
AI正在重塑半导体工程的可能性边界,它已经从简单的辅助工具,进化到能够完成复杂芯片设计任务。物理AI兴起,加上定制芯片需求持续增长,市场对专为AI负载打造的芯片需求愈发强烈。当前,AI模型迭代速度飞快,但传统芯片开发周期跟不上,二者之间的差距不断拉大。模型和负载每隔几个月就会更新,半导体团队面临巨大压力,必须缩短上市周期。
这类技术与业务层面的压力,已经超出人力单独承载的极限。工程团队需要承接更多项目、压缩设计周期、优化功耗、性能与面积(PPA),同时控制算力和研发成本。简单来说,团队要在更短时间内管控更多变量。
这也改变了AI在芯片开发中的定位。过去,AI在芯片设计里大多作为辅助助手、代码工具,或是单点方案,帮工程师处理零散任务。智能体AI更进一步,能够协调多步骤工作流,朝着既定的设计与验证目标推进。举个例子:AI智能体可以接收一项验证目标,梳理所需步骤,调用对应工具,从结果中学习,并持续迭代,直到设计满足指标。整套流程的效率,人力很难企及。
行业为什么转向由领域专用多智能体系统来处理工程流程里的不同环节?首先,通用大语言模型(LLM)智能体固然可以处理部分任务,但量产级芯片设计需要深厚的行业知识、和工程工具深度打通,并且能够驾驭复杂工作流。
通用智能体的短板集中在这几点:
长周期任务:工具运行耗时久、步骤相互关联,通用智能体很难维持上下文,从头到尾闭环完成任务。
AI错误传导:推理失误、RTL修改偏差、结果解读出错,会随着流程一步步累积放大。
算力低效:反复读取大量报告、不断重试失败步骤,会消耗算力,却得不到预期结果。 要考虑的因素繁多,团队不能简单把大模型对接设计工具,就指望产出可量产的设计。半导体行业需要一套量身打造的系统,融合领域知识、专用工作流、工具与模型,才能应对芯片设计的复杂度。
智能体AI真正的核心差异,是不再局限于单一任务辅助,而是从头到尾攻克复杂工程问题。
典型的智能体工作流一般从设计需求开始。智能体判断需要执行哪些步骤,按需生成或更新RTL;随后调用对应的工程工具,复盘结果,排查问题,寻找PPA优化空间。基于分析结论,智能体调整设计、重新跑工具,循环往复,直到设计达标。
根因分析是很好的例子,比如ChipAgent的自动化根因分析(RCA)流程。智能体结合RTL、测试平台、日志和波形分析,定位仿真失败的根源。它的波形引擎支持定向查询信号事件,不用把完整波形数据库全部载入上下文。成对的并行证明器 - 验证器,对照代码和波形证据提出、核验根因假设,再通过自一致性机制,按置信度对结论排序。工程师拿到排序后的分析结论、追踪链路以及bug修复方案,再做复核。
这套方案已经落地量产。在Whalechip,智能体AI帮助工程师在内存控制器中找出4个关键bug,其中包含一处隐蔽的三周期竞态问题。借助对海量设计数据的自动化分析,团队把根因分析时长从几天压缩至最短15分钟。
这套反馈驱动模式,让AI智能体可以独立作业。它不再只负责其中一步,而是跑通完整闭环:理解目标、执行任务、评估结果、修正问题、验证输出。在多智能体系统中,不同专用智能体各司其职,协同完成同一个工程目标。
芯片设计一大痛点:早期RTL选型会显著影响时序和功耗,但工程师往往要等到流程后期才能看到这些影响。这会造成下游大量返工,拉长设计周期(见图)。
AI智能体可以快速生成大量假设方案、开展设计探索,但物理评估是核心瓶颈。加快这套反馈循环,有助于团队筛选优质设计方向,把算力投入到更有价值的候选方案上。
物理感知替代模型可以解决这个痛点,充当后端设计工具的高速替代方案。模型从过往RTL设计和对应的后端结果中学习,提前预判时序、功耗表现,在代价高昂的问题出现前就提前预警。
这一点对智能体设计至关重要。自动化智能体需要快速、可靠的反馈,判断设计改动会如何影响芯片物理性能。缺少这项能力,智能体只能反复运行成本高、速度慢的仿真,判断改动方向是否正确。提前拿到PPA反馈,可以大幅削减无效迭代,降低算力与软件成本,缩短开发周期。
单一AI模型或智能体无法覆盖芯片设计全流程。想要让智能体AI在半导体开发中发挥价值,需要一套全栈方案,让模型、工作流、工程工具协同运转。同时要兼顾物理感知反馈,保护敏感设计数据,核心依靠三大要素:
模型:推理规划模型搭配专用物理感知模型,协同优化多项设计目标;
工作流:智能体工作流留存设计意图,管理长周期、多步骤的设计流程;
AI原生工具:帮助智能体更快执行动作、精准解读结果、提前拿到反馈,指导后续步骤。
多层体系配合,AI才能看懂设计、预判改动对物理性能的影响、选用合适工具与流程,持续迭代直至满足工程指标。同样重要的是沉淀企业设计资产,让智能体从过往工程决策中学习,持续进化。
安全也不容忽视。本地部署、本地训练,能够把敏感设计数据、自研方案、企业技术知识保护在客户防火墙之内。
即便智能体AI承担更多执行工作,工程师依然负责定义芯片规格、约束条件、架构优先级、PPA取舍以及最终验证。
变化的是:中间大量重复性工作不再需要工程师手动完成。智能体承接反复迭代的执行环节,工程师可以把精力放在专业判断上。工程师的角色转向把控整体流程、评估结果、介入异常场景和关键设计决策。
这种转变会深刻改变工程团队的工作模式:可以探索更多设计方案、承接更多设计任务,缩短从规格定义到设计验证的周期。
随着相关能力持续成熟,智能体AI会改变半导体团队从初始目标到验证定稿的模式。芯片开发的大趋势,是工程师从一步步手动操作工具,转向瞄准更高层级的工程目标。工程师定义 “要做成什么”,自动化系统负责落地执行、评估、优化与验证。最终形成迭代更快的设计流程,工程师得以把更多精力放在架构、方案取舍和需要专业判断的核心决策上。
本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。
