EDA的未来：基于证据的自动化
加入技术交流群
收藏人工智能或许可以加速半导体设计，但想要信任这套自动化流程，使用者仍需要形式化证明、语义连续性以及可审计的工作流。
核心要点
AI 在 EDA 领域最大机遇是工作流层面的编排调度：跨原本割裂的设计阶段，统一协调工具、人员、约束条件与领域知识，而不只是单独提升某一款工具性能。
建立信任需要证据与语义连续性。AI 生成的建议或断言，必须保留设计意图，并且能够通过确定性验证、形式化证明、可复现性、审计追踪实现独立核验。
新一代 EDA 模型是人类引导、智能体驱动的自动化：AI 负责重复性的协同调度、设计探索、调试与任务交接；工程师保留对规格定义与签核的最终控制权，成熟 EDA 引擎提供基准真值。
AI 落地 EDA 的时代背景：工程师已无法单纯依靠暴力算力缩放来提升性能与功耗指标；独立单点工具之间产生的信息断层，需要耗费越来越多时间去弥补。
随着设计规模扩展至数百亿晶体管，并在多芯片组件中集成芯粒，最棘手的问题越来越多地出现在工具之间：保留设计意图、管理相互依赖关系、在流片前识别潜在失效。在先进工艺节点，设计成本可达数亿美元，一次重流片甚至会威胁整个项目。AI 真正的价值，取决于它能否加速设计流程中的各个环节，同时整理、解读支撑结果可信度所需的数据。
整个行业需要在可靠性与实用性之间取得平衡。资深工程师全球短缺的现状并未缓解，但这也让工作流自动化变得更有吸引力 —— 前提是自动化能够提升工程师生产力，或产出同等质量的结果。
西门子明导 EDA IC 软件业务执行副总裁安库尔・古普塔（Ankur Gupta）表示：“所有客户都在提同一个需求：至少把拿到最终结果的周期缩短一倍。市场需求正在推动 EDA 走向全新运行模式：更快的引擎、更智能的执行、可信的结果。加速能力可以来自 GPU、机器学习或强化学习，但更大目标是缩短设计周期，同时不丧失对结果的信心。”
智能体层级同样需要考虑效率。任由任意智能体调用任意工具固然灵活，但如果底层接口编写质量差，会带来高昂成本与低下效率。行业目标是提前完成大部分集成工作，让客户既可使用厂商提供的智能体，也可使用自研智能体，避免承担不必要的 Token 消耗与编排开销。
随着工程师在设计流程多处引入 AI，AI 方案的经济性变得愈发重要。
新思科技 AI 卓越事业部副总裁托马斯・安德森（Thomas Andersen）称：“如果 Token 开销高于人工成本，这套方案就没有价值。智能体 AI 只有在降低生产工作流成本与复杂度时才有意义。智能体循环可以完成原本需要专家手动执行的一连串任务，既可以自动化重复步骤，也可以跨工具协同工作。所有人都希望实现工作流自动化；他们选择智能体自动化，以此提升生产力、缩短流片周期、削减成本。”
难点不在于接入某一款工具，而是把智能体集成到客户真实的设计流程中。
当前挑战
半导体设计本身就是多工具流程，覆盖架构、IP 配置、集成、验证、实现与签核。难点不只是在工具之间传输数据，而是保留数据背后的设计意图、前提假设与工程上下文。
ArterisIP 产品管理与营销副总裁安迪・南丁格尔（Andy Nightingale）解释：“在系统层面，大量 IP 模块之间、越来越多的裸片之间，互联关系、地址映射、性能约束与安全要求必须保持一致。工程师往往充当着这套体系的集成层。”
系统复杂度越高，这件事就越难。南丁格尔表示：“同一套架构意图，在集成、性能分析、验证、物理实现环境中会有不同表达。一旦这些表达出现偏差，就会产生额外验证迭代、人工返工，并且在后期才发现系统级问题。因此，工具间的深度优化，需要在整个设计流程中维持语义连续性，而不只是保证文件格式互通。”
尽管如此，AI 对 EDA 的实际影响，更多是简化流程周边的辅助工作与数据管理，而非直接接管签核环节。
是德科技新业务经理克里斯・缪思（Chris Mueth）说：“这部分工作的价值，已经不亚于核心仿真器与版图工具，AI 可以在这里大幅提速。”
