工具与方法论之间的关系是双向的。工具赋能方法论，方法论依赖工具的功能特性及其所提供的数据。然而，当前业界几乎没有架构级别的工具，这使得构建完整的智能体流程愈发困难。

EDA领域的AI应用现状

EDA领域首轮AI应用大多聚焦于单一工具，因而只涉及某一抽象层级上的单一数据类型，无需考虑外部工具与数据互操作性的问题。随着行业向流程与方法论层面推进，上述简化前提将不复存在。

这为EDA行业带来了潜在挑战。AI最具价值的应用场景集中在流程前端——即规格制定、架构定义及验证计划阶段。相比之下，允许AI在流程后端进行改动所带来的收益有限，风险却更高。历史上，前端工具开发一直未受重视，原因在于参与者仅有少数架构师，且投入时间有限，经济效益不佳。

另一个问题在于，这一阶段的抽象表达方式尚未形成共识。学术界曾多次尝试提出相关方案，电子系统级（ESL）工具也在1990至2000年代经历了开发与淘汰的循环。SystemC虽然引入了非定时与近似定时模型的概念，但除了在高层次综合（HLS）工具中有所应用，并未获得更广泛的普及。

在构建AI方法论时，上述现状可能造成障碍。当然，AI本身也可能提供解决思路——将这些抽象层级与RTL关联起来，实现双向互通。多位业内人士指出，大型半导体公司正在该领域积极寻求突破，将其视为竞争优势的来源。颠覆性变革往往由此发端，尽管从突破到普及往往需要相当长的时间。

多元化的数据来源

数据来自多个渠道：一部分与当前设计直接相关，另一部分则需要AI从历史经验中学习。然而，这些数据的适用性与时效性至今仍缺乏深入研究。

Cadence院士Badarinath Kommandur表示："我们在多代产品中设计了协议IP，积累了从规格、RTL实现、验证测试台到实际设计实现的完整设计内容，涵盖多代产品、多个晶圆厂和多个工艺节点。问题在于，面对一个全新的接口标准，能否利用这些历史实现来训练AI引擎或基于大语言模型的方案？它能否阅读新的接口规格，并给出方案，让专家可以快速迭代至量产质量，并完成整个设计实现？我们能否从中学习，并将这些知识应用于下一代设计？"

Normal Computing的AI工程师Doyun Kim指出："即便只以数字设计为例，也存在SystemC、RTL、门级网表和版图等阶段，每个阶段都会产生其独特的数据类型。业界所说的'左移'，正是指在早期阶段预测后期结果，从而提前剔除有缺陷的设计，减少高代价的迭代。"

随着开发流程推进，设计自由度逐步收窄。Siemens EDA产品负责人Sathishkumar Balasubramanian表示："我们看到大量面向前端的智能体流程正在开发，这是在进行设计阶段功能层面的工作。越靠近流片，一切都会越来越紧、约束越来越多。这个阶段的AI应用空间相对有限，因为前期的难点已经解决，不希望在此引入变数。"

跨抽象层级工作需要不同类型的数据支撑。Moores Lab AI创始人兼CEO Shelly Henry表示："知识数据库既需要提供设计的全面细节视图，包括结构、行为和验证需求，也可能需要整个流程的补充视图，以便AI智能体能够在完整流水线上进行推理。目前已有团队在构建此类数据库，从设计架构规格和RTL本身中提取关键信息，这将有助于实现能够自动生成验证环境诸多要素的智能体AI方案。"

"左移"要求在早期获得估算值，以便在更抽象的设计中做出合理决策。Kim指出："包括AI方法在内的多种技术正被用于早期预测性能指标。但这面临泛化方面的挑战。对于同类IP，预测效果可能不错，但对于截然不同的IP类别，预测所依赖的参数可能有所不同，若训练数据匮乏，预测精度便无法保障。大语言模型层面的泛化能力是否能够真正覆盖这些情况？这是一个悬而未决的有趣问题。"

最终目标

业界普遍认为，终极目标是实现从规格到经过优化的、构造即正确的设计的全智能体流程。IC Manage CEO Dean Drako表示："未来，我或许可以说：'按照以下参数设计一个ALU或缓存控制器，这是规格文档，然后让系统自动完成设计。'但我认为EDA领域的人并非真正来自芯片设计圈，所以他们还不会盲目追风。他们需要理解系统在做什么、为什么这样做、在哪里执行。"

要产出高质量设计，需要大量后端专业知识。Cadence的Kommandur指出："一个设计团队中，不同领域的专业知识往往集中在少数工程师身上。在设计执行周期中，到了收敛封版阶段，往往需要依赖这几位专家来完成设计收敛、达到性能功耗面积指标并完成流片。问题在于，如何将这些专家的知识提炼并嵌入智能体AI框架，使EDA生态中的任何设计师都能高效地应用这些知识？"

利用AI构建模型也是一个值得探索的方向。Synopsys产品经理Jeff Tharp表示："未来将围绕降阶模型（ROM）展开，这是流程诸多环节所必需的。要实现快速且精准的解决方案，需要高精度的ROM，同时还需要跨物理场和跨尺度的ROM，以实现复杂系统的真正虚拟装配。"

数据不足也是一大障碍。Kim表示："大量历史数据由失败尝试或最终未被采用的设计方案构成，如何从中提取有意义的信息至关重要。其次是工具版本与工艺设计套件（PDK）的演进问题——随着工具和工艺技术持续演进，历史数据的可用性愈发不确定。第三是项目结构问题。在大多数情况下，同一公司的团队会遵循相似的设计方法论并保持相近的项目结构，但这并非铁律。"

