AI智能体打破芯片设计信息孤岛

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。这带来了新的机会：可以使用小语言模型，而不是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，涵盖芯片设计制造本身，以及芯片在不同负载下的运行方式。虽然大语言模型可以调度大量智能体，实现持续推理与独立执行，但对大多数应用来说，这种方案属于性能过剩。

不过缩小模型规模，或是减少智能体数量、降低智能体能力，也会带来新挑战。一种思路是，把复杂工作流拆分给多个小语言模型与智能体，同时保留芯片设计、优化、布局规划、验证、调试所需的算力，还可以识别制造过程中的异常与工艺波动，这些因素会影响良率。这套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Prith Banerjee表示：“在早期智能体项目中，我们为每款工具单独开发智能体，做成问答形式，一个智能体负责一类任务。但在多智能体工作流场景下，客户的目标是设计芯片。他们可能遇到PPA（功耗、性能、面积）相关问题，部分工程师认为清楚该如何修改来降低功耗，于是采用时钟门控技术，但时钟门控会增加芯片面积。这时就需要面积优化专家介入。这和真实场景完全一致：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协调所有人的工作。”

下一步目标是把更多这类流程自动化并整合起来，而这需要增加更多安全约束，限制AI的操作范围。

Movellus首席执行官Mo Faisal说：“模型会划定边界，就像在说：‘你进入了我的领域，请待在自己的职责范围内。’行业会走向专业化。少数大型企业会继续使用大语言模型，但其余厂商都要走专业化路线。顺带一提，AI不等于大语言模型。大模型是目前最主流的应用，但并不是AI的全部定义。AI可以应用在很多领域。人们在开发面向芯片的AI，会计、法律、气象预测领域也都有各自的AI，它们的任务负载各不相同。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，要让整套体系无缝运转难度很高。需要其他智能体或者智能体集群来做调度，这些智能体经过训练，能够衔接可能重叠的步骤。同时，解决问题的思路也要彻底改变，基于CPU的调度，其重要性不亚于、甚至高于GPU的乘累加运算。

楷登电子验证软件产品管理高级总监Matt Graham表示：“我们已经升级到‘超级智能体’的聚合层级。我们认为它的复杂度和价值，不亚于EDA工具。这是一类全新工具。我们现在讨论的重点，正从智能体转向可动态组装成智能体的技能模块。整套体系由调度型超级智能体统筹。就像客户一直通过自定义脚本，把EDA工具编排成设计流程；未来客户也可以编写脚本，按需编排超级智能体、智能体工作流与解决方案，接入整体流程。”

这类超级智能体（也叫主控智能体、管理智能体，该领域尚新，命名还在持续变化），以及由它管理的子智能体，可以协同工作，也可以单独管控。

Alpha Design AI Chipagents首席执行官William Wang表示：“可以让子智能体分别处理不同任务，其他场景则采用多智能体方案。我们去年第四季度向行业发布了多智能体方案，用于调试等场景的多智能体协同。如果SoC规模巨大，该如何优化性能？这时就需要多个智能体并行获取不同上下文协同完成任务。同理，在功能验证 / 形式化验证场景，可以让多个智能体分组并行调试、开展优化。这些能力至关重要。”

集成难题

芯片设计与制造要求可复现、可预测，但很多前沿芯片都是定制化的。多芯粒组装芯片尤其如此，它们通常针对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、流程，而现有流程也要适配智能体AI的快速迭代。

是德科技高级副总裁Niels Faché说：“客户一般在一套平台内开展工作，比如楷登Virtuoso、新思Custom Compiler或是是德高级设计系统。在这套环境中，我们提供面向特定应用的工作流指引。产品内置文档，讲解工具的各类步骤、配置与可选方案。这些原本是为工程师协作开发复杂产品设计的。引入AI之后模式发生改变，工程师会和数字智能体协同工作。因此我们需要重新设计产品。大家听说过MCP（模型上下文协议）服务器，我们会评估产品：如何模块化，通过标准化API开放各项能力。这类代码大多用Python编写，让智能体能够基于代码拼接完整工作流。我们的工作就是保证客户可以使用这套MCP功能。”

这套方案想要落地，就需要给智能体定义更清晰的目标，使其既能独立工作，也能和其他智能体协同；同时要更好地训练智能体，完成目标。Faché举例：“如果让智能体完成一项任务，比如滤波器综合，你可以下达指令：‘设计一个带通滤波器，参数如下、频率范围如下。’智能体接下来要思考：滤波器是什么？如何搭建仿真？它需要参考案例。同时还需要MCP服务器，把需求拆解成连续步骤，调用对应功能执行。过去在图形界面里完成的引导，现在变成交给智能体的技能示例，告诉它‘按这个方式执行任务’。”

智能体需要在必要时打破信息孤岛，但在其他场景遵守权限限制。目前大家担心AI智能体失控，一部分原因是复杂查询要求智能体跨越孤岛（对AI而言孤岛只是虚拟边界），同时智能体自主权限过高。采用小语言模型，以及无法突破沙箱、无法全网抓取数据的智能体，能够缓解该问题，只有在获得授权时，才能跨越边界。

