我们距离全自主芯片设计还有多远？

近日，新思科技总裁兼首席执行官Sassine Ghazi接受了媒体采访，探讨人工智能正如何重塑芯片设计与工程开发。

过去一年最大的变化，也是当下最核心的议题，就是人工智能。我们需要处理更多AI数据，芯片要跑得更快，同时散热表现也要更好。我们是否真的需要重新思考芯片的开发方式？

Ghazi：确实如此。实际上，我们已经开始探讨如何对工程流程进行重构。因为你需要在多个交叉领域协同设计与优化，从物理层、材料、工艺技术、架构、设计，再到软件以及模型本身。模型本身定义了工作负载，那我们该如何沿着这一整套技术栈做优化？

那么AI在芯片设计里究竟处在什么位置？从上世纪80年代起，我们就一直在使用计算类软件，对吧？

Ghazi：没错。大约在2016年前后，我们在多款技术与工具中引入强化学习，用于处理大规模待优化参数空间，借助AI辅助工程师优化庞大的参数组合。如今，我们已经从AI辅助工具，升级为可调度多个任务智能体的编排系统。我们拥有超过40个任务智能体，它们是工具领域的专家，我们为其灌入工具所需的全部知识与能力，使其朝着特定目标做优化。这些就是专用任务智能体。过去一年左右最亮眼的突破，是这类模型的推理与智能能力大幅提升。现在已经可以实现长周期任务编排：模型能够调度多个智能体，工程师只需要给出想要达成的目标即可。这就是我们当前所处的阶段，取得的进展确实令人惊叹。

你认为这项技术后续会如何发展？过去四年我们从生成式AI走到了智能体AI，接下来会是什么？

Ghazi：可以这样理解。我们先是推出智能副驾助手，然后具备生成能力，如今进入我们所说的长周期自主智能体阶段。不再需要给出详细提示词，只需要设定最终目标，模型就能自主推理、调度多个智能体完成任务。这就是自主工程。这时大家常会问：人类工程师会怎么样？工程师的角色是什么？这会不会给行业带来风险？我的看法完全不同。现在越来越多企业需要定义、定制硅芯片，市场需求十分旺盛。而行业面临的难题，是缺少能够搭建架构、解读规格、定义芯片并推动项目落地的工程师。所以这套自主编排体系对行业而言是利好。架构定义、方向把控、流片前的最终审核确认，依然需要人类来做判断。

在今年早些时候的Converged大会上，部分大型芯片厂商表示，未来可以开发出无需人工介入的芯片。这现实吗？如果可行，人类的定位是什么？仅仅是 “检查结果，确保准确、符合预期” 吗？

Ghazi：这是行业的目标。目前我们已有多个落地项目与相关技术，可以从规格文档起步。规格文档来自系统厂商，这类厂商可以是超大规模云服务商、前沿AI实验室、电动汽车厂商、无人机企业等。由系统厂商基于终端产品制定规格，再转化为电子设计规格。我们现在已有合作项目：客户把规格文档交给新思自主智能体，系统就能输出经过验证的RTL代码，而RTL正是芯片设计的起点。过去，从规格文档编写RTL、完成验证，并且确保设计可以物理实现与制造，需要多名工程师耗时数月。现在这一步已经可以自主完成，我们已经落地，不少客户正在试用。那这套智能推理能力，能不能拓展到物理实现、物理验证乃至芯片最终签核环节？我坚信未来可以实现。但现在还做不到。不过行业肯定希望在这条工作流中实现更高程度的自主化。

这么说来，智能体会不会成为新一代IP？

Ghazi：换个角度看这个问题：新思的核心IP究竟是什么？是EDA工具本身，还是掌握工具专业能力、依托工具执行任务的智能体？现在模型的推理与探索能力很强，但生成结果和验证仍然离不开工具，也就是智能体。模型可以生成方案，探索大量设计选项，但最终必须选定一套实现方案，兼顾性能、功耗、成本等指标。