协作与标准化

单凭一方之力，无法完成这项任务。南安普顿大学AI与EDA研究员Simon Davidmann表示："目前，一些资本雄厚的公司正在为自己构建解决方案。大型EDA公司和初创企业未必具备所需的资源或AI专业能力。未来的工作将以协作形式展开，或者走开源路线，与真正在开发尖端AI技术的大型AI公司合作，或者获得这些公司对EDA企业的大规模注资。"

成功的方法论需要与工具紧密协同。Normal Computing产品工程负责人Arvind Srinivasan表示："无论哪家EDA工具厂商能够以开放格式开放其数据，都将成为所有利用大语言模型的公司最好的基础构建模块。半导体公司历来推动供应商实现一定程度的互操作性，因为可能用一家厂商的工具做签核，用另一家做设计和验证。但这种压力的重要性已不如以往。AI系统已经能够对专有格式进行逆向工程、读取二进制文件，并生成从封闭工具链中提取可用数据所需的代码。开放数据的厂商将拥有更顺畅的集成路径；而不开放的厂商会发现，他们所构筑的壁垒正越来越容易被突破。"

从长远来看，数据标准化不可或缺。Moores Lab的Henry表示："当标准化能够为用户带来明确价值、同时不暴露EDA供应商赖以差异化的专有机制时，标准化便是可行的。一条务实的路径是定义聚焦于共享契约要素的API——例如事件定义、来源信息及其他具有外部意义的信号——而非试图统一各厂商的内部数据结构。以这些可互操作的接触点为中心建立标准，AI系统便可实现可靠的流程编排、持续集成和优化，同时厂商仍能掌控自己的核心竞争力。随着工程团队对支持AI驱动工作流的开放性期待日益提升，市场压力将推动主要EDA供应商采纳此类接口，为新老玩家的快速创新创造空间。"

明确目标才能确定所需标准。Siemens的Balasubramanian表示："要聚焦用例，不要想着把现有基础设施改造成智能体流程，而是先明确用例，再思考如何以智能体流程实现。很多客户的遗留流程正被嵌入智能体流程，如果从零开始，这种情况本不会发生。"

核心参与者需要有商业动机的驱动。Vtool首席技术官Olivera Stojanovic表示："当技术、价值与用户动机三者一致时，标准化就会变得现实。我相信我们正在接近这一临界点。统一标准可以减少误解，对AI智能体而言尤为如此，同时也能强化工程师在整个流程中的核心作用。"

在标准尚未确立之前，AI的工作负荷将持续较高。Kim表示："这些数据在多个维度上呈现出难以标准化的多样性。近年来AI模型的进步使得高效处理多样化数据成为可能，无需严格的数据标准化，但这能否有效扩展到EDA数据的多样性与体量水平，目前仍是未知数。此外，处理此类数据可能需要消耗极大量的Token。"

许多人对EDA公司能否在API上达成标准化持怀疑态度。Normal Computing的Srinivasan表示："这个行业历来不是这样收敛的。但好消息是，在大语言模型的世界里，关键在于各厂商愿意向其他工具开放多少数据。标准不需要是一份正式规范，只需数据是开放的。只要数据可访问且基于文本，现代AI系统就能适配各工具的格式差异。真正的问题在于，各厂商是否会认识到，开放数据才是在AI原生设计流程中保持竞争力的更快路径。"

结语

AI将日益渗透半导体设计、实现与验证的各个环节。核心问题在于：谁最有可能率先成功？就目前而言，大型半导体公司是唯一具备条件的群体——他们拥有数据、受控的流程与方法论，以及充足的商业动机。

构建从规格出发的智能体流程，将为他们带来竞争优势，直至所有竞争对手具备类似能力。届时，这一技术很可能会移交给大型EDA公司进行更广泛的产品化。在此之前，EDA公司有责任从工具中提供必要信息，使工具能够响应智能体的指令，并与同行携手推动尽可能广泛的标准化进程。

Q&A

Q1：智能体EDA方法论为什么要从设计前端入手？

A：因为AI在设计前端阶段——如规格制定、架构定义和验证计划——能创造最大价值。越靠近流片的后端阶段，设计约束越多，允许AI介入的空间越小，风险也越高。历史上前端工具开发本就薄弱，如今AI方法论若能填补这一空白，将带来显著的竞争优势。

Q2：EDA数据标准化面临哪些主要挑战？

A：主要挑战有三点：第一，各阶段数据格式差异巨大，从SystemC到RTL再到版图，每个阶段产生不同类型的数据；第二，工具版本和PDK持续演进，历史数据的可用性难以保证；第三，EDA厂商依赖专有格式保持竞争壁垒，缺乏开放数据的商业动机。不过，随着AI系统具备逆向解析专有格式的能力，数据开放的重要性正在凸显。

Q3：大语言模型在EDA智能体流程中的泛化能力是否可靠？

A：目前来看存在明显局限。对于同类IP，大语言模型的预测效果相对可靠，但面对全新类别的IP，预测所依赖的参数会发生变化，且训练数据往往稀缺，精度难以保障。此外，EDA数据量大、多样性高，是否能在Token消耗可控的前提下实现有效泛化，目前仍是业界公开讨论的核心问题。