当AI智能体打通芯片设计的各技术孤岛

随着 AI 智能体在芯片设计领域承担的角色不断扩大，专业化分工与流程编排的重要性持续提升，但多方协同、管控与可信度问题仍是巨大挑战。

核心要点

• 芯片设计正向多个专用 AI 智能体协同工作的模式演进。

• 流程编排、系统集成与安全约束机制愈发关键。

• 人类工程师仍在设计与流程的指导、验证环节扮演核心角色。

• AI 智能体正变得更智能、能力更强，并且越来越多地针对特定任务做优化，这为使用小型语言模型创造了新机会，不必所有任务都依赖大语言模型。

这一转变对半导体行业影响深远，覆盖芯片设计制造本身，以及芯片在不同负载下的运行机制。大语言模型可以调度智能体集群持续推理、独立执行任务，但对绝大多数应用场景而言，属于性能过剩。

不过，缩小模型规模，或是减少智能体数量、降低单智能体能力，也会带来新难题。一种思路是把复杂工作流拆分给多个小型语言模型与智能体，同时保留芯片设计、优化、版图规划、验证、调试所需算力，还可识别制造工艺中会影响良率的异常与工艺偏差。该方案将人类专家经验与 AI 处理海量数据的能力相结合。

新思科技创新高级副总裁普里斯・班纳吉（Prith Banerjee）表示：“在早期为各类 EDA 工具开发智能体时，我们搭建了问答体系，一个智能体负责一类任务。但在多智能体工作流场景下，客户目标是完成芯片设计。比如遇到 PPA（功耗、性能、面积）不达标问题，部分工程师清楚要如何修改设计来降低功耗，于是采用时钟门控；但时钟门控又会增大芯片面积，这时就需要面积优化专家介入。这和现实场景完全一致：多名工程师协同完成系统设计，由项目负责人在多角色框架下统筹所有人的工作。”

下一步目标是将更多这类流程自动化、整合起来，而这需要增设更多安全约束，限定 AI 的操作边界。

Movellus 公司首席执行官莫・费萨尔（Mo Faisal）称：“模型会划定边界，相当于提醒‘你进入了我的业务领域，请守住你的职责范围’。行业会走向专业化。少数大型企业会自研大语言模型，但其余厂商都必须走专业化路线。顺便一提，AI 不等于大语言模型，大模型只是最主流应用，并非 AI 的全部定义。AI 可应用在众多领域，人们正在开发面向芯片的 AI，同时会计、法务、气象预测等领域也都有各自独立的 AI 负载。气象预测并不需要大语言模型，那样做效率很低。”

专业化有利有弊：智能体需要配置并集成到现有工具与工作流中，实现全链路无缝协作难度很高。这需要其他智能体或智能体集群负责编排调度，经过训练，把可能重叠的步骤串联起来。同时，解决问题的思路也需要转变：基于 CPU 的流程编排，其重要性不亚于甚至高于 GPU 上的乘累加运算。

楷登电子（Cadence）验证软件产品管理高级总监马特・格雷厄姆（Matt Graham）说：“我们已经发展到‘超级智能体’聚合层级，我们认为它所能实现的复杂度与价值，不亚于 EDA 工具本身。这属于全新一类工具。我们现在讨论的重点，已经从智能体本身，转向可动态组装成智能体的各项技能。整套体系由具备编排能力的超级智能体统一调度。就像过去客户通过自定义脚本，把 EDA 工具串联成设计流程；未来客户也将编写脚本，按需编排超级智能体、智能体工作流与解决方案，构建完整流程。”

这类超级智能体（也叫主智能体、管理智能体，该领域尚处于早期，命名方式还在持续演变），以及由它管理的子智能体，既可以协同运行，也可以独立管控。

Alpha Design AI（ChipAgents）首席执行官威廉・王（William Wang）表示：“子智能体可各自完成不同任务，还有部分场景采用多智能体联合方案。我们去年第四季度已经向行业发布多智能体方案，用于调试等场景。面对超大规模 SoC，如何优化性能？这就需要多个智能体并行读取不同上下文协同完成任务。同理，在功能 / 形式化验证中，多个智能体可分别处理不同的信号分组，并行调试与优化。这类能力至关重要。”