芯片设计本质上像一场接力赛，需要数十种专用工具：架构探索、寄存器传输级（RTL）、代码静态检查、跨时钟域检查、形式化验证、仿真、逻辑综合、布局布线、时序与功耗签核、物理验证、等价性检查、可测试设计（DFT）以及硅后实测对标。
Axiomise 首席执行官阿希什・达巴里（Ashish Darbari）表示：“每款工具由不同厂商开发，采用不同数据模型，对‘设计完成’的定义也各不相同。绝大多数痛点都出现在任务交接环节。正如相关调研所述，EDA‘天然是多阶段、强交接依赖’的领域。在签核之前，每一份设计产物都会跨越工具、会话与组织边界。每一次数据转移，都有可能丢失信息、静默曲解设计意图，或是把某款工具内的局部最优决策，传递到下游形成全局次优结果。”
达巴里将工作流核心痛点归纳为几类反复出现的失效模式：
缺少共享语义模型。逻辑综合、布局布线、签核工具仍只针对局部目标做优化，无法可靠预判下游影响。同一厂商平台内可缓解，但跨厂商、设计与验证之间的语义鸿沟依旧巨大。
设计与验证之间的信息丢失。RTL 中承载的设计意图，常常无法转化为机器可校验形式，工程师只能从模糊的自然语言描述重新编写测试平台、断言、覆盖率模型、约束与豁免规则。首片硅成功比例大幅下滑，多数重流片根源仍是设计错误。这属于工作流与意图传递问题，不只是算力问题。
碎片化数据格式与封闭数据库。行业缺少一套中立、不绑定厂商的通用数据模型，跨工具 AI 项目往往先要重新编写解析器，而不是直接针对设计问题做智能分析。
协调成本。工程师耗费大量时间，在相邻工具之间对齐约束、豁免项、时序例外、覆盖率排除项与版图意图。大量工作属于流程台账维护，而非验证本身。
局部最优，全局受损。某工具达成自身局部指标，却引入下游收敛难题，例如造成布线拥塞的网表、引发另一轮工程变更（ECO）的保持时间违例。行业机遇在于跨边界优化，而不是局限在单一工具内部。
可信 EDA：签核工具本身也存在缺陷。相关论文显示，Equifuzz 工具在三款主流商用 C 转 RTL 等价性检查器中，一共发现 16 个独立缺陷，其中包含误判 —— 将不等价设计判定为等价。这个教训不限于等价性检查：AI 自动化任务交接时，不仅要保留数据，还必须保留每一项结果的前提假设、适用边界与证据状态。
这正是 EDA 领域 AI 进入下一阶段的原因：从优化单个工具，转向协调工具之间的人员、引擎与领域知识。
Alpha Design AI（ChipAgents）首席产品官索莱曼・拉希姆（Solaiman Rahim）表示：工具层面的 AI 已经提升了各个引擎性能，但更大机会在于协调工具与人员之间的依赖关系。例如 DFT 工程师完成可测试设计插入之后，仍需要时序分析、专家解读与多轮修复才能交付，每一次交接都会耗费数日。“如果 DFT 智能体负责 DFT 插入，时序智能体运行时序分析并调试时序，两个智能体协同工作，原本需要数周的工作，有望缩短到数小时。”
这种提速不能只依靠脚本。工作流需要获取跨团队沉淀的方法论、设计知识与上下文。拉希姆提出构建本体层，用来捕获专家工程师规避特定单元、选择约束、调试重复性故障背后的原因，让这些经验可以提供给经验不足的工程师，也可以供给协同 AI 工作流使用。
在数字主流程之外，同样需要这种跨域工作流协同，尤其是物理分析场景，需要在多个工程领域之间传递设计数据、假设与结果。Vinci 半导体电子业务市场负责人萨蒂什・拉达克里希南（Satish Radhakrishnan）认为，基于物理的分析面临同样的工作流难题。专用工具单独使用效果良好，但模型准备、数据传输、专家交接与结果解读，仍然拖慢迭代循环。等分析结果返回时，设计可能已经变更。
随着芯片、封装与系统耦合越来越紧密，芯片层面改动会影响封装与电路板温度、机械应力、翘曲与可靠性，这些物理效应不受工具与团队边界限制。
