让数据和人工智能在EDA中发挥更大效用

电子设计自动化工具会产生海量数据，但这些数据对人工智能的实际价值几何？行业正探寻新方法，助力人工智能发挥更佳效能。

半导体设计过程会产生海量数据，但其中有多少能被人工智能工具利用、又有多少具备实际价值？若能获取更优质、更易访问的数据，人工智能的工作效率又能提升多少？这些都是半导体企业和 EDA 工具厂商一直在探索的开放性问题。

已有报告显示，将智能体人工智能（Agentic AI）应用于现有工具和数据，已取得显著成效，能为重复性任务或优化工作构建高效的反馈循环。但要充分发挥智能体工作流的价值，行业或许需要先沉下心来解决基础问题 —— 半导体研发流程中的数据会持续变化，而不同设计阶段、不同设计项目之间的数据关联性，目前尚未得到充分考量。

实现左移设计的前期工作已为解决这一问题奠定基础。左移设计即利用后期流程的近似仿真结果，在设计初期做出科学决策，这一过程往往需要对数据进行抽象处理或构建降阶模型（ROM），而这些工作都需要实现自动化，这也可能需要借助人工智能技术。

当下的行业数据现状

工程师们目前正借助 EDA 工具生成的信息，顺利完成芯片的设计与验证工作。南安普顿大学人工智能与 EDA 领域研究员西蒙・戴维曼表示：“我们获取的几乎所有数据，我都称之为‘以人为核心’的产物 —— 这些数据都是为工程师查看、研究而设计的。无论是日志文件还是波形图，其语义性都十分薄弱。我们手握海量数据，却无法通过这些数据清晰知晓其实际作用。多数工作流都将数据视为副产品，而非可调控的抓手，而数据本应成为指导设计工作的核心服务。”

大语言模型虽能读取这类数据，但部分内容的解读存在主观性。Vtool 公司首席技术官奥利韦拉・斯托亚诺维奇称：“理论上我们可以生成更多数据，但最大的机遇在于从现有数据中挖掘更大价值。我们的目标并非追求数据量，而是数据质量。智能代理能够挖掘日志文件和波形图的价值，更全面地呈现验证工作的进展。优化日志记录方式已能提升分析深度，而人工智能辅助的日志生成技术将进一步突破这一上限。行业的工作重点应是通过数据分析，将现有数据转化为具有实际意义的设计指导。许多团队在发现智能代理能从日志中提取大量关键信息后，都会主动优化自身的日志记录体系。”

验证等流程会产生海量日志文件和各类信息，而梳理这些信息正是人工智能的核心应用场景。IC Manage 公司首席执行官迪恩・德拉科表示：“我旗下的企业已在多个环节应用人工智能，其中调试环节的应用尤为深入。芯片设计过程中会运行大量流程，涉及众多芯粒、芯片组件和知识产权模块，一旦某个环节出现问题，我们能通过仿真检测到异常，却需要耗费大量精力排查问题根源。而人工智能在梳理海量日志、数据集和各类信息，以及定位问题方面，效率极高、表现出色。”

不过，目前仍有大量 EDA 工具生成的数据未对用户开放。新思科技首席产品经理吉姆・舒尔茨指出：“EDA 工具会产生大量数据，但大部分都未向用户开放，这些数据仅由工具的核心引擎用于信息交互和纠错调整。多数用户也并不需要这些数据，因为他们无法将其有效利用于设计优化。”

但这是否意味着行业还需要更多数据？戴维曼给出了否定答案：“我认为并非如此，我们需要做的是优化数据监测方式，让数据以标准化的形式呈现。这是行业面临的核心监测难题，关键在于实现数据的可观测性、语义化，以及对数据的管控与治理。当下的问题是，EDA 工具生成的数据都是面向人类的‘冗余产物’，并非能被机器直接利用的有效依据，只是单纯的信息输出，工程师需要耗费大量精力去梳理分析。”