集成难题

芯片设计与制造要求可复现性与可预测性，但大量前沿芯片都是定制化设计。多芯粒集成器件尤为典型，它们通常面向特定数据类型或场景做优化，例如数据中心、智能手机、机器人。与此同时，智能体执行的所有操作都必须兼容现有工具、设计流程，而现有流程也需要适配智能体 AI 的快速迭代。

是德科技（Keysight）高级副总裁尼尔斯・法谢（Niels Faché）说：“客户一般会在某个平台内开展工作，例如楷登 Virtuoso、新思 Custom Compiler 或是是德高级设计系统，我们在该环境内引导客户运行面向特定应用的工作流。产品内置文档讲解工具的各类步骤、配置方式与使用场景，这套体系原本是供人类工程师协作开发复杂产品。引入 AI 之后模式完全改变，人类工程师将和数字智能体协同工作。所以我们必须重新设计产品。大家听过 MCP（模型上下文协议）服务器，我们会审视一款产品并思考：如何模块化它，通过标准化 API 开放各项能力。相关代码大多基于 Python 开发，让智能体能够拼接出基于代码的完整工作流。我们的工作就是保障客户获得 MCP 相关能力。”

这套方案想要落地，需要为智能体定义更清晰的目标，使其既能独立工作，也能与其他智能体协同；同时要更好地训练智能体以达成目标。法谢介绍：“如果你想让智能体完成一项任务，例如滤波器综合，你下达指令：‘设计一款带通滤波器，满足如下特性与频率范围’。智能体需要自主判断：滤波器是什么、仿真该如何搭建，这就需要参考案例。同时还需要 MCP 服务器，把这条需求拆解成一系列步骤，调用对应功能执行。过去在图形界面上完成的操作，现在转变为交付给智能体的技能样例，告诉它‘按这个方式执行任务’。”

智能体在必要时需要打通技术孤岛，但其余场景下必须遵守操作限制。当前人们对失控 AI 智能体的部分担忧，源于越来越复杂的查询任务，要求 AI 跨越孤岛边界 —— 而在 AI 看来，孤岛只是虚拟划分的边界；另一重风险来自智能体过高的自主权限。使用小型语言模型、无法突破沙盒、无法全网抓取数据的智能体，能够缓解风险，仅在获得授权时才允许跨边界访问。

西门子旗下明导（Mentor）EDA IC 软件业务执行副总裁安库尔・古普塔（Ankur Gupta）表示：“行业内仍然存在大量孤岛：从仿真 EDA，到产品生命周期管理（PLM，对应实物部署与运维），再到工厂产线。EDA 不再仅仅用于设计验证。我们开始讨论数字孪生，沉淀领域知识。随着大语言模型、小型语言模型投入使用，设想已经落地。我们为芯片、系统、仿真、PLM 等各个孤岛采集足够信息，构建数据本体。大模型与小模型都依赖数据运行，我们正在搭建统一数据层。上层是各个业务领域，各领域基于该层数据交互；同时也可以跨孤岛调用数据。”

这种跨域协同具备商业价值，相关问题的解决意义重大。整合多条工艺的晶圆厂数据，能够在芯片制造中节约巨额成本与时间。古普塔指出：“3nm、2nm 工艺一旦出错，损失可达 5 亿美元。所以这类 AI 引擎必须保持高保真度。我们已经使用强化学习、无监督学习超过十年。评判这类学习能力好坏的标准始终不变：能否输出可信结果。”

小型语言模型非常适合大量专业化任务。

SiMa 技术负责人施里尼瓦斯・库尔卡尼（Shriniwas Kulkarni）表示：“我们看到很多基于检索增强生成（RAG）的特定应用正在落地。小型语言模型在专用场景下效率很高，不必对大模型做量化压缩；企业可用自有数据训练小模型，保证高精度。”

业内其他人士也认同该观点。

Baya Systems 首席解决方案架构师苏拉布・盖恩（Saurabh Gayen）称：“行业正在构建上下文范围受限的专用智能体，再由顶层编排器统一调度。搭建智能体架构需要自上而下与自下而上相结合。讨论这类技术时常被忽略的一点是‘人在回路’。如果把整个问题当作黑盒，你是搭建一套分层黑盒模型直接输出最优结果，还是允许流程中途暂停，让人类介入并修正方向，告诉 AI‘不要这样思考，换这个思路’？AI 并不是用来替代工程师，而是增强工程师能力、拓展认知。”