拉达克里希南指出，大量延迟发生在求解器启动之前：工程师清理几何模型、划分网格、设置材料与边界条件、在设计与仿真专家之间传递结果。这套流程只支持定时分析，无法在每次设计变更后快速给出可靠反馈。他的目标是从孤立的仿真检查点，升级为嵌入设计流程的连续物理推理。
EDA 工作流的发展方向
ChipAgent 的拉希姆预测，下一代 AI 辅助能力的核心是理解设计意图，而不只是解析单元与连线。“例如在 SoC 调试场景，AI 系统若能理解正在执行的指令、对应的内存操作、波形中相关周期，就可以像资深设计师一样缩小故障范围。其价值在于，将意图识别与可跨工作流执行动作的智能层相结合。”
需求管理是其中关键一环。
是德科技的缪思说：“当前 AI 仍存在出错空间，因此不能让 AI 接管规格定义或签核。AI 用来加速围绕这些决策的工作流，而不是替人做决策。”
所有 AI 应用场景都在部署这类安全防护机制。
楷登电子产品营销总监保罗・格雷奇科夫斯基（Paul Graykowski）介绍了 AI 辅助测试平台增强的防护机制：不会允许智能体单方面重写代码，系统会把重构方案展示出来等待人工审核。“工具识别差异并给出修复建议，然后提示：这是我提出的重构方案，请审核，是否批准？”
这套人工审批模型同样支持更自主的回归修复，所有改动在工程师确认前保持隔离。格雷奇科夫斯基举例：某客户希望智能体分析故障、生成候选修复方案、重跑回归测试，返回沙盒内的结果：“我为你的代码创建快照，在沙盒内完成修改，这是改动内容，是否批准？”
达巴里认为 AI 降低跨工具摩擦存在三条演进路径，从短期优化到深度基础设施改造。但他明确区分两类自动化：一类保留完整上下文，另一类只是在接力流程里新增一个智能体。
跨边界优化循环：EDA 领域最成熟的 AI 应用。从同类设计中学习有效的参数、约束与工具执行序列。价值不在于 AI 写出更优质代码，而是学习复用可以提升生产力、算力效率与 PPA 的配置组合，覆盖从 RTL 到 GDSII 全链路，降低协调成本。
智能体流水线与副驾驶层：新思.ai Copilot、楷登 ChipStack 与 AuraStack、西门子 Fuse 这类工具，正在构建连接架构、RTL、验证与物理设计的工作流层。但该层必须配备防护机制。大语言模型本身并不理解原生 EDA 数据、设计意图、生产安全要求，也无法判断自身输出的边界。
AI 作为互操作层：第二层负责编排调用工具，第三层则为智能体提供一套统一表达，描述各工具的输出。Si2 的 Schema 本体、Accellera 的 CDC/RDC 集成标准等厂商中立项目，正在构建抽象层，让智能体跨工具推理，而不是每一步都重新构建上下文。缺少这套公共基础，AI 只能加速工具调用，但跨边界时依然丢失语义。
对于形式化验证，AI 在信息丢失严重的交接环节价值最高。达巴里说：“大模型可以提取属性、生成断言、提出抽象方案、对证明任务做分级。但 AI 输出必须独立核验，因为生成的断言只是假设，并非证明。只有基于正确属性完成的证明，才称得上证据。提示词不等于证明。”
楷登的格雷奇科夫斯基提到，这种带校验的辅助能力，也可以降低缺少资深形式化团队的项目使用形式化验证的门槛。工程师定义意图或规格，智能体生成候选属性，在送入仿真或 Jasper 这类形式化引擎之前完成代码检查。目标不是替代形式化专家，而是更早把更多设计转化为机器可校验证据。
达巴里还提到，单工具 AI 功能已经成为行业标配。“下一个竞争战场在工具之间：智能体编排、标准化数据模型，以及跨工具边界无损传递约束、豁免项与证据的能力。多篇端到端 RTL 到 GDSII 智能体相关论文提醒我们，工具之间的接缝依旧难以处理。问题不在 AI 本身，而在于缺少一套可供 AI 推理的共享语义基础。”
共享语义基础的重要性，让编排调度超越普通自动化。智能体不仅要判断下一步调用哪个工具，还要理解每一项结果在整个系统上下文中的含义。
