence资深副总裁兼数字与签核事业部总经理滕晋庆在大会演讲中，将Cadence面对AI的方向概括为两条线：Design for AI 和 AI for Design。前者是利用EDA和系统设计能力，帮助客户设计更先进的AI芯片、构建更强大的AI系统；后者则是把AI引入芯片和系统设计流程，提高研发效率、加速创新，缩短产品上市耗时。

Cadence

但芯片设计与普通软件开发存在根本差别。软件代码出现问题后仍可以通过更新修复，而芯片一旦进入流片和制造阶段，修改的时间与成本都会迅速上升。大模型能够生成RTL，并不意味着它已经能够独立完成芯片设计。滕晋庆指出，真正困难的并非如何生成RTL，而是让结果同时满足功能正确性，并获得最佳的PPA。

Cadence因此提出“三层蛋糕”框架：最上层是不断演进的AI和智能体，中间层仍是建立在物理、数学和计算机科学基础上的EDA核心算法，最底层则是支撑这些任务运行的高效计算平台。滕晋庆表示“唯有这三层深度融合，我们才能把AI的潜力真正转换成生产力”。

Cadence今年密集推出的一系列Super Agent，就是沿着这套“三层蛋糕”向不同设计环节衍生：ChipStack面向数字前端设计与验证，ViraStack负责模拟和定制芯片设计，InnoStack进入数字后端实现与签核，AuraStack覆盖PCB和先进封装，位于更上层的AgentStack则负责协调不同Super Agent共同完成跨环节设计任务。

随着自动化正在从单点工具走向更长的工程流程，同时也对底层算力产生了更高的要求。滕晋庆提到，计算平台正从过去主要依赖多核x86 CPU，走向GPU、TPU、Arm及各类专用AI芯片，各种设计，各种计算架构共存的时代。

但设计方式发生变化之后，新的问题也随之产生：什么样的计算硬件才能承载这些智能体？

这也是大会第二场进入的议题。

此芯科技创始人、CEO孙文剑提出，智能体计算正在改变过去以GPU为中心的AI计算模式。他认为，GPU依然承担训练和大型推理任务，但多智能体运行时的任务管理、任务分配和系统调度更多需要CPU参与。

孙文剑预计，未来计算架构将从过去以GPU为中心转向CPU、GPU、NPU协同的异构计算：CPU负责智能体管理和任务调度，GPU继续承担大型推理和训练任务，NPU等专用单元则更多承担低功耗、高能效的AI推理。

Cadence

与此同时，Agent往往需要持续运行并实时响应，也让能效、响应速度和安全成为新的约束。孙文剑称，如果智能体长期运行在PC、手机等设备上，功耗不能因此大幅上升；而当Agent越来越像用户的“数字分身”，本地数据隐私和可信执行的重要性也随之提高。

基于这一判断，此芯以CPU为智能体计算的核心之一，融合GPU、NPU等异构算力，并通过操作系统实现软硬件协同。孙文剑透露，此芯目前已在6nm工艺上完成三颗芯片，形成高中低产品矩阵；下一步将在继续迭代芯片的同时，向软件栈和开发工具延伸，并进一步覆盖端、边、云全场景智能体计算。

当设计工具和计算芯片都开始适配Agent的工作方式后，问题便进一步落到企业内部：Agent如何真正进入研发流程，把局部环节的能力提升转化成端到端的研发效率？

要实现这一点，还需要一个同时兼顾连接算力、数据、EDA工具和安全体系的平台。字节跳动旗下云服务平台火山引擎副总裁张鑫此次回答的正是这一问题。

他以AI Coding为例称，大模型生成代码的速度可以达到人工敲键盘的10倍以上，但在字节内部，端到端产品研发效率提升约为60%。他解释称，当智能体真正嵌入业务和生产系统后，需要解决的已经不只是代码生成，还包括长任务执行、任务规划、流程推进以及根据反馈不断修正结果。更关键的是，模型还要与企业已有的上下游系统、工具和数据联动，并在合适的Checkpoint引入“Human in the Loop”，由人参与判断和校正。

来到半导体行业，这些问题又进一步放大。张鑫将挑战归结到几个层面：一是算力，芯片从前端设计到后端验证、回归等不同阶段，算力需求可能相差10倍以上，算力配置过少会在高峰期不足，配置过多又容易造成浪费，同时大规模任务还会带来资源调度和分布式架构的问题。

Cadence

二是数据和模型。半导体行业的数据具有较强的专业性、稀缺性和隐私性，如何把行业知识和足够规模的数据注入大模型本身就是一道门槛；而芯片设计和仿真又包含大量持续时间长、步骤复杂的任务，一个微小误差最终都可能被放大，因此模型不仅要能生成结果，还要解决长任务执行、结果可信和可解释性的问题；此外，IP、工艺设计和核心数据的保护，也在安全层面上构成挑战。

针对这些挑战，张鑫将火山引擎面向半导体行业的方案概括为三个部分：Cloud for IC是“用算力换时间”，通过云端弹性资源应对芯片研发不同阶段的算力波峰波谷，将企业固定的资本开支（CapEx）转化为可调度的运营支出（OpEx）；AI for IC是“用算力换智能，再用智能换生产力和创造力”，让大模型从单点代码生成进一步进入需求分析、RTL设计、验证以及软件开发等研发流程；Security for IC则贯穿整个生命周期，围绕计算、数据和智能体运行建立安全防护。

展望未来，张鑫认为，随着模型能力继续提升，更多过去效果不好的应用场景还会被逐步“解锁”。与此同时，半导体行业还需要建立更成熟的Agent评测和优化体系，并将芯片企业积累的行业Know-how沉淀为可以被模型和Agent调用的Skills。火山引擎也希望与更多芯片企业和合作伙伴共创更多应用场景、共同建设面向芯片设计的评测和优化体系。