電子設計自動化工具會產生海量數據，但這些數據對人工智能的實際價值幾何？行業正探尋新方法，助力人工智能發揮更佳效能。

半導體設計過程會產生海量數據，但其中有多少能被人工智能工具利用、又有多少具備實際價值？若能獲取更優質、更易訪問的數據，人工智能的工作效率又能提升多少？這些都是半導體企業和 EDA 工具廠商一直在探索的開放性問題。

已有報告顯示，將智能體人工智能（Agentic AI）應用于現有工具和數據，已取得顯著成效，能為重復性任務或優化工作構建高效的反饋循環。但要充分發揮智能體工作流的價值，行業或許需要先沉下心來解決基礎問題 —— 半導體研發流程中的數據會持續變化，而不同設計階段、不同設計項目之間的數據關聯性，目前尚未得到充分考量。

實現左移設計的前期工作已為解決這一問題奠定基礎。左移設計即利用后期流程的近似仿真結果，在設計初期做出科學決策，這一過程往往需要對數據進行抽象處理或構建降階模型（ROM），而這些工作都需要實現自動化，這也可能需要借助人工智能技術。

當下的行業數據現狀

工程師們目前正借助 EDA 工具生成的信息，順利完成芯片的設計與驗證工作。南安普頓大學人工智能與 EDA 領域研究員西蒙?戴維曼表示：“我們獲取的幾乎所有數據，我都稱之為‘以人為核心’的產物 —— 這些數據都是為工程師查看、研究而設計的。無論是日志文件還是波形圖，其語義性都十分薄弱。我們手握海量數據，卻無法通過這些數據清晰知曉其實際作用。多數工作流都將數據視為副產品，而非可調控的抓手，而數據本應成為指導設計工作的核心服務。”

大語言模型雖能讀取這類數據，但部分內容的解讀存在主觀性。Vtool 公司首席技術官奧利韋拉?斯托亞諾維奇稱：“理論上我們可以生成更多數據，但最大的機遇在于從現有數據中挖掘更大價值。我們的目標并非追求數據量，而是數據質量。智能代理能夠挖掘日志文件和波形圖的價值，更全面地呈現驗證工作的進展。優化日志記錄方式已能提升分析深度，而人工智能輔助的日志生成技術將進一步突破這一上限。行業的工作重點應是通過數據分析，將現有數據轉化為具有實際意義的設計指導。許多團隊在發現智能代理能從日志中提取大量關鍵信息后，都會主動優化自身的日志記錄體系。”

驗證等流程會產生海量日志文件和各類信息，而梳理這些信息正是人工智能的核心應用場景。IC Manage 公司首席執行官迪恩?德拉科表示：“我旗下的企業已在多個環節應用人工智能，其中調試環節的應用尤為深入。芯片設計過程中會運行大量流程，涉及眾多芯粒、芯片組件和知識產權模塊，一旦某個環節出現問題，我們能通過仿真檢測到異常，卻需要耗費大量精力排查問題根源。而人工智能在梳理海量日志、數據集和各類信息，以及定位問題方面，效率極高、表現出色。”

不過，目前仍有大量 EDA 工具生成的數據未對用戶開放。新思科技首席產品經理吉姆?舒爾茨指出：“EDA 工具會產生大量數據，但大部分都未向用戶開放，這些數據僅由工具的核心引擎用于信息交互和糾錯調整。多數用戶也并不需要這些數據，因為他們無法將其有效利用于設計優化。”

但這是否意味著行業還需要更多數據？戴維曼給出了否定答案：“我認為并非如此，我們需要做的是優化數據監測方式，讓數據以標準化的形式呈現。這是行業面臨的核心監測難題，關鍵在于實現數據的可觀測性、語義化，以及對數據的管控與治理。當下的問題是，EDA 工具生成的數據都是面向人類的‘冗余產物’，并非能被機器直接利用的有效依據，只是單純的信息輸出，工程師需要耗費大量精力去梳理分析。”

