AI Agent会成为新一代半导体IP吗?
AI智能体正成为芯片设计领域一类可复用的新能力,ChipAgents CEO William Wang称传统IP开发可能需10个月,而定制智能体部分场景当天即可交付方案。智能体可自动完成规格分析、RTL生成、形式化验证与布局布线,但仍需工程团队核验,商业模式与数据共享、信任验证问题尚未定型。
正文
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