電子發燒友網報道（文/吳子鵬）代理式AI（Agentic AI）作為AI領域的新興方向，是一種能夠通過自主感知、推理、規劃與執行，獨立完成復雜多步驟任務的AI系統，正在深刻改變全球各行業的運營模式和工作方式。與傳統的生成式AI不同，代理式AI不僅能理解語言，還能自主規劃任務、調用工具并執行操作，重塑各行業的價值鏈和商業模式。Gartner預測，到2028年，33%的企業軟件將包含代理式AI，而2024年的這一比例還不到1%。

在2025年的CadenceLIVE China中國用戶大會上，Cadence高級副總裁兼系統驗證事業部總經理Paul Cunningham博士分享了代理式AI在EDA（電子設計自動化）領域的發展現狀與未來愿景，揭示了從對話助手到虛擬工程師的變革之路。

AI在EDA領域的三層進化：從輔助到自主

隨著技術的進步，AI開始在EDA領域嶄露頭角，行業正處于從優化式AI（Optimization AI）向協助性AI（Assistant AI）過渡的關鍵階段。Paul Cunningham博士表示，優化式AI已在Cadence工具中實現廣泛應用，成為工程師提升效率的重要助力。在芯片設計中，工程師以往需耗費大量時間手動調整參數以實現性能、面積、功耗（PPA）的平衡，而如今借助優化式AI，工具可自動完成這些復雜的優化工作。例如，將12納米制程的芯片設計遷移至6納米制程時，AI能自動調整設計參數、重新規劃流程并完成模擬驗證，極大減少了人工重復操作。

隨著技術的不斷迭代，Cadence正邁向協助性AI，目前已實現部分功能的實際部署。這一階段的核心亮點在于自然語言交互功能的應用，徹底降低了EDA工具的使用門檻。以往，工程師需要熟練掌握復雜的腳本語言和專業指令才能操作Cadence工具，而現在，即使是非專業用戶，也能通過自然語言與工具進行交互。比如，當工程師需要將兩根線連接在一起時，無需再研究工具的指令體系，只需用自然語言提出需求，工具就能理解并提供相應的操作指導。Paul Cunningham博士指出，在未來6-12個月內，Cadence工具將借助協助性AI實現更高級的功能：不僅能回答工程師的問題，還能自動診斷設計問題、分析問題根源并給出解決方案，甚至詢問工程師是否需要自動修復問題，進一步提升設計流程的智能化程度。

不過，代理式AI的潛力遠不止于此。未來的AI不僅能提供協助和回答問題，還將具備自動生成或自動修復功能。當客戶的芯片設計中出現錯誤時，AI不再僅僅是指出問題，而是能夠進一步提供建議，甚至直接進行修正，并請求用戶確認。這種從“發現問題”到“解決問題”的轉變，是代理式AI發展的重要里程碑。

因此，Paul Cunningham博士認為，代理式AI將朝著“虛擬工程師”的方向發展。隨著芯片規模不斷擴大，晶體管數量突破百萬、甚至百億級，行業面臨“工程師缺口”難題——既難以找到足夠多的專業工程師，也無法讓工程師資源增長速度跟上芯片復雜度提升速度。而在不久的將來，用戶與Cadence軟件的交互將更自然，如同與人類同事交流一般。工程師可將更多重復性工作交給虛擬工程師完成，從而提升工作效率與生產力。盡管實現完全自動化的SoC（系統級芯片）設計仍需時日，但虛擬工程師的出現，必將為EDA領域帶來一場深刻變革。

Paul Cunningham博士描繪了這樣一幅未來圖景：未來企業無需再花費大量精力培訓工程師掌握各類EDA工具，而是直接“租用” Cadence的虛擬工程師。用戶只需向虛擬工程師提供芯片設計需求文檔、參數要求等信息，虛擬工程師就能像人類專家一樣參與設計會議、理解需求，并自主完成從IP（知識產權）選型與整合、RTL（寄存器傳輸級）代碼生成，到布局布線、仿真驗證的全流程工作。

但Paul也明確表示，盡管這一愿景令人向往，目前尚未完全實現。當前，Cadence正致力于將AI技術應用于特定領域，培養“領域專家型AI”，而非追求無所不能的通用超級智能。例如，在驗證和物理設計等領域，通過為大語言模型（LLM）提供特定領域的培訓數據與專業知識，使其成為該領域的專家，從而更好地解決實際問題、減少“幻覺”現象。這種“領域專家培養策略”，將有效推動AI在EDA領域的落地應用，為客戶創造更大價值。

