AI驱动的芯片设计，正在挑战生产力极限

继Elliott Investment Management获得激进股份之后，近期围绕新思科技(Synopsys)的关注度不断上升，这使得人们重新将焦点集中在AI如何从工程工作流中的技术升级演变为增长驱动力上。

从芯片设计到系统级仿真，AI渗透到了每一个层面，有望将开发周期从数年缩短至数月。更快的设计周期和更高的迭代次数不再仅仅是工程基准；它们日益被视为未来增长的指标。然而，随着企业扩大计算支出并尝试生成式设计和AI驱动的仿真，切实的生产力收益到底在哪里显现？更重要的是，在已展示的能力与可重复的真实世界生产力收益之间是否存在差距？

《EETimes》采访了新思科技创新高级副总裁兼执行领导团队成员Prith Banerjee。在新思科技斥资350亿美元收购仿真巨头Ansys之后，该公司正将其芯片设计工具扩展到系统级仿真领域。曾担任Ansys首席技术官的Banerjee表示，新思科技正在押注AI驱动的仿真、生成式设计以及其所谓的“代理式工程(agentic engineering)”，认为这些技术能够显著缩短设计周期并提高产品质量。

AI在哪里带来生产力

AI带来的最直接收益正显现在仿真和设计迭代中，这些领域在历史上一直与较慢的工程周期相关联。

“试图降低空气动力学阻力的汽车设计师，传统上大约需要花费100小时进行CAD设计，10000小时进行仿真，”Banerjee说，“借助SimAI和GeoAI等AI工具，这些任务可以在几分钟内完成。”

这种转变不仅关乎速度，更关乎规模。他说：“工程师不再仅仅评估两三个设计，而是可以评估数千个。”

在最近的一份公司声明中，新思科技表示其代理式设计工作流已经显示出可衡量的收益，生产力提高了2倍，在某些情况下，对于传统上需要4到6个月才能完成的复杂芯片设计任务，生产力提升高达5倍。

这正是投资回报变得显而易见的地方。更快的仿真缩短了周期时间，而生成式方法则扩大了工程师可以实际探索的设计空间。在实践中，这意味着团队可以在同一个开发窗口内，从少数几次设计迭代转向成百上千次迭代。

新思科技正在推行一种更自主的工程模型，也即代理式工程。Banerjee表示：“我们正在从辅助型AI转向更自主的系统。我们的愿景就是我们所说的代理式工程。”

在这种模型中，AI代理接管了工作流中更大的部分，代表工程师使用设计和仿真工具。上周，《EETimes》报道称：“新思科技在Converge大会上宣布了其首个L4代理式工作流。例如，该工作流可以通过独立的任务代理处理从架构规范到RTL的转换、构建测试计划，并处理形式验证、静态验证、覆盖率和调试。”

其理念是超越协助单个步骤的工具，走向能够在有限的人工干预下执行多步流程的系统。在另一次与《EETimes》的交谈中，代理式AI初创公司Emergence AI的联合创始人兼首席执行官Satya Nitta解释说，许多此类系统仍然在迭代循环中运行，而不是作为完全自主的决策者。“如果一个模型在95%的时间里是正确的，而另一个也是95%正确，那么组合起来的系统无法达到100%的准确率，”Nitta说，“代理系统在循环中工作……验证器会检查它们……如果没有信心，它会要求系统重试。”

这表明工程领域的自主性正在演变为一个分层过程，其中生成和验证仍然紧密耦合，而不是完全独立。随着工作流变得更加自动化，围绕验证、可追溯性和信任的问题变得更加复杂，在受监管的行业中尤为如此。目前，大多数工程团队仍处于辅助阶段，在这个阶段AI只是支持决策，而不是自主执行。

数字孪生：有用，但尚未被完全信任

数字孪生通常被定位为一种减少对物理测试和验证依赖的方法，但它们在生产工作流中的作用仍在不断演进。Banerjee表示：“目标是达到极高的准确率，但它永远不会是100%。今天，我们的准确率可能在90%左右，我们正努力达到95%和99%。”

该公司还在推广连接芯片设计、软件行为和全系统验证的数字孪生平台。在汽车领域的用例中，新思科技表示，此类平台可以在硬件可用之前实现高达90%的软件验证。在这个层面上，数字模型对于探索各种场景和缩小设计选项范围非常有用。“这允许你在不进行物理测试的情况下运行不同的场景，”他说。

但物理验证并没有消失。Banerjee指出：“大约75%的[研发]投入到了物理测试和原型制作中，”这反映出工程设计在多大程度上仍然依赖于现实世界的验证。

结果就是一种混合模型。数字孪生越来越多地用于减少物理迭代的次数，而不是完全消除它们，在汽车和航空航天等安全关键领域尤其如此。

对于工程师来说，这种区别很重要。数字孪生在预测和迭代方面是有效的，但最终的验证仍然取决于物理系统、监管要求和安全标准。

这种局限性并非仿真模型所独有。在整个行业中，工程师们也在努力应对AI系统本身的概率性质。Nitta表示，即使是高性能模型，在关键环境中也可能无法达到要求。“在许多情况下，99%的准确率仍然是不可接受的，”他说，“你不能仅仅依赖概率系统……你需要执行规则的确定性系统。”

这对如何部署数字孪生和AI驱动的仿真具有实际影响。虽然模型可以缩小设计选项的范围，但最终决策(尤其是在受监管的行业中)仍然需要确定性的验证以及多次运行之间的一致性。

AI计算与基础设施

AI带来的生产力收益伴随着另一种成本。Banerjee说：“AI确实需要大量的计算资源。有些模型拥有数万亿个参数……这需要巨大的计算能力。”

训练和部署用于仿真的AI模型与运行传统的工程工作负载不同。它引入了对高性能计算基础设施(特别是GPU)的依赖，并将成本转向数据处理和模型训练。

对于扩展这些方法的公司来说，权衡不仅在于工具和人才之间，还在于软件效率和基础设施投资之间。实际上，曾经分配给许可证和工程工时的预算越来越多地与计算基础设施共享。

新思科技与计算生态系统中的参与者紧密结合，包括与AMD和微软(Microsoft)合作在云平台上运行EDA工具，突显了工程工作流是如何与大规模计算基础设施紧密耦合的。

行业的其他方法包括试图通过在部署期间(特别是在偏重推理的企业环境中)转向更小的、特定于任务的模型来减少这种HPC基础设施依赖。

AI无法替代什么

尽管在推动自动化，Banerjee还是划出了一条清晰的界限。“AI并没有取代工程判断，”他说，“工程师将变得更有能力，但责任仍然在他们身上。”

他指出，这种比较类似于编程的演变，从底层编码到高级抽象，再到如今的代码生成工具。工程师的角色在改变，但问责制并没有改变。

这在安全、认证和责任等领域变得尤为重要。无论工作流在多大程度上实现了自动化，设计决策和系统性能的责任仍然落在人类工程师及其背后的组织身上。

虽然目前的许多发展势头都与应用程序和数字基础设施有关，但深入系统级工程将需要超越软件的能力，包括硬件设计、计算基础设施和大规模的产品开发。

AI已经在缩短设计时间、减少迭代次数并提高产品质量。然而，这些收益是不均衡的，严重依赖计算，并且仍在跨行业不断发展中。正在改变的是人们的期望值。随着新思科技等公司面临越来越大的将AI能力转化为持续增长的压力，工程生产力与业务绩效之间的联系正变得更加直接。

工程团队现在不仅要决定是否采用AI，还要决定它在哪里能带来可衡量的价值，以及在哪里它仍然依赖于尚未大规模验证的假设。