在生成式 AI 與算力需求快速增長的背景下，半導體產業正經歷從芯片到系統的深度重構。設計復雜度指數級上升、研發周期持續壓縮、工程資源日益緊張，AI 正以前所未有的深度融入工程流程，逐漸成為推動芯片與系統創新的關鍵引擎。

在此背景下，新思科技于 2026 年 1 月 22 日在上海舉辦 2026 AI 技術開發日（AI Tech Day），匯聚來自新思科技、NVIDIA、小米等全球領導者的技術專家與實踐者，與現場數百名開發者一起，從戰略視角、工程實踐到一線案例，系統性展示 AI 在芯片設計、驗證、仿真及系統級創新中的最新技術進展與落地成果，全面呈現了 AI 驅動工程效率躍遷的現實路徑。

AI 超級周期下的芯片與系統重構

新思科技產品管理資深副總裁 SanjayBali在開場演講中，從宏觀產業角度系統闡述了 AI 正在驅動的新一輪“半導體超級周期”。他指出，生成式 AI、Agentic AI 和多模態模型的發展，正在推動算力需求呈指數級增長，這一變化不僅體現在數據中心端，也正快速擴展至邊緣計算、汽車、移動終端等廣泛場景。由此帶來的直接影響是：硬件架構復雜度激增、設計周期不斷壓縮，而市場對每一代芯片的性能、能效和上市節奏要求卻持續提高。

在這一背景下，傳統依賴人工經驗和反復迭代的芯片設計方法已難以為繼。EDA 軟件正從“設計工具”升級為“半導體價值鏈的生產力平臺”，而 AI 是實現這一轉變的核心引擎。

在生態層面，他強調新思科技正在不斷加強與 GPU 廠商和頭部客戶的深度協作，加速把這些能力“產品化、規模化、工程化”。

新思科技 AI 技術方法論、技術棧與路線圖

新思科技研發副總裁 Thomas Andersen從研發和技術落地視角，對新思科技 AI 能力的發展路徑進行了系統拆解。他回顧了公司自 2017 年起在機器學習和強化學習領域的持續投入，并重點介紹了以 DSO.ai 為代表的 AI 優化技術，如何在物理實現、驗證和測試階段幫助客戶解決大規模參數空間探索這一長期難題。

在此基礎上，他深入講解了新思科技 Copilot 的整體架構，包括 Knowledge Assistant、Workflow Assistant 和 Run Assistant。這些能力通過將內部最佳實踐、方法學和工具知識系統化，引入自然語言交互，讓開發者能夠在具體設計上下文中快速獲取建議、生成腳本或定位問題，大幅降低學習門檻并提升效率。

Thomas 進一步描繪了新思科技向 Agent Engineer 和多智能體系統演進的長期愿景。在這一模式下，AI 不再只是“給建議”，而是能夠圍繞明確目標進行規劃、執行、迭代和驗證，逐步接管高重復性、高復雜度的工程任務，為開發者釋放更多精力用于架構設計和創新決策。

從硅基到系統：加速計算與 Physical AI 的工程協同

作為特邀嘉賓，NVIDIA AI 解決方案架構師及技術專家付少童，從算力平臺與生態協同的角度，分享了英偉達與新思科技在 EDA、系統仿真和 AI 平臺層面的深度合作實踐。他指出， EDA 和 CAE（計算工程）軟件的核心均依托于大規模數值計算，而 GPU 天然適配這類高并行、高吞吐的計算模式。

分享中還介紹到，CUDA 生態、GPU 加速數學庫及 Python 友好框架已在新思科技產品體系中落地，幫助客戶在仿真、驗證和分析任務中實現數量級的性能提升。同時，分享現場還重點闡釋了 AI Physics 的理念，即將物理求解器與數據驅動的 AI 模型相結合，在保證精度的同時顯著提升求解效率、降低計算成本。

在更高層面，付少童展示了 Omniverse 平臺在數字孿生和 Physical AI 領域的應用前景，通過將芯片、系統和物理世界的仿真結果進行統一可視化和實時交互，為半導體、工業、汽車等行業打造全新的工程范式。

GenAI 助力芯片設計與驗證效率躍升的實踐

來自小米玄戒的特邀嘉賓、人工智能驗證技術專家高浩雄，從一線客戶實踐出發，分享了小米玄戒在過去一年中將生成式 AI 引入芯片設計和驗證流程的探索路徑。他指出，AI 與芯片設計形成了顯著的“正反饋”：AI 技術需要更強算力、更高帶寬、更高能效比的芯片作為基底，而 AI 技術反過來又幫助芯片研發團隊更快速度、更高質量、更低成本地完成設計。

在具體實踐中，小米與新思科技緊密合作，實現了對新思科技 GenAI 工具的本地化安全部署及卓有成效的應用。首先是建立了面向全流程芯片開發的智能知識助手系統（Knowledge Assistant），幫助工程師在不用反復查閱海量文檔的情況下輕松解答工具/流程使用方面的問題，效率提升 4x 以上。在形式化驗證方面，引入新思科技 Formal Advisor 來通過 Spec 作為輸入高效生成斷言，進行形式化驗證，將數小時的斷言開發過程縮短到幾分鐘。 另外，小米設計團隊也首次使用新思科技 Lint 智能檢查工具 Lint Advisor，實現自然語言的 lint 自定義來檢查設計中難以發現的連接性問題，在數萬行代碼中快速找到隱藏的連線問題。后續雙方還會在代碼生成、自動化 Debug 等方面進行更多合作與探索，讓 AI 真正成為工程生產流程中的常態化能力。