并非所有人都認同這一觀點。ChipAgents 公司首席執行官威廉?王表示：“EDA 行業一直存在一個固有認知，即工具輸出的數據是‘為人類服務的’，但事實上這一觀點早已過時。一次簡單的回歸測試就能生成數百萬行日志和海量波形文件，沒有工程師能逐字逐句看完所有內容，他們最多只能通過關鍵詞檢索、查看少量波形片段，對疑似異常的內容進行分析，其余絕大部分數據，實際上都成了機器產生的‘冗余信息’。”

EDA 數據的體量極為龐大，單次設計快照的數據量往往就能達到數太字節。新思科技資深院士比爾?馬倫稱：“數據存儲需兼顧存儲空間最小化和訪問高效性，人類可讀性不應成為首要考量，但必須保證能對數據進行提取和可視化，方便工程師理解。”

要實現實質性突破，行業必須重視對管控數據的研究。西門子 EDA 產品負責人薩蒂什庫馬爾?巴拉蘇布拉馬尼亞表示：“目前我們擁有的數據量已足夠支撐人工智能的應用，只是在數據構建方式上仍需優化，以提升其可推導性。核心問題在于如何對數據湖中的數據進行標注、如何將數據庫向量化、如何對接所有相關數據源，以及如何讓數據湖與團隊的工作需求保持同步。在構建數據湖時，我們會為每一份數據標注信號類型、標簽、來源，同時明確其適用場景、禁用場景，以及可適配的軟件版本。當我們將數據開放至數據湖時，能為其添加大量相關標注信息。”

此外，數據的覆蓋范圍也需要進一步拓展。穆爾實驗室人工智能公司創始人兼首席執行官謝莉?亨利表示：“當前的 EDA 工具并未充分利用所有可用數據，主要原因有兩點：一是支撐智能體人工智能有效運行的大部分數據，都分散在各工具專屬的數倉中，尚無標準化方式實現跨工具的數據關聯；二是這些數據大多‘被困’在人類可讀的日志、報告和工具專屬數據庫中，并非為機器解析設計的結構化數據。”

一旦解決上述問題，當下 EDA 工具生成的大量數據甚至可能不再需要。Normal Computing 公司產品工程負責人阿爾溫德?斯里尼瓦桑稱：“在原生人工智能工作流中，EDA 工具目前生成的大部分數據最終都會變得多余。這些數據中很大一部分都是中間產物，其生成的唯一目的，是讓工程師確認某個設計步驟已正確完成。但這類中間產物大多可以直接舍棄，因為它們的存在只是為最終產品服務。”

這也意味著 EDA 工作流需要做出變革。亨利補充道：“事實上，從整個 EDA 生態來看，我們能找到所有目前已知的、可利用的數據 —— 這也是各類 EDA 工具被研發出來的初衷。設計遙測模式的研發，有望將設計和工藝狀態轉化為可查詢的圖譜，并通過極簡的應用程序接口（API）實現跨工具的數據共享。未來可根據實際需求，對這一模式進行優化，以提供更多維度的數據。”

未來的 EDA 發展，需要與當下截然不同的數據體系。斯里尼瓦桑表示：“從長遠來看，芯片設計將實現從需求規格到物理設計的端到端直接落地，那么只要我們擁有能驗證設計評審結論的模型 —— 這些結論原本需要通過中間產物讓工程師確認，我們又為何需要 EDA 工具生成的中間輸出？行業真正需要思考的問題，并非‘我們生成的數據是否足夠’，而是‘我們是否為真正重要的工作流，生成了合適的數據’。”

人工智能智能代理技術

如今，多數人工智能智能代理只能讀取單個 EDA 工具生成的數據（可能包含多次運行結果），并試圖從中推導有效信息，最終可能會對設計方案或工具運行參數做出調整。Normal Computing 公司人工智能工程師金道潤表示：“工程師會根據仿真結果反復優化參數，在少量迭代后收斂至預期的性能目標，人工智能智能代理的工作模式與之相似 —— 它會持續從仿真和其他流程生成的數據中提取洞察，為后續決策提供依據，而這類工作模式的落地，需要標準化程度較高的數據支撐。”

