代理式 AI 重构 EDA：从对话助手到虚拟工程师

本站报道（文/吴子鹏）代理式AI（Agentic AI）作为AI领域的新兴方向，是一种能够通过自主感知、推理、规划与执行，独立完成复杂多步骤任务的AI系统，正在深刻改变全球各行业的运营模式和工作方式。与传统的生成式AI不同，代理式AI不仅能理解语言，还能自主规划任务、调用工具并执行操作，重塑各行业的价值链和商业模式。Gartner预测，到2028年，33%的企业软件将包含代理式AI，而2024年的这一比例还不到1%。

在2025年的CadenceLIVE China中国用户大会上，Cadence高级副总裁兼系统验证事业部总经理Paul Cunningham博士分享了代理式AI在EDA（电子设计自动化）领域的发展现状与未来愿景，揭示了从对话助手到虚拟工程师的变革之路。

AI在EDA领域的三层进化：从辅助到自主

随着技术的进步，AI开始在EDA领域崭露头角，行业正处于从优化式AI（Optimization AI）向协助性AI（Assistant AI）过渡的关键阶段。Paul Cunningham博士表示，优化式AI已在Cadence工具中实现广泛应用，成为工程师提升效率的重要助力。在芯片设计中，工程师以往需耗费大量时间手动调整参数以实现性能、面积、功耗（PPA）的平衡，而如今借助优化式AI，工具可自动完成这些复杂的优化工作。例如，将12纳米制程的芯片设计迁移至6纳米制程时，AI能自动调整设计参数、重新规划流程并完成模拟验证，极大减少了人工重复操作。

随着技术的不断迭代，Cadence正迈向协助性AI，目前已实现部分功能的实际部署。这一阶段的核心亮点在于自然语言交互功能的应用，彻底降低了EDA工具的使用门槛。以往，工程师需要熟练掌握复杂的脚本语言和专业指令才能操作Cadence工具，而现在，即使是非专业用户，也能通过自然语言与工具进行交互。比如，当工程师需要将两根线连接在一起时，无需再研究工具的指令体系，只需用自然语言提出需求，工具就能理解并提供相应的操作指导。Paul Cunningham博士指出，在未来6-12个月内，Cadence工具将借助协助性AI实现更高级的功能：不仅能回答工程师的问题，还能自动诊断设计问题、分析问题根源并给出解决方案，甚至询问工程师是否需要自动修复问题，进一步提升设计流程的智能化程度。

不过，代理式AI的潜力远不止于此。未来的AI不仅能提供协助和回答问题，还将具备自动生成或自动修复功能。当客户的芯片设计中出现错误时，AI不再仅仅是指出问题，而是能够进一步提供建议，甚至直接进行修正，并请求用户确认。这种从“发现问题”到“解决问题”的转变，是代理式AI发展的重要里程碑。

因此，Paul Cunningham博士认为，代理式AI将朝着“虚拟工程师”的方向发展。随着芯片规模不断扩大，晶体管数量突破百万、甚至百亿级，行业面临“工程师缺口”难题——既难以找到足够多的专业工程师，也无法让工程师资源增长速度跟上芯片复杂度提升速度。而在不久的将来，用户与Cadence软件的交互将更自然，如同与人类同事交流一般。工程师可将更多重复性工作交给虚拟工程师完成，从而提升工作效率与生产力。尽管实现完全自动化的SoC（系统级芯片）设计仍需时日，但虚拟工程师的出现，必将为EDA领域带来一场深刻变革。

Paul Cunningham博士描绘了这样一幅未来图景：未来企业无需再花费大量精力培训工程师掌握各类EDA工具，而是直接“租用” Cadence的虚拟工程师。用户只需向虚拟工程师提供芯片设计需求文档、参数要求等信息，虚拟工程师就能像人类专家一样参与设计会议、理解需求，并自主完成从IP（知识产权）选型与整合、RTL（寄存器传输级）代码生成，到布局布线、仿真验证的全流程工作。

但Paul也明确表示，尽管这一愿景令人向往，目前尚未完全实现。当前，Cadence正致力于将AI技术应用于特定领域，培养“领域专家型AI”，而非追求无所不能的通用超级智能。例如，在验证和物理设计等领域，通过为大语言模型（LLM）提供特定领域的培训数据与专业知识，使其成为该领域的专家，从而更好地解决实际问题、减少“幻觉”现象。这种“领域专家培养策略”，将有效推动AI在EDA领域的落地应用，为客户创造更大价值。