并非所有人都认同这一观点。ChipAgents 公司首席执行官威廉・王表示：“EDA 行业一直存在一个固有认知，即工具输出的数据是‘为人类服务的’，但事实上这一观点早已过时。一次简单的回归测试就能生成数百万行日志和海量波形文件，没有工程师能逐字逐句看完所有内容，他们最多只能通过关键词检索、查看少量波形片段，对疑似异常的内容进行分析，其余绝大部分数据，实际上都成了机器产生的‘冗余信息’。”

EDA 数据的体量极为庞大，单次设计快照的数据量往往就能达到数太字节。新思科技资深院士比尔・马伦称：“数据存储需兼顾存储空间最小化和访问高效性，人类可读性不应成为首要考量，但必须保证能对数据进行提取和可视化，方便工程师理解。”

要实现实质性突破，行业必须重视对管控数据的研究。西门子 EDA 产品负责人萨蒂什库马尔・巴拉苏布拉马尼亚表示：“目前我们拥有的数据量已足够支撑人工智能的应用，只是在数据构建方式上仍需优化，以提升其可推导性。核心问题在于如何对数据湖中的数据进行标注、如何将数据库向量化、如何对接所有相关数据源，以及如何让数据湖与团队的工作需求保持同步。在构建数据湖时，我们会为每一份数据标注信号类型、标签、来源，同时明确其适用场景、禁用场景，以及可适配的软件版本。当我们将数据开放至数据湖时，能为其添加大量相关标注信息。”

此外，数据的覆盖范围也需要进一步拓展。穆尔实验室人工智能公司创始人兼首席执行官谢莉・亨利表示：“当前的 EDA 工具并未充分利用所有可用数据，主要原因有两点：一是支撑智能体人工智能有效运行的大部分数据，都分散在各工具专属的数仓中，尚无标准化方式实现跨工具的数据关联；二是这些数据大多‘被困’在人类可读的日志、报告和工具专属数据库中，并非为机器解析设计的结构化数据。”

一旦解决上述问题，当下 EDA 工具生成的大量数据甚至可能不再需要。Normal Computing 公司产品工程负责人阿尔温德・斯里尼瓦桑称：“在原生人工智能工作流中，EDA 工具目前生成的大部分数据最终都会变得多余。这些数据中很大一部分都是中间产物，其生成的唯一目的，是让工程师确认某个设计步骤已正确完成。但这类中间产物大多可以直接舍弃，因为它们的存在只是为最终产品服务。”

这也意味着 EDA 工作流需要做出变革。亨利补充道：“事实上，从整个 EDA 生态来看，我们能找到所有目前已知的、可利用的数据 —— 这也是各类 EDA 工具被研发出来的初衷。设计遥测模式的研发，有望将设计和工艺状态转化为可查询的图谱，并通过极简的应用程序接口（API）实现跨工具的数据共享。未来可根据实际需求，对这一模式进行优化，以提供更多维度的数据。”

未来的 EDA 发展，需要与当下截然不同的数据体系。斯里尼瓦桑表示：“从长远来看，芯片设计将实现从需求规格到物理设计的端到端直接落地，那么只要我们拥有能验证设计评审结论的模型 —— 这些结论原本需要通过中间产物让工程师确认，我们又为何需要 EDA 工具生成的中间输出？行业真正需要思考的问题，并非‘我们生成的数据是否足够’，而是‘我们是否为真正重要的工作流，生成了合适的数据’。”

人工智能智能代理技术

如今，多数人工智能智能代理只能读取单个 EDA 工具生成的数据（可能包含多次运行结果），并试图从中推导有效信息，最终可能会对设计方案或工具运行参数做出调整。Normal Computing 公司人工智能工程师金道润表示：“工程师会根据仿真结果反复优化参数，在少量迭代后收敛至预期的性能目标，人工智能智能代理的工作模式与之相似 —— 它会持续从仿真和其他流程生成的数据中提取洞察，为后续决策提供依据，而这类工作模式的落地，需要标准化程度较高的数据支撑。”