以創新策略應對代理式AI落地的挑戰

在代理式AI的發展過程中，半導體行業仍面臨諸多核心難題，而Cadence憑借創新的技術策略，為這些問題提供了有效的解決方案。

Cadence的JedAI平臺是其實現AI愿景的核心載體之一。Paul Cunningham博士表示：“JedAI的關鍵優勢在于靈活性。我們不再將重點放在模型的自主訓練與微調上——大語言模型的更新速度極快，每3-6個月就會出現新版本，與其耗費大量資源進行模型微調，不如專注于構建高效的數據整合與調用系統，讓現有大語言模型充分發揮作用。”JedAI能夠將客戶的內部知識與外部大語言模型（LLM）深度結合，確保輸出結果的準確性。

針對“AI工具是否會增加算力負擔”的疑問，Paul Cunningham博士指出，當前AI在EDA領域的應用以GPU推理為主；相比模型訓練所需的高昂算力成本，推理階段的算力需求更低。客戶可根據自身需求選擇自建GPU集群或使用云端GPU資源，且GPU資源可在EDA設計、財務、人力資源管理等多個領域共享，進一步提升資源利用率。因此，客戶普遍認為：只要合理部署AI工具，其帶來的效益將遠遠超過成本投入。

在代理式AI落地過程中，Cadence的IP產品也發揮著重要價值。Cadence將代理式AI與IP深度整合，提出“硅代理（Silicon Agent）”概念，重構了IP在芯片設計中的應用模式：
·IP整合環節：工程師可通過自然語言指令，讓硅代理自動配置并調用Cadence的各類IP，將其集成到系統級芯片（SoC）中；
·IP遷移環節：代理式AI（Agentic AI）可助力實現IP在不同制程間的快速遷移。例如，將5納米制程的SerDes（串行器-解串器）IP遷移至3納米時，AI能自動調整設計參數、完成布局布線，并抽取電容、電阻參數進行進一步優化，大幅減少手動調整工作量；
·IP開發環節：Cadence正探索利用代理式AI自動生成IP并完成集成的技術路徑，未來有望實現IP開發的全自動化，進一步縮短芯片設計周期。

對于“代理式AI是否會取代芯片設計工程師”的擔憂，Paul Cunningham博士給出了明確答案：AI不會減少對工程師的需求，而是將工程師從繁瑣的重復性工作中解放出來，構建“人機協同”的高效工作模式。

除代理式AI外，數字孿生（Digital Twin）也是Cadence的重點布局方向，正成為推動半導體行業發展的新動力。Cadence的長期戰略還包括將AI與數字孿生技術結合，實現芯片與系統的協同設計。

以物理仿真加速為例：在傳統的芯片制程仿真中，工程師往往需要仿真數萬個點才能繪制出準確的特性曲線；而借助AI預測技術，可大幅減少實際仿真的點數，通過AI預測補充缺失的仿真數據，顯著提升仿真效率。

同時，AI將幫助設計者從“單一芯片思維”轉向“系統+芯片”的全局思維。在物理系統協同層面，以汽車電子為例：一輛汽車通常集成上千顆芯片，這些芯片的工作狀態會直接受到溫度、壓力、電磁兼容（EMC）、封裝等物理環境的影響。Cadence通過物理數字孿生技術，將芯片模型與汽車的物理特性模型深度耦合，使工程師在設計階段就能模擬芯片在實際行車環境中的表現，提前發現“溫度過高導致的性能衰減”“電磁干擾引發的功能故障”等問題，避免后期系統集成時的返工。

在軟件系統協同層面，Cadence提出“功能孿生（Functional Twin）”概念，解決芯片設計與軟件開發不同步的行業痛點。以汽車遠程軟件升級（OTA）為例：未來汽車的駕駛功能、交互體驗需通過軟件實時更新，這要求芯片在設計階段就與軟件功能深度匹配。借助功能孿生技術，工程師可在芯片流片前，通過仿真環境模擬軟件在芯片上的運行行為，大幅縮短產品從設計到落地的周期。

寫在最后

當虛擬工程師成為芯片設計團隊的標配成員，當“租用AI能力”取代“培訓工具技能”成為行業新范式，代理式AI不僅將縮短芯片設計周期、降低創新門檻，更將為半導體產業應對“復雜度與效率”的核心矛盾提供關鍵解法，開啟一個人機協同共創的智能設計新紀元。