電子發燒友網報道（文/吳子鵬）當摩爾定律逼近物理極限，3D-IC成為延續算力指數級增長的新選擇；當大模型發展一日千里，AI開始反向定義芯片設計與需求。兩條技術曲線在同一時空交匯，EDA工具鏈的智能化升級已然成為產業大勢。

作為電子系統設計領域的核心領導者，Cadence會如何迎接這場產業變革？Cadence全球副總裁兼三維集成電路設計分析事業部總經理顧鑫在接受電子發燒友網采訪時，闡述了其深度洞察與戰略思考。

AI重塑EDA：從工具優化到流程革命

傳統模式下，EDA工具通過算法優化助力工程師完成手動難以實現的芯片設計任務，這一過程依賴確定性算法，還需工程師通過腳本串聯工具鏈，流程繁雜且效率受限。顧鑫認為，AI將從兩個層面重塑EDA工具：一是點工具性能的顯著提升，二是整個設計流程的根本性變革。

在點工具性能提升方面，AI可依托海量數據與仿真結果優化EDA工具。“當前我們的EDA工具鏈中，從布局布線、電路仿真、多物理場仿真到前端RTL代碼優化，每個環節都能通過AI實現性能的大幅提升。”顧鑫解釋道。

在設計流程優化方面，AI的核心優勢在于實現工具鏈的智能串聯。傳統EDA工具鏈依賴工程師通過Python、Tcl等腳本語言銜接不同工具，完成從RTL到GDS的全流程設計，不僅耗時費力，更高度依賴工程師的經驗積累。而AI通過機器學習整合客戶設計流程數據與Cadence自身技術積淀，能夠自動串聯工具鏈——最終要實現的目標是，工程師只需通過自然語言下達指令，即可獲得最優設計結果。

顧鑫特別提及AgenticAI，將其視為AI賦能EDA的核心突破點。該智能體不僅能提升布局布線、時序分析、功耗分析等關鍵節點的工具效率，帶來顯著生產力增益；更重要的是其具備智能流程調度能力——用戶通過自然語言與AgenticAI交互后，智能體可內部調用大語言模型生成復雜腳本，調度各類工具完成仿真與數據分析。

目前Cadence內部擁有超過50款點工具。顧鑫指出，未來18個月內，各業務部門的核心任務是通過智能體流程實現這些點工具的全面串聯，打通工具間的數據流交互，這是“AI for EDA”的核心基石?！罢l能在這一環節占據先機，誰就能贏得‘AI for EDA’的最終競爭。”

3D-IC設計：AI賦能的黃金領域

EDA工具鏈的智能化升級不僅關乎芯片設計效率的躍遷，更深刻影響著3D-IC等新興技術的產業化進程。在顧鑫看來，“3D-IC是全新領域，更是AI發揮效能的理想場景?！?br />
據Future Market Insights數據顯示，2025年全球3D-IC和2.5D-IC封裝市場規模將達583億美元，2025至2035年間年復合增長率預計達9.0%，2035年將攀升至1380億美元。AI芯片是3D-IC和2.5D-IC的核心目標市場，而通過EDA工具，AI正反向賦能3D-IC產業發展。

“與傳統2D-IC不同，3D-IC設計的核心難點在于早期決策的科學性。”顧鑫表示，“工程師需在設計初期確定堆疊配置（如SoIC、CoWoS-L/R）、模塊擺放、Die間互聯方式等關鍵參數，任何決策失誤都可能導致后期出現災難性后果。最復雜的3D-IC設計涉及16顆芯片堆疊，產生的設計空間組合復雜度空前?！贝送?，多物理場仿真效率是另一大挑戰——因需綜合考量電、磁、光、熱、力、流六個維度，傳統基于第一性原理的仿真往往耗時數小時，嚴重拖累設計周期。

在3D-IC設計全流程中，AI的價值凸顯于兩大核心場景：一是早期決策支撐，由于3D-IC技術較新，行業數據積累有限，傳統經驗驅動或簡單計算的決策模式難以應對復雜設計空間，而AI憑借強大的搜索與優化能力，可在海量設計組合中快速找到性能與成本的最優平衡點，為早期決策提供科學依據；二是仿真效率提升，AI能將多物理場仿真時間從數小時縮短至幾分鐘，且誤差控制在1%-2%范圍內。

Cadence將AI與3D-IC視為相互成就的戰略核心，提出“design for AI, AI for design”的新戰略?！癆I給設計行業帶來了前所未有的算力挑戰，而3D-IC是解決這一挑戰的工業級方案。”顧鑫強調，“我們內部的核心策略是‘design for 3D-IC, 3D-IC for AI’?！睘榇耍珻adence專門成立3D-IC設計團隊，整合Integrity 3D-IC設計平臺、EMR、EMX等工具，形成完整解決方案，“可全面服務各類3D-IC客戶”。

Cadence的“五步走”AI戰略

面對AI驅動的EDA產業變革，Cadence制定了“五步走”戰略。其中前兩步已取得階段性進展：
第一步是優化型AI：通過AI算法賦能Innovus、Voltus等核心工具，目前已實現性能提升的階段性成果；
第二步是對話式AI：將大語言模型（LLM）植入設計工具，支持工程師通過自然語言查詢工具用法、分析運行結果，大幅提升操作效率。

隨著智能化水平迭代，Cadence的終極目標是實現全流程自動化。顧鑫表示：“未來，我們將逐步深化智能體流程部署，最終實現以自然語言指令驅動全流程設計、無需手動干預的終極目標?！?br />
在技術落地層面，除持續優化智能體流程與打磨數據體系外，Cadence也關注模型垂直化與算力支撐等核心問題。模型選擇上，Cadence既與主流大語言模型保持合作，又通過構建專屬向量數據庫，將多年積累的設計知識、工具文檔、客戶交互數據注入模型，實現EDA領域的垂直化優化——這正是Cadence的核心競爭力，也是通用大語言模型無法替代的優勢。算力支撐上，Cadence推出專屬硬件Millennium，這款集成32張GPU的服務器可直接交付客戶，為大模型部署提供強勁算力，破解AI-EDA工具的硬件門檻難題。

針對客戶高度關注的數據安全與本地化部署需求，Cadence創新推出“基礎模型+增量訓練”模式：由Cadence提供基于內部數據訓練的基礎模型，客戶再通過自身數據進行增量訓練得到最終模型。該模式下，客戶數據無需上傳至云端，有效保障數據隱私；同時，Cadence大語言模型座艙JedAI支持多模型靈活切換，國內客戶可按需選用本土大語言模型，部分本土模型已展現出優異性能，為本土化合作奠定堅實基礎?！半S著AI工具大規模部署，設計流程數據的存儲與復用將愈發重要，數據本身甚至可能比設計成果更具價值。”顧鑫補充道。

生態構建方面，Cadence高度重視兼容性與開放性?？紤]到客戶可能采用第三方點工具，Cadence通過支持MCP開放協議，實現與第三方工具的協同調度；未來將進一步強化設計工具的“中立性”，滿足客戶多樣化流程需求。顧鑫表示，Cadence的目標并非構建封閉生態，而是通過開放協作推動整個EDA行業的智能化升級。