AI智能体能否推动芯片设计左移

行业背景:AI智能体向芯片设计流程渗透
AI智能体正逐步进入芯片设计、验证与确认环节,业界开始讨论其能否推动设计左移。然而,实现EDA工具链的深度集成、沉淀数十年工程经验并非易事。在《Semiconductor Engineering》组织的专家圆桌访谈中,新思科技、Hiveware、Silvaco、Axiomise等公司的代表就此展开讨论,涉及方法论、数据、成本等多重障碍。
核心信息:层级化智能体架构与协同难题
与会专家认为,智能体编排需要全新方法论,类似当前UVM验证方法学的地位,但如何协同各类智能体尚无明确答案。新思科技战略项目与系统解决方案执行总监弗兰克・施尔迈斯特提出“洋葱模型”:底层由专用智能体完成局部任务,中层智能体统筹调度,高层对接前端设计。各大EDA厂商宣称已实现L5级别智能体能力,但仅限于各自工作域内。Silvaco业务拓展副总裁杰克・伯格强调,这高度依赖层级化架构。Hiveware业务拓展与战略合作副总裁罗南・拉维夫则提出,可让AI生成可综合的SystemVerilog RTL代码,以提升硬件仿真速度。
工程经验沉淀是另一大挑战。拉维夫透露,行业曾梳理出功耗、仿真、格式处理、验证领域共250项专业技能,AI尚未掌握。Axiomise创始人阿希什・达巴里指出,很多智能体AI企业缺乏真实工程经验,产品不贴合用户需求;大型企业则倾向自研,因其掌握业务场景和多年数据。施尔迈斯特引用南安普顿大学教授西蒙・戴维曼的观点称,三大EDA巨头手握底层工具并搭建智能体栈,形成芯片技术栈,但核心数据掌握在终端用户手中,如三星自研SoC仿真器并训练自有大语言模型,导入内部数据,这类私有数据不会外泄。
对产业链的影响:成本与数据壁垒决定落地节奏
达巴里质疑,中小企业是否有预算完成令牌调用、跑通整套系统。他判断只有大型企业才负担得起,这些大厂已在试点全智能体编码。施尔迈斯特则期待成本大幅下降后,中小型设计项目也能受益,但强调与英伟达等巨头竞争仍需大型企业体量。伯格以AlphaFold耗时50年突破为例,认为半导体行业存在复刻可能性,但拉维夫指出关键区别:蛋白质领域数据几乎全部公开,而芯片设计数据多为私有。
从产业链环节看,此事落在设计环节,直接影响EDA工具与芯片设计方法学,间接波及制造与封装。智能体若成熟,可接管工程师重复性基础工作,但需先解决多工具协同、早期多物理场校验等问题,否则流片后芯片可能直接失效。目前,行业仍处于摸索阶段,主流EDA厂商的简化路径与产品形态尚不明朗。
结语
AI智能体推动芯片设计左移的愿景值得期待,但工具链集成、经验沉淀、数据孤岛与成本门槛构成现实约束。短期内,大型企业或率先受益,中小企业则需等待成本下降与生态成熟。
来源:电子产品世界 EEPW