人工智能智能代理的價值，要么是產出更優的設計結果，要么是大幅節省工程師的工作精力。巴拉蘇布拉馬尼亞稱：“在同一問題的不同版本迭代中，實現跨運行過程的知識遷移，將成為核心關鍵，其能帶來的效益也十分可觀。一旦我們構建起不犧牲精度的自驗證檢查循環，不僅能大幅節省計算資源和軟件許可證的使用時間，還能快速得到設計答案。而當智能體工作流落地后，效率還將實現數量級的提升。針對特定任務優化后的智能體工作流，能知曉設計的歷史版本，也能明確如何設計回歸測試才能實現產能最大化，并在后續的運行中直接落地這一策略。”

而識別設計中的變化，是實現這一目標的核心。威廉?王表示：“工程師真正需要的并非更多的工具輸出，而是更高層級的工作流編排：哪些故障是新出現的？哪些是無意義的噪聲？哪些流程需要重新運行？設計發生了哪些變化？芯片是否已具備流片條件？我們應將日志和波形圖視為智能控制層的遙測數據，人工智能智能代理能持續對回歸測試結果進行分類、聚類故障、挖掘根因，并驅動后續的工具運行。人類只需參與決策判斷和審批簽字，而工作流的實際運行則由智能代理完成。在當下的芯片設計規模下，這并非錦上添花的功能，而是在流片前管控設計復雜性的唯一途徑。”

EDA 工具的智能體人工智能能力正在快速演進。馬倫表示：“這類能力能充分利用所有可用數據，無論是當前設計產生的數據，還是過往同類、異類設計的運行數據，都能成為優化依據，進而提升設計結果的質量，讓優化工作能基于歷史數據進行精準調優。”

行業需要在現有能力的基礎上持續突破。亨利稱：“EDA 行業正處于人工智能發展的關鍵拐點，要延續摩爾定律核心的性能和生產效率提升趨勢，關鍵在于利用智能體人工智能補充、增強（而非替代）工程師的能力。這一切都始于重新規劃 EDA 工具的數據需求，并利用人工智能構建統一的‘設計遙測’模式，就像現代云系統對追蹤數據和指標進行標準化那樣。”

目前已有部分問題的解決，需要整合多個工具、多次運行產生的數據。斯托亞諾維奇表示：“我們將驗證工作視為大數據問題來解決，通過數據分析和建模，將海量仿真輸出轉化為清晰、可落地的洞察，讓工程師獲得前所未有的設計可視性和管控能力。故障分類的核心，是檢測通過性測試中隱藏的異常、可視化設計的行為模式，并將設計或測試平臺的變更與故障進行關聯分析。這類可視化分析，能挖掘出那些原本被隱藏的設計規律和異常點。”

人工智能能為驗證工作節省的每一分鐘，都能為行業帶來巨大增益。德拉科舉例道：“比如在設計無實質變更的仿真工作中，人工智能就能發揮巨大作用。它能基于 Verilog 設計或門級設計，高效生成虛擬或真實的測試用例，充分驗證設計的各項性能，從而大幅提升設計的測試覆蓋率。”

只要數據能在需要時被快速檢索，就無需將所有數據都進行輸出。戴維曼表示：“我們在開放硬件領域研發了 RISC-V 驗證接口（RVVI），核心目的就是打造可交互的追蹤數據。這一接口不僅定義了追蹤數據的格式，還開發了與模型交互的 API，使其成為一套數據交互的標準協議，而非單純的追蹤數據和截圖查看工具。這才是正確的發展方向。未來，我們可以將這些工具封裝為人工智能智能代理的子組件，實現更多功能。工程師可以向智能代理提出關于設計和追蹤數據的問題，而非讓其單純地復述信息。我們需要為智能代理提供真實的運行依據，而非僅有的追蹤信息，并實現數據溯源，這將徹底改變智能代理的工作模式。”

