代理式 AI 重构 EDA：从对话助手到虚拟工程师

电子发烧友网报道（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。