《半導體工程》雜誌邀請了ChipAgents全球客戶成功副總裁Cindy Cui、 Silvaco首席執行長Wally Rhines 、Moores Lab AI首席執行長Shelly Henry、Breker Verification Systems首席執行長Dave Kelf、Verific人工智慧開發主管Vince Wong以及Silimate首席執行長Ann Wu，共同探討在晶片設計和驗證中使用智能體人工智慧的優缺點。
此次小組討論在近期舉行的2026年ESD聯盟高管展望會議上面向現場觀眾進行。
SE：EDA領域的熱門新話題是智能體AI。它將在半導體設計和驗證方面發揮那些作用？您認為它又存在那些潛在問題？
Cui：智能體人工智慧將重塑整個設計流程。它現在已經開始發生了。我們正在討論很多應用場景，從設計驗證（DV）到從右到左的文字生成，再到使用者模型（UVM）、形式化設計，以及未來的前端到後端設計。它已經幫助很多工程師加快了設計周期。所以它正在發生，而且現在已經很成熟了。至於未來的挑戰，我們面向全球數千使用者，我們認為真正的挑戰不僅僅在於技術本身，還在於組織轉型——如何引導工程師適應新的解決方案並建立團隊合作。這方面還有很多工作要做。我認為整個行業都必須攜手合作，幫助我們為此做好準備。
Wu：我們公司的標語是“晶片設計師的副駕駛”。如今，我們致力於建構晶片設計師使用的AI模型、工具和智能體。這使得設計空間的搜尋更加精準、規模更大。在以往的晶片設計中，由於人工操作和計算資源的限制，其可能性受到很大制約。現在，我們可以進行更多實驗，進行更多試錯。除了組織架構方面的挑戰之外，我們面臨的另一個挑戰是如何判斷實驗結果的質量？以及如何快速精準地做到這一點？
Henry：我是從使用者的角度來說的。我們擁有來自 Cadence、Synopsys、西門子等公司的所有這些強大的工具，但工程師仍然需要兩年時間才能開發出一個晶片。為什麼需要兩年？這兩年裡究竟發生了什麼？我們如何利用人工智慧將時間縮短到三個月？我們可以做很多事情。我們可以生成設計，生成驗證文件，進行偵錯。但歸根結底，問題在於“如何證明？”你生成了 RTL 程式碼。你怎麼知道它是正確的？你生成了規範，並根據規範生成程式碼。你如何關聯並確保你生成的內容在所有方面都是正確的，即使是在進行測試平台測試時？你怎麼知道測試平台是正確的？當你完成程式碼覆蓋率統計時，你怎麼知道沒有任何東西被意外地加入到排除列表中？作為工程師，我們每天都在做很多複雜的工作。我們如何利用人工智慧實現自動化，最終縮短生產周期？其核心思想是利用人工智慧更快地製造晶片。
SE：這其中有多少是設計方面的問題，又有多少是能否搭乘晶圓廠的轉運車，尤其是在先進製程節點上測試晶片的問題？部分原因是產能不足，因為都被那些大型晶片製造商佔用了。
Henry：所有這些大公司都在大規模生產晶片——比如Google、微軟、Meta、英特爾、AMD 等超大規模資料中心。晶圓廠也都是為了服務這些大公司而建的。如果你是一家小公司或初創企業，想自己造晶片，未來六個月能搭上台積電的班車就算走運了。這就是目前的生態系統。但我相信人工智慧技術將使整個領域更加民主化，更多的人將能夠以更低的成本、更快的速度製造晶片。這也將帶動生產端晶圓廠生態系統的發展。
SE：回到最初的問題，人工智慧會在那些方面發揮作用，又會在那些方面造成問題？
Wong：從積極的一面來看，這對每個人來說都將大大提高效率。從消極的一面來看，那就是對人工智慧的過度信任。人工智慧還沒準備好讓我們把所有事情都交給它，讓它自主運行。這當然是目標，但遺憾的是，現實並非如此。目前，很多流程都無法自動化。它需要設定固定的環節，讓人類參與其中。我認為現在人們還沒有充分重視這一點，但這會逐漸成為主流，而且應該成為所有方法論的一部分。
Rhines：您談到了加速設計環節。但還有另一個環節，那就是流程，而這在整個過程中卻被忽略了。流程的複雜性以及運行原型晶圓所需的時間，使得傳統的物理原型製作方法變得不切實際。我們必須能夠為單元流程建構替代模型——即能夠在電腦上而不是在實驗室中進行流程整合。這是一個巨大的機遇，因為那些斥資250億美元建造晶圓廠的人非常看重提前一個月啟動生產。他們財力雄厚，而且會毫不吝惜地投入資金，這與受客戶研發預算控制的EDA預算截然不同。因此，如果您擁有40年的模擬資料，並將其整合到這些替代模型中，那將是一個巨大的機遇。
SE：這實際上是對一個複雜得多的設計進行分而治之，對吧？這裡面涉及的元素更多，尤其是在智能體人工智慧方面。你如何將所有這些元素整合在一起？