人工智能智能代理的价值，要么是产出更优的设计结果，要么是大幅节省工程师的工作精力。巴拉苏布拉马尼亚称：“在同一问题的不同版本迭代中，实现跨运行过程的知识迁移，将成为核心关键，其能带来的效益也十分可观。一旦我们构建起不牺牲精度的自验证检查循环，不仅能大幅节省计算资源和软件许可证的使用时间，还能快速得到设计答案。而当智能体工作流落地后，效率还将实现数量级的提升。针对特定任务优化后的智能体工作流，能知晓设计的历史版本，也能明确如何设计回归测试才能实现产能最大化，并在后续的运行中直接落地这一策略。”

而识别设计中的变化，是实现这一目标的核心。威廉・王表示：“工程师真正需要的并非更多的工具输出，而是更高层级的工作流编排：哪些故障是新出现的？哪些是无意义的噪声？哪些流程需要重新运行？设计发生了哪些变化？芯片是否已具备流片条件？我们应将日志和波形图视为智能控制层的遥测数据，人工智能智能代理能持续对回归测试结果进行分类、聚类故障、挖掘根因，并驱动后续的工具运行。人类只需参与决策判断和审批签字，而工作流的实际运行则由智能代理完成。在当下的芯片设计规模下，这并非锦上添花的功能，而是在流片前管控设计复杂性的唯一途径。”

EDA 工具的智能体人工智能能力正在快速演进。马伦表示：“这类能力能充分利用所有可用数据，无论是当前设计产生的数据，还是过往同类、异类设计的运行数据，都能成为优化依据，进而提升设计结果的质量，让优化工作能基于历史数据进行精准调优。”

行业需要在现有能力的基础上持续突破。亨利称：“EDA 行业正处于人工智能发展的关键拐点，要延续摩尔定律核心的性能和生产效率提升趋势，关键在于利用智能体人工智能补充、增强（而非替代）工程师的能力。这一切都始于重新规划 EDA 工具的数据需求，并利用人工智能构建统一的‘设计遥测’模式，就像现代云系统对追踪数据和指标进行标准化那样。”

目前已有部分问题的解决，需要整合多个工具、多次运行产生的数据。斯托亚诺维奇表示：“我们将验证工作视为大数据问题来解决，通过数据分析和建模，将海量仿真输出转化为清晰、可落地的洞察，让工程师获得前所未有的设计可视性和管控能力。故障分类的核心，是检测通过性测试中隐藏的异常、可视化设计的行为模式，并将设计或测试平台的变更与故障进行关联分析。这类可视化分析，能挖掘出那些原本被隐藏的设计规律和异常点。”

人工智能能为验证工作节省的每一分钟，都能为行业带来巨大增益。德拉科举例道：“比如在设计无实质变更的仿真工作中，人工智能就能发挥巨大作用。它能基于 Verilog 设计或门级设计，高效生成虚拟或真实的测试用例，充分验证设计的各项性能，从而大幅提升设计的测试覆盖率。”

只要数据能在需要时被快速检索，就无需将所有数据都进行输出。戴维曼表示：“我们在开放硬件领域研发了 RISC-V 验证接口（RVVI），核心目的就是打造可交互的追踪数据。这一接口不仅定义了追踪数据的格式，还开发了与模型交互的 API，使其成为一套数据交互的标准协议，而非单纯的追踪数据和截图查看工具。这才是正确的发展方向。未来，我们可以将这些工具封装为人工智能智能代理的子组件，实现更多功能。工程师可以向智能代理提出关于设计和追踪数据的问题，而非让其单纯地复述信息。我们需要为智能代理提供真实的运行依据，而非仅有的追踪信息，并实现数据溯源，这将彻底改变智能代理的工作模式。”