人类工程师实际上是保障 AI 有效运转的粘合剂。他们至关重要，负责确定不同设计层级、多层制造工艺中的智能体该如何协同优化。盖恩说：“我们都在共同摸索。多层智能体的工程搭建本身是一门艺术。如果有人宣称找到了完美方案，那只是众多可行方案中的一种而已。”

但人类工程师本身也面临人才短缺。

ArterisIP 首席产品与营销官米哈尔・西温斯基（Michal Siwinski）谈到：“互联网泡沫时期，大家都想去做软件程序员，很少有人进入半导体行业，造成人才储备断层，现在才缓慢恢复。但能深度参与芯片设计的资深工程师缺口依旧存在。智能体 AI 可以填补一部分人才缺口。它不完全是加速工具，更多是弥补人力短板。工程师不可能无休止加班赶项目。”

数据洪流

所有这些挑战与技术进展的根源，都来自数据利用方式的变革。沙盒越界、逆向工程，甚至 AI 芯片的性能与功耗，全都取决于数据的生成、传输、存储与安全。真实场景数据质量更高，而合成数据经过专家工程师调优后，也可以逼近真实数据效果。

Movellus 的费萨尔提到：“出现了一类新岗位：只要你是某领域顶尖 1% 专家，就可以专门和大语言模型对接协作。”

模型会持续迭代，由智能体调用部署。

思尔芯（Silvaco）首席执行官沃利・莱茵斯（Wally Rhines）表示：“晶圆厂目前还没有自研这类 AI 模型。所有人都想用 Claude 处理一切任务，仿真各类场景。但物理工艺有本质区别：器件物理规律决定工艺改动带来的影响。我们拥有多年 SPICE、BSIM 模型积累，TCAD 工程师使用 Jump 语言，形成了独立的技术体系，习惯于沿用传统方法。行业需要创新人才，基于合成数据生成模型，再用真实数据校准，搭建虚拟模型。”

莱茵斯还说：“某些场景下，售卖智能体产品会比售卖纯软件更合适。EDA 行业目前还没有厂商真正基于 token 计费，依旧沿用传统定价模式，但客户都在讨论这种新模式。如果售卖一款智能体，它自动完成校准，把物理实测数据与仿真合成数据库做比对。厂商不必对外暴露敏感物理数据，但可以统计智能体消耗的 token 数量。这给 EDA 厂商提供了一种产品售卖模式，既实现商业收益，又保护企业私有底层数据。”

未来展望

AI 带来的部分变革，和过往技术迭代有相似之处。

Movellus 费萨尔：“可以类比 21 世纪初，当时 GHz 主频竞赛戛然而止，行业转向多核架构。大家一度认为 GPU 会一统天下，后来演变为 CPU 与 GPU 协同。每 10 到 15 年就会经历一轮架构大变革。最大区别在于，当年一颗芯片的边界就是掩膜尺寸；现在，整个数据中心可以视作一个巨型芯片，大量 GPU 协同工作如同单颗芯片。瓶颈会先转移到数据传输，待该问题解决后，新的瓶颈又会出现。”

但不同之处在于，未来系统组件的组合方式与使用模式。

ArterisIP 的西温斯基：“我们都认可智能体工作流能大幅提升生产力，编排调度是核心议题。跨域多智能体方案非常有价值：它让模拟设计工程师、验证工程师、形式化验证工程师使用统一的交互逻辑。希望借助智能体 AI，这个目标更容易实现，形成统一认知。智能边缘时代正在到来，我们有充足理由持续优化，开发更多定制化软件。”

最大的未知变量是：工程师在这个遍布 AI 智能体的世界里，究竟处于什么位置、以何种方式参与工作。所有迹象表明，行业仍然离不开工程师的专业能力，但工程师的工作模式将如何演变，尚无定论。

ChipAgents 的威廉・王：“依托多智能体协同，未来会出现虚拟芯片企业，由多名虚拟 AI 工程师协作，组成智能体研发组织。未来一部分芯片公司会走向虚拟化。观察物理 AI 与机器人领域就能发现，机器人行业迟迟未能大规模落地，一大原因是缺少专用芯片。打开冰箱门，人类只需要一秒，机器人却要 20 秒，这让很多项目止步。但未来机器人企业会自研 ASIC。这类芯片引擎与 AI 平台，将是物理 AI 机器人公司的核心支撑，企业可以自主完成芯片开发。”