我之所以问这个问题，是因为新思过去一直在开发IP，现在也仍在持续。客户大多要求IP适配自身场景，所以几乎都是定制IP。AI智能体具备自适应能力，是不是可以填补这块需求？

Ghazi：我把产品分为传统EDA设计工具，以及IP，也就是接口IP。接口IP用于芯片之间、芯片与系统之间的互联，这类IP的定制化需求越来越高。举个例子，一家超大规模云服务商，需要针对特定工作负载定制芯片，达成性能、功耗目标。如果接口IP是通用款、没有定制，就会丧失竞争力，芯片面积和性能都无法做到最优。

换个话题。物理AI正在开辟全新市场，但要考虑大量依赖条件，涉及海量数据编排，机遇巨大。Elon Musk曾提出，物理AI未来仅特斯拉赛道就能创造25万亿至30万亿美元规模的市场。你怎么看？

Ghazi：AI应用从数字世界延伸到物理世界，硅芯片为两者提供算力支撑，两者都需要定制化芯片。一旦进入物理应用场景，系统就是软件定义的。汽车行业在软件定义汽车这条路上已经走了至少7到10年。当车辆走向自动驾驶，我们不仅要对终端产品的电子系统和物理特性建模，还需要模拟车辆所处的运行环境。这就需要在硅芯片、系统本身（包含结构、流体、机械等多领域工程），以及系统运行环境建模之间做多维度协同优化。这是一个巨大的工程机遇，我们的业务覆盖从芯片到整套系统。依托收购Ansys，我们具备多物理场签核能力。无论是芯片还是整车、机器人这类智能终端系统，在签核阶段，都要避免产品过度设计、冗余堆砌。如何做到设计恰到好处，在投产前完成多物理场验证签核？

这不只是多个系统组成的大系统，而是异构系统的集合，对吗？

Ghazi：没错。最难描述的是多层抽象下 “系统” 的定义。先进封装本身就是一个系统；但放到服务器机架层面看，先进封装又只是一个组件；放到子系统、数据中心层面，它依然只是组件。系统在不同抽象层级下定义各不相同。

大家讨论AI管控时，经常提到沙箱逃逸这类事件，而数字孪生被视作解决方案之一。数字孪生这个概念已经提出差不多十年了。现在有没有成熟可用的数字孪生产品？如果还没有，卡点在哪？

Ghazi：数字孪生或者虚拟化的概念由来已久。大约15到17年前，新思就完成两笔芯片虚拟化相关收购，也就是为芯片搭建数字孪生，让客户在芯片流片之前就能开展软件开发。客户可以借助多套模型评估，选出最适配系统的芯片。而整车级数字孪生，我们已有客户可以搭建整车电子系统数字孪生，用于碰撞测试，模拟车身材料、结构与物理特性，无需制作实体原型车开展实车碰撞试验。不同工程领域都已经有局部可用的数字孪生，客户正在使用。但一套同时覆盖电子、物理特性、系统运行环境，并且能够大规模商用的完整数字孪生，目前还不存在。不过这是行业发展的必经之路。未来想要打造复杂智能系统，数字孪生必不可少，否则开发周期会无限拉长，成本也会高到难以承受。

但本质上还是分而治之的思路，对吧？

Ghazi：是的。除非完全从零开发，否则项目一般都会基于前代设计和架构迭代。有一类案例总让我印象深刻：中国的机器人与电动汽车领域，很多项目是从零起步。我走访过不少国内客户，有些公司成立才两三年，就采用全数字化设计流程。芯片刚流片完成，装上电路板，搭载到车辆或其他终端系统，短短几周内软件就能跑起来。客户的工程开发模式正在发生这种变革。这条路可行。但对于成熟工程企业，要转型采用这套新工作流，还存在不少约束条件，需要足够动力。