Rhines：我們EDA行業的很多人最終都會出售或出租代理，或者向不願透露其專有資訊的客戶提供資料庫。我們可以為他們提供一個代理，利用其專有資訊來校準我們的合成資料，使其符合流程或流程能力的預測標準。
Kelf：過去30年裡，我們無數次坐在這樣的講台上，感嘆“晶片設計發展如此迅速，我們該如何跟上？資源從何而來？世界正在崩塌，我們該怎麼辦？下一步是什麼？” 而突然之間，我們找到了答案。毫無疑問，人工智慧將對我們的業務產生巨大而深遠的影響。問題是，“我們該如何實現這一目標？” 一方面，我們中的許多人正在將人工智慧融入到我們的工具中，提高效率，並進行這些漸進式的改進。另一方面，似乎也存在著一個機會，可以徹底拋棄我們現有的一切，建立一個全新的流程。在EDA領域，這種嘗試以前也曾有過，但通常都以失敗告終，原因有很多。然而，或許這一次，我們可以嘗試一下。問題在於，晶片設計並非像推薦你觀看接下來10個視訊那樣的小生意，漏掉一個視訊也無關緊要。這是一門精密的科學。製造晶片時，容不得1%的誤差。它必須精準無誤。因此，我們必須解決的問題是如何規避這個問題。我們如何確保這些人工智慧裝置能夠做到絕對精準？
SE：如何衡量智能體人工智慧的成功？
Rhines：這些改進更注重質量而非數量。當然，我們會在更短的時間內完成設計，發現比以往更多的bug，並大幅減少文件編寫、初始RTL生成、測試平台建立和運行等繁瑣工作。這些都能讓人們騰出精力去從事更具創造性的工作。但最終設計的質量——或者至少是中間步驟的質量——才是智能AI與傳統方式的真正區別所在。
SE：衡量成功的標準是時間零點，還是隨時間推移？
Cui：這些指標將是一個不斷演進的系統。過去，人工智慧可以幫助單個工程師提高效率。但有了智能體人工智慧，它就能在信任的基礎上幫助整個工程團隊提升效率。我稱之為“可信加速”。展望未來，從初始階段（T-0）開始，隨著時間的推移，這最終將演變成一個自我演進的工程系統。我們完全可以建構一個能夠從所有過往經驗中學習、持續收集反饋並不斷演進的系統。這才是未來行業人工智慧解決方案的發展方向。
Wu：它會不斷發展，尤其隨著我們設計的系統能力不斷提升。我們需要設定一些結果和指標，最終還是要以結果為導向。從軟體行業的角度來看（這對我們來說是一個領先指標），甚至在我們所在的行業，曾經有一段時間大家都在思考“我們該如何使用人工智慧？如何將人工智慧的使用率提升到100%？”而現在，大家關注的焦點變成了“代幣預算已經過時了。投資回報率在那裡？效率在那裡？”在我看來，關鍵不在於不斷發展或具體的指標，而在於我們如何利用人工智慧實現以前無法實現的事情。這才是對我以及我們客戶而言的試金石。你可以將速度提升2倍到5倍。你可以自動化一些理論上需要投入大量人力才能完成的流程。我們可以討論人才缺口問題，但真正的問題在於如何將12到18個月的周期縮短到6到9個月。答案在於全新的、超高效的流程，而這需要整個技術堆疊的協同作用。鑑於代理商擁有如此廣闊的探索和提出想法的空間，如何在極短的時間內確保質量，從而在極短的時間內完成探索、驗證和最終方案的確定？
Henry：這讓我想起很久以前的一個故事。有個數學天才，他在台上表演，觀眾給他一些三位數乘法題，比如342乘以287。他算出答案後，觀眾看著計算器說：“哦，對了。”一切都很順利。這時，觀眾席裡有個喝醉了的傢伙站起來說：“嘿，我也會算。”然後，又有人給了他兩個數，137乘以784。他立刻回答7432。觀眾說：“錯了。”他說：“嘿，但我很快。”很多事情你都能很快算出來，但你怎麼相信呢？我們能用這個結果造晶片嗎？我們今天也面臨著同樣的問題。我們有各種各樣的工程師。有些非常優秀，有些則不然。我們如何才能相信這些不同工程師的成果呢？這仍然是個問題。我們嘗試的解決方法是設定各種檢查點、驗證點和清單。但這非常隨意，取決於你所在的公司及其採用的方法論。如果社區能就這些質量標準達成共識——比如一些基準或驗證點之類的東西，讓所有代理商都能朝著這些目標努力——那就很有幫助了，這樣我們就能用一致的方式來判斷“好的，輸出結果是正確的，或者達到了一定的質量標準”。
Kelf：我本來想提一下基準。我們正在合作，努力理清更大的流程，以及我們如何才能更好地開展工作。我們首先想到的就是：“既然我們要合作，那麼我們可以設立什麼樣的基準來衡量我們通過合作究竟能帶來那些改進？”這將是一個“做大蛋糕”的過程，如果我們合作並共同建構這些不同的部分，我們就能真正為行業帶來巨大的改變。如果我們彼此競爭，那麼一切可能都會失敗。建立一些衡量指標，瞭解流程和我們取得的成就，然後看看我們每個人在其中扮演什麼角色，這至關重要。如果我們能夠在此基礎上不斷進步和發展，我們就更有可能取得成功。 (半導體行業觀察)