下一代 AI 調試智能體與調試生產力革新

新思科技高級資深應用工程師凌懷奇圍繞芯片調試這一高復雜度、重人力投入的關鍵環節，系統介紹了新一代調試智能體 Verdi Assistant 的總體架構與核心能力。隨著設計規模與復雜度持續攀升，傳統依賴大量人工操作與腳本的調試模式已難以高效應對。

Verdi Assistant 將大語言模型與多智能體架構深度融入調試流程，能夠理解自然語言意圖，自動完成波形與日志分析、斷言診斷和設計探索等任務。通過多智能體協同編排，實現從問題描述、任務分解到定位與結果解釋的完整閉環，未來還將擴展自動生成調試文檔、開展假設檢驗并給出修復建議，進一步構建智能化的閉環調試體系，顯著提升效率并有效降低工程師的學習門檻。

AI 驅動設計實現與生產力躍升

新思科技首席應用工程師倪敏璐重點介紹了新思科技在數字設計實現階段的 AI 驅動優化能力，尤其是 Fusion Compiler 中的 AI Fusion 技術。AI Fusion 將強化學習能力深度嵌入數字實現流程，幫助用戶在有限計算資源下完成高效的 PPA 探索，并在多個工藝節點和應用領域中實現穩定收益。

同時，她分享了新思科技 Copilot Workflow Assistant 在腳本開發和腳本優化方面的實踐效果。通過自然語言生成、總結、修復和注釋腳本，開發者可以顯著降低編寫復雜腳本的時間成本，從而更快的速度、更高的效率 得到解決方案，提高芯片設計的整體生產力和創造力。

AI/ML 與多物理場完整性分析的融合

新思科技應用工程技術總監張書強從多物理場分析角度，闡述了 AI 在功耗完整性、可靠性和系統級分析中的關鍵價值。當前芯片設計已從單一目標走向多約束耦合：電源完整性、IR/EM、熱與應力彼此牽制，系統規模更大、封裝更復雜。傳統做法不僅計算慢、試錯多，還高度依賴少數專家經驗。AI 的價值不在“取代求解器”，而在于把經驗結構化、流程自動化、風險前置化，讓團隊更早看清系統級問題，更快做出有把握的權衡。

通過模型學習、多智能體協作和 AI 驅動的資源預測與仿真加速，新思科技正在幫助開發者更早、更快地理解設計風險，并在多種約束間做出更優權衡。這種能力不僅提升了分析效率，也為復雜系統架構探索提供了更廣闊的空間。

模擬設計進入 AI 智能時代

新思科技資深技術總監匡一寧分享了 AI 在模擬設計領域帶來的深刻變化。模擬設計長期依賴專家經驗、人工調參和反復仿真，生產效率提升空間巨大。通過模型學習、強化學習以及生成式 AI，新思科技正在推動模擬仿真、參數優化和版圖遷移的高度自動化。隨著AI 在模擬領域的落地，工程師可以把更多精力放到電路意圖與魯棒性把控上，而重復繁瑣的交互，迭代，收斂環節則由工具自動完成。

在多個實際案例中，AI 技術幫助客戶將模擬設計周期從數月縮短至數周甚至數天，同時在性能和可靠性上取得更優結果。這一趨勢正在重塑模擬設計的工程范式，使其逐步具備規模化和可復制能力。

硬件輔助驗證推動下一波人工智能創新浪潮

新思科技首席應用工程師黃進圍繞 AI 芯片復雜度持續攀升所帶來的驗證挑戰，介紹了硬件輔助驗證（Hardware-Assisted Verification, HAV）在當前芯片開發與驗證中的關鍵價值。豐富的 AI 應用場景與高速增長的 AI 擴展需求，催生了復雜的 AI 芯片架構及其軟件，AI 芯片正在快速走向多 Die、異構計算與高速互聯，系統規模接口復雜度大幅攀升，單靠軟件仿真已難以覆蓋真實運行場景與系統級聯動問題。要想在更短窗口內保證質量與進度，驗證必須“左移”，把系統級風險盡早暴露與解決。

通過引入仿真加速與原型驗證相結合的 HAV 技術，新思科技應用模塊化 HAV，EP-ready 等先進的驗證方法學，幫助客戶實現從 IP、子系統到整芯片乃至系統級的端到端驗證覆蓋，實現底層與上層應用軟件在流片前的提前驗證。HAV 能有效推動驗證流程左移，縮短從芯片設計到系統 Demo 的整體周期，保障功能，功耗與性能滿足設計要求，加速 AI 芯片產品的落地與創新。

結語

本次 AI 技術開放日現場還設置了 GenAI 技術應用現場展示，讓現場開發者沉浸式體驗新思科技 GenAI 技術帶來的效率和生產力提升，為未來創新提供更有力的支撐。在新思科技與生態伙伴的持續投入下，AI 正推動芯片工程進入一個更加智能、高效、可持續的新時代。