人工智能自动化，将如何影响芯片设计？

智能代理解决方案绝非现有工具的简单封装。这类方案将各类工具改造为可调用引擎集合，由人工智能调度、工程师统筹管理。这一变革将重塑工具形态、搭建全新研发流程，并彻底转变工程师的工作职能。

如今，无论探讨EDA工具、芯片研发方法论还是研发团队配置，人工智能带来的行业变革都是绕不开的话题。全行业都在探索人工智能落地路径，同时避免从业人员在技术迭代中被淘汰。人工智能落地竞速赛，既蕴藏机遇，也伴随着诸多不确定性。

当下部分行业观点略显理想化，甚至提出人工智能或将颠覆整个EDA行业。西门子EDA高级副总裁兼总经理Abhi Kolpekwar表示：“业内普遍热议，只需输入设计规范，人工智能就能自动生成测试方案，或是输出硬件代码。还有观点称，只要提供设计规范，AI就能自动生成形式化属性断言。业内普遍认为，解读设计规范并转化为可落地设计产出，恰好是人工智能擅长解决的工作。”

但就当前技术水平而言，依靠纯人工智能完成商用半导体芯片全流程设计的可行性微乎其微。该模式风险极高，一旦设计失败将产生巨额成本，因此行业短期内仍会在一定程度上沿用现有成熟研发流程。

新思科技技术专员Ramesh Narayanaswamy称：“一方面，子智能代理可完成规范解析与设计拆解；另一方面，还能同步输出测试方案。工程师可审阅代理生成内容，还能调用另一套模型对初稿进行交叉评审。在贴近设计规范的前期环节，人类工程师必须参与其中，至少现阶段是如此——设计规范内容繁杂，校验难度极高。一旦对规范段落产生误读，整套设计都会出现偏差。不过我们可以在验证环节设置多重独立交叉校验，两套工作链路互不干扰。我们希望两套链路不会出现完全相同的解读偏差，即便人类工程师手动解读，也很难出现完全一致的疏漏。这类因信息理解偏差产生的隐性缺陷极难排查，而借助模型充当评审工具，能够大幅减少此类问题，让工程师将更多精力投入核心审阅工作。”

但这并不代表行业无法借助人工智能优化设计流程。是德科技EDA高级总监Alexander Petr在与客户沟通时，经常听到客户提出：“管理层要求我必须把人工智能应用到研发工作中。”

他对此始终持不同观点：“正确逻辑应当反过来。首先明确需要解决的研发痛点，再匹配适用的人工智能技术辅助攻克难题。人工智能是自动化技术的全新演进阶段。行业多年来一直在打通各类工具，每家企业都设有计算机辅助设计落地团队，通过串联各类工具搭建自动化流程，编写衔接代码提升研发效率。当下核心问题变为：如何将研发流程转化为优化求解问题？优化循环应当设置在哪个环节？哪些环节需要人工介入？哪些节点必须人工签字确认？哪些工作可完全交由机器完成？只要清晰梳理完整研发流程与目标优化循环，我们就能进一步分析落地难点，明确人工智能的赋能空间。”

若想充分释放人工智能的全部价值，行业还需配套推进其他变革。Arteris产品管理与营销副总裁Andy Nightingale表示：“行业实践印证一条关键结论：结构化、可追溯的工程研发环境，才能最大化发挥智能代理验证的价值。当设计规范、覆盖率目标、架构设计意图与验证数据均可被机器读取、数据链路完整互通时，人工智能系统的工作效能会大幅提升。”

现实中，设计规范往往撰写不够严谨，且在研发进程中持续迭代更新。楷登电子产品营销总监Paul Graykowski指出：“无论工具或对话机器人性能多出色，若输入的设计规范本身存在漏洞，最终输出结果必然出错。工程师的核心价值在于建立完整设计思维模型，当工具提示存在设计问题时，工程师可与工具交互、阐释设计逻辑，工具再根据人工解释完成修正。工程师也可主动回溯设计内容，理清整体运行逻辑。”

