AI News

Will AI Agents Become the Next Generation of Semiconductor IP?

Semiconductor Industry ObserverUpdated Nov 16 21:20

English text is being prepared.

AI summary

AI agents are emerging as a new class of reusable capabilities in chip design. ChipAgents CEO William Wang says traditional IP development can take 10 months, whereas custom agents can deliver a solution in some scenarios within a single day. Agents can automatically complete specification analysis, RTL generation, formal verification, and place-and-route, but engineering teams are still needed to verify the results, and the business model as well as data sharing and trust verification issues have yet to be settled.

Body

AI Agent会成为新一代半导体IP吗?来源:半导纵横发布时间:2026-11-16 17:32AI芯片制造生成海报传统IP开发可能需要10个月,AI智能体的定制周期要短得多,部分场景下当天就能给客户交付方案。

AI智能体正成为一类全新的可复用设计能力,但它和传统IP有所不同。智能体不会提供定义固定的设计模块,而是可以用来探索多种方案、完成方案整合,并基于这些迭代优化设计。

在先进工艺节点,软IP厂商十多年来一直在为大客户定制代码,以此提升性能或者降低功耗。但这类定制化通常范围有限、成本高昂,针对一款芯片做出的优化,往往无法直接复用在衍生芯片上,先进节点的多芯粒封装产品尤其如此。

与之不同,智能体可以在很少甚至无需人工干预的情况下,对不同功能模块做定制化;还能针对不同负载、应用场景自动优化,部分智能体甚至可以应对硬件老化带来的变化。虽然最终结果和建议仍需要经验丰富的工程团队核验,但它完成这些工作的速度远快于人类工程师。

“我们内部有专门的AI智能体各司其职,用来做规格分析、生成RTL代码、形式化验证与功能验证,还有CDC跨时钟域检查、布局布线等工作。”ChipAgents首席执行官William Wang表示,“我们会把优化后的智能体交付给客户,也有客户自行搭建AI智能体。它和IP业务有相似之处:有时我们会针对特定流程,为单一客户定制专属智能体,这点和IP业务很像。区别在于我们交付周期极短。传统IP开发可能需要10个月,AI智能体的定制周期要短得多,部分场景下我们当天就能给客户交付方案。”

“这让我联想到2000年代初的GHz主频竞赛,当时行业一下子全面转向多核架构。”Movellus首席执行官Mo Faisal说,“此前大家都觉得所有芯片都会是GPU,后来发现不是,CPU和GPU搭配使用,配比也并非固定1:1。事实上,我们正重演每10到15年就会出现一次的架构大迭代。”

智能体的商业模式

围绕智能体的商业模式还没有定型,同时这套模式需要足够灵活,跟上技术迭代节奏。

“回顾EDA行业的发展,我们早已不再售卖永久授权,多年前就转向按时长订阅授权。” 楷登电子(Cadence)战略与新业务高级总监Rob Knoth说,“现在智能体兴起,同样的趋势正在出现。智能体会大量调用工具,频繁开展实验、快速试错。按用量计费的模式会更适配,客户也更容易理解这种付费方式。”

但转型并不简单。尽管智能体的前景广阔,它在芯片设计领域的落地仍需要时间。此外,安全权限的界定也尚不清晰。

“有些场景,相比售卖软件,直接售卖智能体是更好的选择。”Silvaco首席执行官Wally Rhines说,“不少人在观望EDA厂商会不会不再沿用传统定价,转而按token计费。目前来看还没有厂商这么做,但客户都在讨论这个方向。我很愿意对外售卖一款智能体,用来自动完成制造设备校准;智能体可以把仿真合成数据和实测物理数据做比对。我们看不到客户的原始物理数据,但可以统计智能体消耗的token数量。这种模式下,EDA厂商可以交付产品、获得收益,客户的核心涉密数据也不会对外泄露。”

分而治之,但暗藏风险

从生成式AI转向智能体AI,一个核心变化是引入调度编排能力,这会带来深远的商业影响。编排本质上是一套顶层方案,定义任务如何分配、智能体如何调用工具与数据、各项工作如何协同。如果多个智能体并行执行、任务存在交集,编排的难度会大幅提升。