模型上下文协议（MCP）

长期以来，EDA 行业一直通过 API 调取工具的内部数据。Amiq 公司首席执行官克里斯蒂安・阿米特罗亚伊表示：“模型上下文协议（MCP）这一开放标准的推出，让行业迈出了关键一步，它实现了人工智能智能代理与外部数据、应用程序的互联互通。我们研发的 MCP 服务器，能通过这一协议，将完整的设计和验证层级编译数据库中的信息，开放给人工智能智能代理，尤其是代码生成类的智能代理。训练数据不足、缺乏上下文信息，会导致人工智能出现幻觉现象，或生成错误的寄存器传输级（RTL）代码、测试平台代码。而我们通过让智能代理利用语言语义和项目上下文的深度知识，有效解决了这一问题，确保代码生成的准确性。我们坚信，其他 EDA 工具也会找到利用我们数据库中数据的新方式，而我们也将通过 MCP 协议，为行业提供更多有价值的信息。”

这一协议已在行业内获得广泛关注。巴拉苏布拉马尼亚称：“我认为行业和客户共同的核心需求，是打造兼容 MCP 协议的产品。MCP 服务器本质上就是人工智能领域的 API 层，只是功能更为智能。我们可为每款产品搭建专属的 MCP 服务器，然后开放并定义所有操作指令。结合智能代理、大语言模型和检索增强生成（RAG）架构，就能为各类应用场景构建自优化的工作流，最终实现设计目标。”

MCP 协议也有望成为企业的产品差异化竞争优势。斯里尼瓦桑表示：“随着芯片企业的人工智能应用从‘副驾驶’向‘全职工作者’转变，EDA 工具必须从根本上实现与这些人工智能工具的兼容。EDA 厂商完全可以通过搭建 MCP 服务器，让外部系统以编程方式调取工具的内部数据、向工具输入外部数据。目前尚不确定所有厂商是否都认为这一模式具有优势，但头部芯片企业必将推动这一发展方向，若某家 EDA 厂商拒绝跟进，这些企业便会选择与之合作的竞品，而 MCP 协议也将成为企业的核心竞争点。”

不过，MCP 协议的落地还需要考虑一些细节问题。德拉科表示：“如今整个行业都在讨论 MCP 协议，搭建该协议本是为了让工具的协作更高效，但我们发现，实际应用中并非所有场景都需要 MCP 协议，有时它甚至会成为阻碍。为人类编写的文档本就具备较高的参考价值，即便我们将其转化为更适合机器读取的格式，能提升的解析效率也十分有限，那又为何要耗费精力去做这件事？这正是人工智能的优势所在 —— 即便数据格式不同，人工智能也只需多花一分钟就能完成解析，而我们无需额外投入精力去开发、维护新的文档或数据格式。”

问题的核心在于，MCP 协议的设计存在优劣之分。巴拉苏布拉马尼亚称：“为一款产品搭建 MCP 服务器并非难事，但可能存在运行不畅的问题，或仅能在 20% 的场景下正常工作。每款产品都需要拥有专属、规范的 MCP 服务器搭建方案，同时还需要一个高效的 MCP 编排器，对特定工作流中的所有 MCP 服务器进行统一管理，这一点至关重要。我们已发现部分客户自行搭建了 MCP 服务器，但随后反馈称，为某款产品搭建的服务器无法正常运行，这是因为他们并非完全了解产品的底层逻辑。而由厂商自主搭建，才能打造出高效的 MCP 服务器。因此，MCP 协议的兼容性将成为行业核心，而这一趋势已在逐步显现。”

这一目标的实现，需要行业各方的协作。德拉科表示：“EDA 工程师是全球最顶尖的技术人才之一，他们同时精通软件和硬件知识。行业内有大量软件工程师和人工智能工程师，但他们对硬件设计一无所知；而硬件工程师虽掌握设计能力，却只会使用 EDA 工程师开发的工具。EDA 是一个极具挑战性的行业，目前行业的发展方向是正确的，从业者也在做着正确的探索，但整体仍处于‘野蛮生长’的阶段，没有人能预知最终的发展结果和行业变革。”

戴维曼对此表示认同：“我们需要将掌握设计、验证等领域专业知识的人才，与人工智能专家汇聚在一起。只要双方通力合作，两年内就能取得突破性的成果。因为仅凭人工智能，无法解决 EDA 行业的核心问题；而 EDA 行业的发展，也需要人工智能技术实现下一代的跨越，二者的融合是必然趋势。”