半导体行业向来变革节奏缓慢。楷登电子杰出工程师Hamid Shojaei表示：“行业未来发展前景值得期待，内部团队也在头脑风暴，思考如何顺应行业变革重构EDA行业发展路径。但我认为全面变革短期内难以落地。工程师很难信任一份覆盖率100%、全部测试用例均通过的自动化报告，流片前必须建立充足的技术信任。从业人员思维模式的转变需要漫长周期，但工程师也需保持灵活心态，未来行业诸多环节都将迎来颠覆性变化。”

工具形态变革

核心EDA工具短期内不会被完全替代。西门子EDA的Kolpekwar谈道：“部分从业者声称传统工具将彻底淘汰，仅靠智能代理就能判断设计方案是否合规。但EDA核心工具经过数十年行业验证，运算负载极高、拥有完整行业认证，历经海量项目实战检验。很难想象仅凭大语言模型的概率推理，就能判定芯片设计是否正确。有哪家企业敢直接依靠大语言模型完成芯片流片？”

尽管仿真等核心工具在可预见的未来仍会保留，但工具架构将迭代优化，更好适配智能代理研发流程。Arteris的Andy Nightingale表示：“验证类产品将逐步迭代为具备场景感知、流程联动能力的一体化平台，以机器可读格式输出设计意图、元数据、溯源信息与调试知识库。未来工具需打通产品全生命周期内的需求定义、设计实现、验证依据与系统行为数据。智能代理验证的实际价值，并非实现无人化设计签字确认，而是强化成熟工程方法论，高效解决日趋复杂的系统级验证难题。”

传统工具追求独立完成整套操作，而人工智能时代，研发流程的颗粒度需求将发生改变。Kolpekwar解释：“研发流程需整合多款专用运算引擎，匹配客户多样化研发需求。举例来说，芯片设计需同步完成功能验证、安全合规校验、安全防护合规校验，同时还需提前预估芯片性能。一套完整验证方案可实时调用各类专用引擎，按需完成对应运算，引擎之间互通运算数据，最终整合输出完整设计结果。我坚信，多引擎联动、相互协同将成为行业主流模式。”

当前各类EDA工具已开启迭代。新思科技的Ramesh Narayanaswamy称：“我们正在构建结构化信息，方便人工智能模型读取解析；同时将模型调度能力嵌入工具各研发阶段。多款自研工具内置大量启发式算法，可自主调度多轮优化运算，这套调度逻辑完全可迁移至自学习智能代理。只要设定清晰量化优化目标，智能代理就能自主迭代学习。”

EDA行业核心商业模式依托工具销售，行业长远发展直接取决于工具销量与产品价值。楷登电子的Hamid Shojaei分析：“若EDA行业全面转向智能代理研发模式，智能代理将相当于半导体企业的虚拟工程师。企业无需持续扩招芯片设计研发人员，可直接采购EDA厂商提供的虚拟智能代理服务。未来行业商业模式将彻底重构，新技术也将催生全新商业思路，EDA行业将迎来巨大发展机遇。”

行业落地路径分为多种类型。Kolpekwar梳理了三类客户群体：第一类资金实力雄厚，自主组建人工智能工程师与数据科学家团队，自研人工智能框架与专属智能代理，仅需调用EDA底层运算引擎。这类客户技术储备深厚，又可细分为两类：其一技术自主导向，仅采购基础工具，自主完成人工智能适配落地；其二自主研发碰壁，认为EDA厂商可开发性能更优的智能代理。第三类客户制定清晰人工智能落地战略，希望EDA厂商提供全套交钥匙方案：搭建人工智能框架、接入各类工具、定制专属智能代理。

人工智能模型训练的数据获取，始终是行业一大痛点。是德科技的Alexander Petr表示：“过去五十年，半导体行业高度重视知识产权保护，企业绝不会为适配自动化流程开放自有核心知识产权，这大幅增加人工智能落地难度。互联网海量公开数据无法用于芯片研发训练，行业只能依靠企业自主录入内部专业知识，形成分布式知识体系。EDA厂商、晶圆厂、芯片设计公司分别掌握不同维度核心研发知识。”