Arteris 的南丁格尔表示：“AI 可以搭建跨 EDA 工具的智能编排层。不再需要工程师手动检查每一份结果并决定下一步动作；AI 智能体可以关联多工具信息，理解更广的系统上下文，推荐或执行合适的下一步。例如识别系统级性能问题，关联到架构或配置决策，执行受控修改，重跑相关分析判断是否改善。”
AI 演进的根本转变，是从在单一工具内部运行，转向在多个工具之间运行。标准化接口可以让智能体调用 EDA 能力，但仅有工具访问权限远远不够。
南丁格尔解释：“AI 还需要领域上下文、统一的设计意图表达、受控权限，以及可用于校验动作的可衡量指标。在这套模型中，AI 负责推理与编排，成熟 EDA 引擎持续提供确定性分析与验证。”
拉希姆预计算力会持续向上迁移：从工具内部迁移到工作流，最终迁移到面向芯片设计的专用模型。当前前沿模型在专用性、成本效益、物理感知方面，还不足以按需生成经过完整验证、PPA 最优的 RTL、模拟版图、先进封装或网表。但随着模型吸收更多工作流知识与领域上下文，这项能力会持续提升。“我们有信心攻克难题，因为客户在推动。半导体正在走向商品化，他们需要完成的项目、版图数量不断增加，但可用模拟专家数量无法同步增长。客户需要这类方案，也愿意作为合作伙伴，贡献大量版图数据用于模型训练。”
Vinci 的拉达克里希南提出，AI 可以处理物理分析周边的重复工作：准备输入、调用合适工具、传递结果、在工程师划定的边界内对比多个方案。但智能体的能力上限由底层分析引擎决定。如果仿真仍需要数小时人工设置、数天运行，AI 前端无法解决瓶颈。只有底层分析足够快速、自动化、可确定、可用于量产，智能体工作流才有价值。
Vinci 的方案是直接读取原生设计文件，将预训练物理模型与 GPU 原生数值物理内核结合，输出与求解器精度一致的结果，无需人工划分网格，也不需要客户提供专用训练数据。拉达克里希南强调，目标不是聊天机器人做概率仿真，而是在设计迭代过程中，提供可复现的物理仿真结果。
很多企业已经使用智能体 AI 或其他 AI 技术优化 EDA 工作流与工具。Movellus 创始人兼首席执行官莫・费萨尔（Mo Faisal）认为这对初创公司是机会。“他们从零起步，我甚至有点羡慕近期新成立的公司，至少在硅谷，没有历史技术包袱。我看到最普遍的落地场景是客户工单自动分级、客户成功与技术支持。把文档和全部上下文录入系统，客户工单进来后自动处理，同时保留人在回路。这是最早受益于智能体 AI 的场景。”
从产品开发角度，智能体 AI 被用于编写产品规格、快速原型。“产品管理与工程的边界正在模糊，” 费萨尔说，“设计本身融合了产品管理与工程，思维开放的团队已经在变革工作流。法务、财务这类场景属于容易落地的低挂果实；而把智能体 AI 引入复杂工程工作流，才是最有意思的部分。这确实正在发生。工程师现在拥有技能文件库，针对工作流里每一步都有对应的技能脚本，处理任务时调用模型。不过这在硅谷已经普及，其他地区还没有。”
提升抽象层级
随着行业积累 AI 落地经验，EDA 工作流会越来越以设计意图驱动。南丁格尔说：“工程师不再需要手动操作每一款工具、在不同环境之间人工转译信息；而是可以直接定义目标：性能指标、互联需求、安全策略、实现约束。AI 智能体据此判断需要哪些分析与工具，跨设计流程协调迭代。”
这会让验证的重要性进一步提升。当智能体被允许执行更大改动、运行更长工作流，每一步操作都必须具备可观测、可核验的结果。“未来最高效的 EDA 环境，大概率会把 AI 驱动的探索与编排，和持续输出基准真值的确定性工程工具结合在一起。目标不是单纯实现自主芯片设计，而是减少重复工具交互与人工转译，让工程师把更多精力投入架构与系统级决策。”
拉达克里希南表示，首要任务是消除独立瓶颈，例如模型准备、分析设置、结果对比。长期来看，这些步骤会接入互联设计循环：智能体提出修改、启动对应物理分析、对照需求校验结果，然后继续探索其他方案，或将设计提交工程师审核。