“传统AI和智能体AI的区别,在于如何协调多个并行工作、承担不同任务的智能体。”Arm云AI客户工程副总裁Robbie Williamson表示,“并不是出现了前所未有的全新负载。核心难点在于如何在CPU层面统筹调度,保障足够带宽、内存资源,支撑大规模运行。不再是人工发起请求、驱动AI运算,而是由程序自动完成,速度快得多。我们和超大规模云厂商沟通发现,他们现在最关心CPU要为此提供什么样的能力。在模型训练阶段这点没有那么突出,训练只是批量提交任务、等待结果返回。”

这在设计流程里形成了一套新的层级。“多智能体工作流落地之后,企业在开展芯片设计时会遇到这样的场景:” 新思科技(Synopsys)创新高级副总裁Prith Banerjee介绍,“当PPA指标不达标时,有的工程师会提出用时钟门控降功耗。但开启时钟门控之后,又会引发别的问题,比如芯片面积变大。这和多名工程师协同设计系统时遇到的协调难题一模一样。在多智能体框架里,原本由人类主管协调工程师的工作,现在交由层级化的智能体体系完成。我们有适配EDA工具的智能体、适配CAE计算机辅助工程工具的智能体;仿真模块包含三大求解器:计算流体力学CFD、电磁仿真HFSS,还有结构力学仿真。在EDA领域,分别有实现阶段、签核阶段对应的智能体。每一类工具下面又细分方向,都由对应的智能体负责。原本由工程师团队、主管统筹完成的工作,现在交给这套层级化智能体体系。”

这会潜移默化改变芯片设计的工作模式。软IP通常可以跨工艺节点迁移,但一般都需要重新优化和验证。AI智能体能够协调EDA工具、对比多种方案,自动完成这类工作,还可以配合传统IP,在整套大设计里优化特定功能模块。

“智能体工作流带来的核心影响之一是解耦。” 是德科技(Keysight)设计工程软件业务高级副总裁Niels Faché说,“我们一直坚持平台化思路。现在行业需要思考如何适配解耦趋势,平台本身具备很强的用户粘性,很多客户投入大量成本定制平台,很难迁移,楷登、新思也是同理。但我们认为客户最终还是会追求灵活性。我们选择开放路线,接纳解耦这个趋势。我们要发挥自身仿真能力和行业理解的优势。想要和我们合作搭建工作流的客户,需要编排调度能力的支持,所以我们要深耕这个领域;而技术能力顶尖的客户,会自主完成编排。”

这要求EDA厂商做出底层变革。“引入AI之后模式变了,工程师会和数字智能体协同工作。”Faché说道,“所以我们需要重构产品。你应该听过MCP(模型上下文协议)服务器,我们重新审视产品:如何模块化改造,通过标准化API开放各项能力?相关代码大多用Python编写,智能体就能基于代码串联起完整工作流。我们的目标是让客户用上MCP能力,同时提供示例,让智能体学习范例。当收到新的设计需求时,智能体可以基于学到的经验组织任务。这就是我们正在走向的方向,头部客户已经在搭建这类智能体工作流,这也要求我们配套MCP服务器和完善文档,用来训练智能体。”

智能体还有哪些能力?

智能体可以拥有多大自主权限,目前还没有定论。AI具备黑盒特性,和传统IP不一样,需要持续观测运行状态。当多个智能体负责相互关联的不同任务时,复杂度会进一步上升。

“编排调度会是一大难题,并且难度会持续增加。”Cognichip首席产品官Stelios Diamantidis表示,“智能体能力持续提升,已经在不少领域验证了可行性。但把大量智能体编组协同,共同求解同一个问题,会衍生很多新问题。目前模型大多并不理解芯片设计背后的底层物理原理,大量逻辑需要内置在智能体当中。一旦不同智能体给出矛盾结论怎么办?EDA领域会不会出现来回拉扯、无法收敛的现象?这类问题我们并不陌生。”

多芯粒封装场景下这个问题尤为突出。“堆叠方案异构度很高。”Diamantidis说,“训练模型的数据源往往来源不明。不同团队给智能体灌入大量逻辑,多个智能体、模型组合在一起,整体体系就会变得非常混乱。叠加之后,不确定性会成倍放大。”

这些挑战,也解释了为什么IP和EDA厂商都在把智能体深度集成到现有工具内。

“我们把智能体应用在数据中心设计与运维工具中,智能体AI结合物理仿真,可以整合海量异构数据、发起查询、运行仿真实验、评估结果,再循环迭代。” 楷登的Knoth说,“我们这个行业有个独特优势:和其他行业不同,不需要人工判断结果对错。EDA几十年积累的工具本身就可以评判方案优劣。比如这个版图方案更好,功耗更低;或者这个版图效果差,功耗和发热都恶化了。”