这意味着全行业必须建立深度合作关系。Kolpekwar强调：“EDA厂商必须明确自身定位——我们是研发流程的合作伙伴，而非流程主导者。作为合作伙伴，我们提供场景化智能分析能力，联合终端客户共同完成技术迭代优化。这一领域仍在持续演化，距离完全成熟尚需时间。但我坚信，我们能够搭建完整场景智能分析体系，既能识别研发流程内各类变更，也能结合历史数据与未来研发目标，输出更科学的设计决策。”

工程师职能变革

从现有行业实践来看，工程师的核心工作将从亲手执行研发操作，逐步转变为流程监督与结果评审。Ramesh Narayanaswamy以软件行业为参照：“软件行业传统配比为十名开发人员搭配一名项目经理。未来芯片行业工程师需聚焦产品定义、架构搭建，基础设计搭建工作可在安全约束下交由智能代理完成。工程师需转型为兼具架构设计与项目管理能力的复合型人才。EDA行业转型节奏会相对平缓，芯片设计对稳定性要求更高，行业天然规避高风险技术，因此职能转变周期更长，但整体发展方向不会改变。”

工程师工作职能的转变已成定局。Andy Nightingale表示：“验证团队工作重心将从手动处理海量数据，转向统筹设计意图、制定验证策略、管控研发风险。工程师无需花费大量时间梳理日志、调试重复性故障，可将精力集中于构建有效测试场景、校验人工智能生成内容、分析系统级整体运行状态。行业内高价值工程师的核心竞争力，将转变为清晰界定验证目标、阐释验证必要性，而非单纯批量生成验证用例。”

行业从业者均认同这一转型趋势。芯片智能代理企业ChipAgents首席执行官William Wang称：“验证团队将转型为高层级流程调度岗位，验证工具本身升级为智能代理一体化平台，统筹协调整套设计与验证链路，不再是独立零散的单点工具。”

长期来看，工程师岗位定位将彻底转变。Kolpekwar谈道：“若智能代理验证技术实现成熟落地，所有验证工程师都将转型为验证研发专家。工程师多数时间将用于分析设计运行结果、输出高阶工程判断、开展仿真实验、验证设计假设，并制定整套验证策略，确保芯片设计可顺利通过流片验收。”

人们更愿意畅想技术落地的正面价值，但人工智能迭代也会衍生各类负面问题。AMIQ Consulting合伙人Stefan Birman表示：“与以往验证技术迭代不同，人工智能并非现有技术的线性升级方案，其中存在大量未知变量与无法预判的风险，全行业仍有大量内容需要摸索学习。例如，人工智能生成的全部输出内容，都必须由人类逐一校验。这类重复性校验工作创造性较低，不少工程师担忧自身工作会失去价值，甚至未来被人工智能完全替代。”

团队内部工作权责分配也将重构。Hamid Shojaei解释：“以往行业倡导设计师在交付验证团队前，自主完成基础验证，但落地效果始终不理想。单元测试智能代理将彻底改变这一现状：设计师无需掌握断言编写、形式化验证、Tcl脚本、工具运行配置文件等专业技能，人工智能可自动生成全套EDA配置文件，数分钟内输出完善的形式化验证或SystemVerilog测试平台，配套可自主运行调试、定位故障根源的智能代理。设计师无需追求100%覆盖率，只需借助代理快速排查基础缺陷，避免验证团队耗费大量精力处理低级问题。”

当下仍存一大疑问：智能代理能否完整封装全部所需研发知识？Alexander Petr表示：“我们研发的解决方案需实时跟进工程师操作、自主学习专业经验。工程师很少书面记录实操经验，传统行业培养模式为资深工程师带教新人，这套带教学习逻辑完全可迁移至人工智能训练。该模式属于监督式学习，可直接嵌入研发流程；无监督学习即强化学习虽可尝试，但落地难点突出——必须精准定义优化目标，自动化循环才能朝着目标迭代优化。最大挑战在于，谁能完整、精准定义全部研发目标，避免人工智能输出无意义的无效方案？”

无论工程师处于何种职级，都需明确核心发展方向：楷登电子的Paul Graykowski总结：“工程师必须主动适应技术变革，熟练运用人工智能工具提升自身工作效率，唯有如此，才不会被人工智能取代。”