西门子旗下Mentor EDA IC软件业务执行副总裁Ankur Gupta表示：“行业里存在大量信息孤岛：EDA仿真，一直延伸到PLM产品生命周期管理，覆盖实际部署、运维和工厂设施。不只是用于设计验证的EDA。这也是数字孪生和知识沉淀的起点。随着大模型、小模型登场，这已经成为现实。我们为芯片、系统、仿真、PLM系统这些孤岛采集足够信息，构建数据本体。大模型和小模型都依赖数据运行，我们把这些数据打通，形成一层数据底座。各个领域在这层底座之上，和数据交互，也可以跨孤岛互通。”

这套能力也具备商业价值，解决相关问题意义重大。整合多个工艺的晶圆厂数据，能够在芯片制造中节省巨额成本与大量时间。Gupta说：“3nm、2nm制程下，一次失误的代价可达5亿美元。因此这类AI引擎必须保持高保真。我们已经使用强化学习、无监督学习十余年。但衡量学习效果的标准不变：能否输出可信结果。”

小语言模型非常适合大量专业化任务。SiMa技术负责人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。小语言模型在专用场景下效率更高，不必对大模型做量化压缩；企业可以用自有数据训练小模型，保证高精度。”

其他从业者也持相同看法。Baya Systems首席解决方案架构师Saurabh Gayen称：“行业正在形成共识：智能体的上下文范围需要限定，再由调度层统一管控。搭建智能体架构时，需要自上而下和自下而上相结合。很多人讨论这类技术时，常常忽略‘人在回路’。如果把整个问题当成黑盒，你是搭建一套分层黑盒来获取最优结果，还是在流程中设置断点，让人类介入理解、修正方向，告诉AI‘不要这么思考，换这个思路’。AI并不是要取代工程师，而是增强工程师的能力与认知。”

人类工程师实际上是AI体系的粘合剂。想要让不同设计层级、多层制造流程里的智能体协同优化，离不开工程师。Gayen说：“我们都还在共同摸索。搭建多层智能体是一门艺术。如果有人宣称找到了完美方案，那只是众多方案中的一种。”

但资深工程师本身供不应求。ArterisIP首席产品与营销官Michal Siwinski说：“互联网泡沫时期，很多人不愿进入半导体行业，全都想去做软件程序员。人才储备进入低谷，现在才缓慢恢复，但能真正参与设计的资深人员缺口依旧存在。智能体AI可以填补一部分缺口。这种场景下，AI不是加速器，而是用来补足人力缺口。工程师不可能无休止周末加班。”

数据压力

所有挑战与进展，根源都来自数据利用方式的变革。沙箱逃逸、逆向工程，乃至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。真实数据效果更好，而专家工程师也可以用合成数据做近似模拟，用于模型训练。

Movellus的Faisal提到：“出现了一类新岗位，只要你是某个领域前1% 的专家，就可以靠和大语言模型交互获得工作。”

模型会持续迭代，智能体调用模型运行。Silvaco首席执行官Wally Rhines说：“晶圆厂目前还没有自研这类AI模型。大家总想用Claude处理所有事情，仿真各类场景。但物理工艺有底层器件物理规律，决定工艺改动带来的影响。我们拥有多年SPICE、BSIM建模积累，TCAD工程师使用Jump语言，形成了独立的技术体系，习惯于沿用传统方式。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。”

Rhines表示：“某些场景下，售卖智能体产品甚至比售卖软件更合适。EDA行业目前还没有真正按Token计费的定价模式，至少我还没看到。但客户都在讨论这个方案。可以售卖一款智能体，自动完成校准，在合成仿真数据库和物理实测数据之间来回校验。我们无法拿到客户的物理机密数据，但可以统计智能体消耗的Token数量。EDA厂商可以借此交付产品、获取收益，同时客户的核心私有数据不会外泄。”

未来展望

AI带来的部分变革，似曾相识。

Movellus的Faisal说：“可以类比2000年代初，GHz主频竞赛突然转向多核时代。当时大家以为所有计算都靠GPU，后来发现CPU和GPU需要搭配。每10到15年，行业就会经历一轮架构大洗牌。最大的不同在于，当年芯片的边界就是光刻掩模版尺寸；现在芯片的概念延伸到整个数据中心，大量GPU协同工作，如同单颗芯片。瓶颈会先转移到数据传输，等这个问题解决，新瓶颈又会出现。”

不同之处在于，技术组件的组合方式，以及未来的使用模式。Arteris的Siwinski说：“我们常说智能体工作流大幅提升生产力，也一直在讨论调度机制。跨领域多智能体方案很有价值，目标是让模拟设计师、验证工程师、形式化验证工程师使用统一的逻辑语言。借助智能体AI，这一目标有望更容易实现，各方可以形成统一认知。智能边缘时代正在到来，行业会有充分理由去优化、开发更多定制软件。”

最大的未知是，在遍布AI智能体的世界里，工程师将处在什么位置、扮演什么角色。所有信号都表明，行业依旧离不开工程师的专业能力，但工程师的工作模式会如何变化，目前尚不明确。

ChipAgents的Wang表示：“借助多智能体协同，未来会出现虚拟芯片企业，由虚拟AI工程师协同组成智能体组织。未来部分芯片企业会以虚拟形态存在。再看物理AI与机器人领域，机器人发展受限的原因之一，就是缺少专用芯片。打开冰箱门，人类只需要一秒，机器人却需要20秒，这也是很多项目停滞的原因。未来机器人企业会自研ASIC。这类芯片引擎、AI平台，对物理AI机器人企业至关重要，它们可以自主设计芯片。”