以创新策略应对代理式AI落地的挑战

在代理式AI的发展过程中，半导体行业仍面临诸多核心难题，而Cadence凭借创新的技术策略，为这些问题提供了有效的解决方案。

Cadence的JedAI平台是其实现AI愿景的核心载体之一。Paul Cunningham博士表示：“JedAI的关键优势在于灵活性。我们不再将重点放在模型的自主训练与微调上——大语言模型的更新速度极快，每3-6个月就会出现新版本，与其耗费大量资源进行模型微调，不如专注于构建高效的数据整合与调用系统，让现有大语言模型充分发挥作用。”JedAI能够将客户的内部知识与外部大语言模型（LLM）深度结合，确保输出结果的准确性。

针对“AI工具是否会增加算力负担”的疑问，Paul Cunningham博士指出，当前AI在EDA领域的应用以GPU推理为主；相比模型训练所需的高昂算力成本，推理阶段的算力需求更低。客户可根据自身需求选择自建GPU集群或使用云端GPU资源，且GPU资源可在EDA设计、财务、人力资源管理等多个领域共享，进一步提升资源利用率。因此，客户普遍认为：只要合理部署AI工具，其带来的效益将远远超过成本投入。

在代理式AI落地过程中，Cadence的IP产品也发挥着重要价值。Cadence将代理式AI与IP深度整合，提出“硅代理（Silicon Agent）”概念，重构了IP在芯片设计中的应用模式：
·IP整合环节：工程师可通过自然语言指令，让硅代理自动配置并调用Cadence的各类IP，将其集成到系统级芯片（SoC）中；
·IP迁移环节：代理式AI（Agentic AI）可助力实现IP在不同制程间的快速迁移。例如，将5纳米制程的SerDes（串行器-解串器）IP迁移至3纳米时，AI能自动调整设计参数、完成布局布线，并抽取电容、电阻参数进行进一步优化，大幅减少手动调整工作量；
·IP开发环节：Cadence正探索利用代理式AI自动生成IP并完成集成的技术路径，未来有望实现IP开发的全自动化，进一步缩短芯片设计周期。

对于“代理式AI是否会取代芯片设计工程师”的担忧，Paul Cunningham博士给出了明确答案：AI不会减少对工程师的需求，而是将工程师从繁琐的重复性工作中解放出来，构建“人机协同”的高效工作模式。

除代理式AI外，数字孪生（Digital Twin）也是Cadence的重点布局方向，正成为推动半导体行业发展的新动力。Cadence的长期战略还包括将AI与数字孪生技术结合，实现芯片与系统的协同设计。

以物理仿真加速为例：在传统的芯片制程仿真中，工程师往往需要仿真数万个点才能绘制出准确的特性曲线；而借助AI预测技术，可大幅减少实际仿真的点数，通过AI预测补充缺失的仿真数据，显著提升仿真效率。

同时，AI将帮助设计者从“单一芯片思维”转向“系统 芯片”的全局思维。在物理系统协同层面，以汽车电子为例：一辆汽车通常集成上千颗芯片，这些芯片的工作状态会直接受到温度、压力、电磁兼容（EMC）、封装等物理环境的影响。Cadence通过物理数字孪生技术，将芯片模型与汽车的物理特性模型深度耦合，使工程师在设计阶段就能模拟芯片在实际行车环境中的表现，提前发现“温度过高导致的性能衰减”“电磁干扰引发的功能故障”等问题，避免后期系统集成时的返工。

在软件系统协同层面，Cadence提出“功能孪生（Functional Twin）”概念，解决芯片设计与软件开发不同步的行业痛点。以汽车远程软件升级（OTA）为例：未来汽车的驾驶功能、交互体验需通过软件实时更新，这要求芯片在设计阶段就与软件功能深度匹配。借助功能孪生技术，工程师可在芯片流片前，通过仿真环境模拟软件在芯片上的运行行为，大幅缩短产品从设计到落地的周期。

写在最后

当虚拟工程师成为芯片设计团队的标配成员，当“租用AI能力”取代“培训工具技能”成为行业新范式，代理式AI不仅将缩短芯片设计周期、降低创新门槛，更将为半导体产业应对“复杂度与效率”的核心矛盾提供关键解法，开启一个人机协同共创的智能设计新纪元。