核心要點

• 數據中心的諸多工作流程均為客戶定制化，這也是業界高度關注智能體 AI 工具的原因之一。

• 大型系統公司正推動 EDA 廠商提升性能，以跟上其 AI 工作流的發展節奏。

• 隨著 AI 深度融入芯片設計流程，設計團隊的構成正在發生改變。

圓桌專家

邀請多位專家探討 AI 對芯片設計的影響，以及 EDA 工具隨之而來的變革需求：

• 新思科技（Synopsys）AI 與機器學習副總裁 Thomas Andersen

• 英特爾（Intel）模擬 / 混合信號工具 / 流程高級總監 Sridhar Boinapally

• AMD 公司院士 Alex Starr

• 英偉達（Nvidia）GPU 硬件工程副總裁 Stuart Oberman

• 微軟（Microsoft）硅工程基礎設施合伙人兼總經理 Silvian      Goldenberg

• 加州大學伯克利分校電氣工程與計算機科學教授 Borivoje Nikolic

以下為近期新思科技 Converge 大會上，面向現場觀眾的小組討論節選。

問：AI 算法快速迭代，我們是否會走向更通用化的硬件，讓軟件比以往更重要？還是會出現更深度的定制化？

Oberman（英偉達）：英偉達系統的核心之一，是打造可優化的軟件環境，實現最高的單位面積性能與單位功耗性能。針對高性能數據中心，我們不談單位面積性能，而是每吉瓦性能，這已成為行業標準。作為設計師，我需要年復一年地提升單位功耗性能，這是核心競爭力，各家公司有不同實現路徑。

Starr（AMD）：EDA 廠商是工具與領域的專家，多年積累的技術能力極為深厚，這些才是推動變革的關鍵。大型半導體公司擁有大量內部技術 —— 異構流程、專屬定制數據。EDA 的核心是如何利用這些資源，廠商需要充分發揮工具中的專業積累。半導體公司在內部基礎設施與 AI 能力上各有差異，會在 “直接采用 EDA 廠商完整智能體方案” 與 “聚焦單個工具深度優化” 之間做出選擇。

問：你們目前還缺少什么？

Boinapally（英特爾）：缺口很大。EDA 廠商在智能體 AI 革命中略顯滯后，包括超大規模云廠商在內的眾多企業都在布局。傳統思路是 “我提供工具、引擎、能力，設計師自行完成落地與優化”。但智能體革命更進一步，可提供更高自動化的工具，能依據高層規格自主迭代設計，這是我們的發展方向。

Andersen（新思科技）：供需雙方都有各自的專業積累，只是交付方式不同。如今我們用算法打造最優工具，由技術支持人員協助調試；客戶則搭建芯片設計流程，是芯片演進的專家。未來我們將通過數據庫與 AI 智能體交付專業能力，客戶則用自動化替代手動腳本運行 CAD 流程。目前 AI 訓練完全依賴人類專家經驗，未來需要實現自學習系統，讓 AI 發現超越人類的最優方案，屆時行業差異化可能縮小。

Goldenberg（微軟）：首先我們需要高質量數據，包括規范的數據組織、便捷的數據獲取。過去多廠商工具整合困難，需要統一基礎設施與標準，現在可搭建工作流，讓每家設計公司發揮自身特色，形成差異化競爭力。

Boinapally（英特爾）：即便 EDA 高度自動化，產品依然會有差異。就像好萊塢電影，使用相同設備，卻能拍出截然不同的作品。

Oberman（英偉達）：Claude 已能直接對接企業應用（Excel、PowerPoint），未來工具與大模型廠商的集成路徑值得思考。目前前端輸出難以直接接入大模型，需手動整理日志導入智能體流程，企業場景已基本解決，但能否與模型廠商實現直連集成？

Nikolic（伯克利）：AI 應用于設計各環節的成本是關鍵。芯片領域缺少替代仿真，仿真工具僅跟進高性能計算，未適配 AI 推理速度。EDA 工具對 GPU 的應用滯后，學術界正研究并行仿真加速設計流程。

Andersen（新思科技）：AlphaEvolve 已受關注，但 EDA 領域運行時長過長仍是未解決難題。現有代理模型精度不足，部分環節（如仿真）已實現并行與 GPU 加速，但尚未覆蓋全場景。

問：AI 如何與設計團隊協作？多團隊如何與 AI 交互？

Starr（AMD）：我們已為工程師部署最新工具，推出智能體框架并提供指導。團隊聚焦能耗分析、常規任務等痛點，優先解決暴力分析、調試等易落地場景。目前既有通用方案，也有針對特定團隊的定制化用例，落地效果良好。

問：團隊構成是否因此改變？

Goldenberg（微軟）：團隊數據與方案共享更頻繁，角色邊界逐漸融合，效率顯著提升。過去由公司定義流程，現在團隊自主開發流程、開展實驗，人為壁壘被打破。

Boinapally（英特爾）：我們搭建統一平臺，普及 AI 工具。AI 帶來未知與變革，對用戶與研發團隊都需要思維轉變。我們正在推進大規模培訓，幫助員工掌握新技能，這是快速變革下的必然選擇。