那这套方案在汽车的产品生命周期里，适用在哪个阶段？因为它需要巨量算力。

Ghazi：确实。传统整车厂商每4到6年推出全新整车平台。而我刚才举的案例，迭代周期只有9个月到一年。电子系统更新的同时，整车同步迭代。当然这需要大量算力投入，但总的来看，终端产品差异化更强，创新迭代速度也快得多。

同时，这套方案还可以持续监测系统运行状态，对吧？你能想象一颗3纳米芯片在车上稳定工作15年吗？

Ghazi：如果把系统拆分为独立组件，并完成整机验证，就可以基于成本、供应链等大量维度灵活选择方案。

我们换个话题。原本预计2026年会是3D-IC的爆发之年，这个判断成立吗？

Ghazi：成立。现在数据中心已经有不少3D-IC芯片在运行。但这项技术复杂度很高，除电路之外还有很多难题，厂商和制造端都面临挑战。难点不在于电路架构，而是3D-IC带来的物理与机械效应。高负载运行时，封装内部会出现热问题，造成部分芯粒翘曲甚至开裂，属于机械层面难题。行业正着力在3D-IC架构设计阶段就提前解决这类问题，同步考虑芯片上运行的工作负载。这也是新思收购Ansys的核心逻辑：在设计早期引入物理仿真，提前规避风险。未来一定是多芯片异构集成的时代。

而且编程层面的难度极大。举个例子：热量会出现峰值，算力负载也会冲高，峰值每3毫秒就会出现一次。那么在这3毫秒间隔内我们该如何处理？怎么散热？

Ghazi：没错，这正是我前面提到的工作负载问题。在设计系统、先进封装与多芯粒方案时，必须结合工作负载做架构设计。很多现场故障都源于没有考虑到某些极端场景，导致系统过热损坏。需要从软件、封装架构、实现方案一路做全栈优化，兼顾物理特性与设计本身。

还有一点，AI本身也在持续迭代。回想生成式AI、智能体AI的运行逻辑，现在的查询任务也越来越复杂。

Ghazi：这就是为什么所有系统厂商都想掌握自身芯片开发的主导权。不是半导体企业没有能力针对特定负载优化芯片，而是技术迭代太快，AI模型每三四个月就更新一次。但芯片的更新周期原本长达两到三年。不少半导体客户正努力把周期从18个月、16个月、14个月压缩到12个月。很多系统厂商也向我们提出：借助AI，能不能把从规格定义到流片的周期缩短至一年以内，甚至9个月以内？瓶颈在哪里？如何为我们定义的工作负载，设计高度定制化的硅芯片？

或者设计可以持续自适应的芯片，对吧？

Ghazi：是的，芯粒乃至整片芯片的可编程化是方向。不过相比可编程芯片，系统厂商更看重快速定义规格、快速定制芯片的能力。另外这类芯片的生命周期也就两到三年，厂商定制芯片，并不是为了支撑多代AI模型。核心诉求是快速完成芯片优化与交付，芯片服役周期不用太长，适配对应应用场景即可。

面对这么多变革，什么事最让你担忧，让你夜不能寐？

Ghazi：迭代速度，迭代速度，还是迭代速度。系统的复杂度正在急剧上升。我们行业一直以来创新成果斐然，不断创造突破。但当下的系统协同设计与复杂程度，是前所未有的。企业想要从传统工作流，转型到新一代开发流程，PPT上写出来很简单，但企业既要兑现对现有客户的交付承诺，又要改造工程团队，融合智能、物理特性与产品差异化，难度极大。

这会不会让技术押注变得很难？EDA行业的研发投入占营收比例，长期高于几乎所有硬件企业。

Ghazi：从营收占比来看确实如此。EDA行业一直需要不断提高研发投入占比，跟上技术发展。AI带来了新机遇，但目前还看不出AI能够降低研发投入。我们的研发投入仍在持续增加，并没有减少。