模型上下文協議（MCP）

長期以來，EDA 行業一直通過 API 調取工具的內部數據。Amiq 公司首席執行官克里斯蒂安?阿米特羅亞伊表示：“模型上下文協議（MCP）這一開放標準的推出，讓行業邁出了關鍵一步，它實現了人工智能智能代理與外部數據、應用程序的互聯互通。我們研發的 MCP 服務器，能通過這一協議，將完整的設計和驗證層級編譯數據庫中的信息，開放給人工智能智能代理，尤其是代碼生成類的智能代理。訓練數據不足、缺乏上下文信息，會導致人工智能出現幻覺現象，或生成錯誤的寄存器傳輸級（RTL）代碼、測試平臺代碼。而我們通過讓智能代理利用語言語義和項目上下文的深度知識，有效解決了這一問題，確保代碼生成的準確性。我們堅信，其他 EDA 工具也會找到利用我們數據庫中數據的新方式，而我們也將通過 MCP 協議，為行業提供更多有價值的信息。”

這一協議已在行業內獲得廣泛關注。巴拉蘇布拉馬尼亞稱：“我認為行業和客戶共同的核心需求，是打造兼容 MCP 協議的產品。MCP 服務器本質上就是人工智能領域的 API 層，只是功能更為智能。我們可為每款產品搭建專屬的 MCP 服務器，然后開放并定義所有操作指令。結合智能代理、大語言模型和檢索增強生成（RAG）架構，就能為各類應用場景構建自優化的工作流，最終實現設計目標。”

MCP 協議也有望成為企業的產品差異化競爭優勢。斯里尼瓦桑表示：“隨著芯片企業的人工智能應用從‘副駕駛’向‘全職工作者’轉變，EDA 工具必須從根本上實現與這些人工智能工具的兼容。EDA 廠商完全可以通過搭建 MCP 服務器，讓外部系統以編程方式調取工具的內部數據、向工具輸入外部數據。目前尚不確定所有廠商是否都認為這一模式具有優勢，但頭部芯片企業必將推動這一發展方向，若某家 EDA 廠商拒絕跟進，這些企業便會選擇與之合作的競品，而 MCP 協議也將成為企業的核心競爭點。”

不過，MCP 協議的落地還需要考慮一些細節問題。德拉科表示：“如今整個行業都在討論 MCP 協議，搭建該協議本是為了讓工具的協作更高效，但我們發現，實際應用中并非所有場景都需要 MCP 協議，有時它甚至會成為阻礙。為人類編寫的文檔本就具備較高的參考價值，即便我們將其轉化為更適合機器讀取的格式，能提升的解析效率也十分有限，那又為何要耗費精力去做這件事？這正是人工智能的優勢所在 —— 即便數據格式不同，人工智能也只需多花一分鐘就能完成解析，而我們無需額外投入精力去開發、維護新的文檔或數據格式。”

問題的核心在于，MCP 協議的設計存在優劣之分。巴拉蘇布拉馬尼亞稱：“為一款產品搭建 MCP 服務器并非難事，但可能存在運行不暢的問題，或僅能在 20% 的場景下正常工作。每款產品都需要擁有專屬、規范的 MCP 服務器搭建方案，同時還需要一個高效的 MCP 編排器，對特定工作流中的所有 MCP 服務器進行統一管理，這一點至關重要。我們已發現部分客戶自行搭建了 MCP 服務器，但隨后反饋稱，為某款產品搭建的服務器無法正常運行，這是因為他們并非完全了解產品的底層邏輯。而由廠商自主搭建，才能打造出高效的 MCP 服務器。因此，MCP 協議的兼容性將成為行業核心，而這一趨勢已在逐步顯現。”

這一目標的實現，需要行業各方的協作。德拉科表示：“EDA 工程師是全球最頂尖的技術人才之一，他們同時精通軟件和硬件知識。行業內有大量軟件工程師和人工智能工程師，但他們對硬件設計一無所知；而硬件工程師雖掌握設計能力，卻只會使用 EDA 工程師開發的工具。EDA 是一個極具挑戰性的行業，目前行業的發展方向是正確的，從業者也在做著正確的探索，但整體仍處于‘野蠻生長’的階段，沒有人能預知最終的發展結果和行業變革。”

戴維曼對此表示認同：“我們需要將掌握設計、驗證等領域專業知識的人才，與人工智能專家匯聚在一起。只要雙方通力合作，兩年內就能取得突破性的成果。因為僅憑人工智能，無法解決 EDA 行業的核心問題；而 EDA 行業的發展，也需要人工智能技術實現下一代的跨越，二者的融合是必然趨勢。”