这会让工程团队评估更多设计思路。如今工程师只能测试少数方案，未来可以评估数百甚至数千种，把设计探索从定时任务，变成日常工程中持续迭代、更富创造性的环节。但拉达克里希南强调，自动化与人工判断的边界依旧重要。早期探索阶段可以允许更高自主性，但验证与签核必须具备可追溯性、可复现性与确定性结果。
长期愿景是一套设计环境：AI 智能体协调各类专用工具，确定性物理仿真跟随工程师提出的所有方案。在这套模型中，物理行为评估贯穿整个流程，而不只在固定检查点执行。
Axiomise 的达巴里指出几个明显转变，预计未来 2–3 年会加速落地。
“第一重转变：从工具级 AI 转向工作流级证据。EDA 第一代 AI 主打提升生产力；第二代将以证据作为评判标准。项目负责人会关心‘AI 副驾驶缩短 40% 设计收敛时间’这类签核报告；但汽车、安全相关客户只会接受这样的报告：‘这些属性已完成证明，这些存在边界约束，这些由 AI 建议、尚未核验，附可复现记录。’行业当下对自主 AI 的追捧，终将转向对可审计性的硬性要求。 第二重转变：从仿真置信度走向基于证明的签核。我最看重的转变，是从‘跑了大量仿真，全部显示绿色’，升级为‘针对关键属性，我们可以给出机器可校验证据，AI 帮助我们更快拿到证据’。AI 辅助属性提取、智能体覆盖率收敛、大模型驱动抽象挖掘，都是有效的加速手段，但输出结果必须送入形式化引擎生成确定性证明，否则所谓的可信度只是表面效果。苹果 Hilbert 系统把非形式化大模型推理封装在 Lean4 之上，就是这套架构最典型的公开范例：AI 负责探索，形式化工具负责正确性闭环。”
还有一个关键点：AI 芯片本身分为两套验证与签核体系。达巴里补充道：“训练芯片依赖大规模集群的分布式计算、集合运算、数值归约，以及抗静默数据损坏能力。推理芯片，尤其是以解码为主的服务芯片，则重点关注 KV 缓存管理、调度、隔离、公平性与尾延迟。训练加速器的跨工具优化逻辑，对推理核并不适用。EDA 领域的 AI 应用也会沿着这条逻辑分化。AI 不会消除任务交接。架构意图与物理实现、设计与验证、硅前证明与硅后行为之间，永远存在边界。AI 可以降低每一处边界的协调成本，让工程师腾出时间，去解决只有人类才能回答的问题。用 AI 换取速度，用形式化保证正确性；把工具之间的边界，当作证据积累的节点，而不是信息丢失的地方。”
从工具级自动化转向流程级证据，也改变了 EDA 厂商与工程团队的组织目标。
需要的组织变革
工具厂商面临和客户一样的组织难题。在独立产品组内部开发的智能体，可能会重新制造本应被消除的技术孤岛。新思科技的安德森表示，这种转型必须自上而下引导，不能完全交给自下而上的实验。“每个产品团队都倾向于在自己的领域开发智能体，但我们必须着眼于完整工作流。”
这点至关重要：如果智能体 EDA 只是叠加一层局部优化自动化，就会走向失败。想要降低交接信息丢失，企业需要对端到端工作流建立共同权责，统一数据与权限模型，并且指标要衡量智能体是否真正改善工程结果，而不是单纯统计执行步骤数量。
拉希姆预计未来半年工作流会持续进步，尤其是根因分析、验证、时序收敛、物理设计、模拟电路与先进封装领域。但他提醒，当前最前沿模型仍然无法完成高度复杂、全优化的设计。可行路径是渐进式迭代：专用工作流能力持续增强，工作流知识沉淀进模型层；通过与客户、晶圆厂合作，让芯片设计模型获得更强物理感知能力。
格雷奇科夫斯基简洁概括 AI 在流程中的定位：“我们把 AI 当作助手，而非替代者。工程师需要引导 AI。AI 相当于初级工程师，人类是资深工程师。”
这或许就是理解 EDA 领域 AI 角色最务实的方式。AI 不会消除规格、实现、验证、签核、封装与硅后学习之间的边界；在需要确定性证明的场景，概率性输出也永远不会被接受。AI 的价值蕴藏在这些边界之上：智能体能否跨流程传递意图、假设、约束、结果与证明，且不丢失语义。如果可以，基于证据的自动化就不再只是提升生产力的故事，而是 EDA 工作流更快、更易审计、更可信的底层基石。
评论