搭建智能体层级体系很重要,但落地并不简单。“我们可以用一个主智能体调度多个子智能体分工协作,形成一套多智能体方案。”Wang说,“我们去年就发布了多智能体方案。SoC规模巨大,单智能体很难完成性能调优,调试阶段就需要多个智能体并行读取不同上下文开展工作。形式化验证场景也是,多个智能体同步调试、优化设计,这非常关键,必须做好多智能体协同。未来会出现虚拟芯片公司,由虚拟AI工程师、智能体集群协同完成设计,芯片企业的一部分业务形态会走向虚拟化。”

这反过来也会加速智能体的落地。

“未来我们可能会针对智能体负载,在流片前做建模,以此优化配套IP,同时反向影响CPU架构以及我们面向自研客户推出的CSS产品。”Arm的Williamson说。

信任与验证

更大的争议在于:芯片设计人员愿意给到智能体多大自主权限。

“在3nm、2nm节点,一次设计失败的损失可达5亿美元。” 西门子EDA IC产品执行副总裁Ankur Gupta说,“所以这类智能引擎必须具备确定性、高保真度。我们当然在用强化学习、无监督学习,并且已经持续十多年。但衡量学习效果的标准,永远是输出结果是否可信,这点不会改变。”

信任问题不只是看最终结果,还牵扯到数十年的老难题:工艺数据,在晶圆厂和芯片厂商眼中本身就是核心IP,很难对外共享。

“各类智能体、模型对文本信息的理解能力已经不错,但物理层面的建模依旧是巨大瓶颈。”Gupta说,“不管是小模型还是大模型,都需要海量数据训练。半导体设计数据高度孤岛化,客户非常看重自身IP资产。大家都倾向本地部署,但矛盾一直存在:晶圆厂不会开放核心数据。”

晶圆厂会向终端客户、EDA厂商交付PDK工艺开发包,但严格限制访问权限,这给AI模型训练、数据共享带来阻碍。再加上AI本身的黑盒属性,进一步抬高了数据共享的门槛。

即便如此,智能体的应用规模仍在持续增长。“可以类比企业里的工程师团队。” 新思的Banerjee说,“不会由单一工程师完成整套芯片或系统设计,而是工程师团队协作,由主管、总监、高管分层管理。分层架构的原因就是每个人各司所长,管理者统筹任务。EDA领域早期AI的目标是提速、优化PPA,也就是我们的DSO.ai设计空间优化工具;早期生成式AI主要用来生成脚本。比如你在使用Fusion Compiler遇到参数难题,提出疑问,系统基于大量问答记录给出方案,相当于面向EDA场景的专用ChatGPT,也就是RTL辅助类智能体。”

AI智能体甚至可以用来微调设计流程里的已有步骤。“我们希望打造一批通用的工作流智能体。”ChipAgents的Wang说,“比如加速卡芯片和CPU的设计方法差异很大,验证策略完全不同,形式化验证的占比也不一样。灵活性至关重要,工作流不能僵化,平台既要支持针对特定芯片定制,又要具备通用性。”

结语

“模型承载大量知识,智能体本身不需要做到极致聪明。”Cognichip的Diamantidis说,“智能体可以设置约束边界、补充专项能力。但现在我们的思路反过来了:硬件领域没有数十亿份样本,数据分散在各个孤岛,无法集中。我们可以训练一个高度聚焦的模型,把大量逻辑放在智能体侧,但这样会造成重心过重,体系容易失衡。这是核心挑战之一。”

“未来会由智能体来调度运行各类智能体的硬件资源,答案是肯定的。”Movellus的Faisal说,“但过程不会轻松。支撑这套智能体系、同时在内部工具链甚至资源管理中落地的半导体行业,本身偏保守、迭代节奏慢。一次5亿美元的流片失败代价巨大。后续还会诞生各类管理型智能体,用来管理机柜、温控、负载调度。”

智能体AI不会取代传统IP,但会改变IP的使用流程。变革正在到来,前路依旧充满挑战与未知。

本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。 评论暂无用户评论最新资讯更多 相关推荐

华为&CNN联创纪录片《创新无限》,第一集:小基站,大跨越(2003-2008)2026-11-16 18:03

10月,中国芯片产量大涨21.9%2026-11-16 17:59

5年投10亿美元,SK海力士放大招2026-11-16 17:58

Source

Semiconductor Industry Observer