Intel的人在Synopsys大会上说：你们落后了麟芯说AI

Synopsys Converge 大会上，Synopsys、Intel、AMD、Nvidia、Microsoft 和 UC Berkeley 的六位专家坐在一起，讨论了一个让所有人既兴奋又不安的话题：AI 正在入侵芯片设计的每一个环节，但 EDA 厂商的 agentic AI 方案，离真正可用还差一截。

更关键的是，当 AI 推理速度每几个月翻倍时，EDA 仿真工具还在用 CPU 慢慢跑。

EDA 厂商说自己落后了，是真的吗？

SemiEngineering 在 Synopsys Converge 大会现场组织了一场圆桌讨论。阵容不算小——Synopsys AI & ML 副总裁 Thomas Andersen、Intel 模拟/混合信号工具高级总监 Sridhar Boinapally、AMD 企业院士 Alex Starr、Nvidia GPU 硬件工程副总裁 Stuart Oberman、Microsoft 硅工程基础设施合伙人 Silvian Goldenberg，还有 UC Berkeley 教授 Borivoje Nikolic。

这是系列讨论的第二部分，聚焦 AI 对芯片设计和 EDA 工具链的实际影响。

几个核心判断值得注意：

EDA 厂商在 agentic AI 革命中"略微落后"。Intel 的 Boinapally 的原话。传统 EDA 的交付模式是"我给你工具，你自己修问题"，但 agentic AI 要求的是基于高层规格自动迭代设计——这在当前的 EDA 体系中还不存在。

仿真速度是硬瓶颈。Berkeley 的 Nikolic 指出，芯片设计领域没有 surrogate simulation（代理仿真），EDA 工具对 GPU 的存在反应迟缓。Synopsys 的 Andersen 补充说，AlphaEvolve 在 EDA 领域面临的核心问题是 runtime 太长，"未解决的问题"。

芯片设计团队的角色正在模糊化。Microsoft 的 Goldenberg 说得很直白："过去我开发流程，现在我设计团队，团队自己开发流程做实验。"

从"每瓦性能"到"每吉瓦性能"

Nvidia 的 Oberman 抛出了一个细节：在高性能数据中心，行业已经不再谈"每瓦性能"，而是谈"每吉瓦性能"。

不是修辞上的夸张。GB200 NVL72 单个机架功耗超 100 kW，一个数据中心动辄数十万颗 GPU，功耗确实是以吉瓦为单位计算的。能耗尺度放大到这种量级，芯片设计的优化目标必须重新校准。

Oberman 的说法揭示了一个根本变化：过去设计师追求面积效率和单芯片性能，现在追求大规模系统的能耗效率。设计流程、验证方法、EDA 工具的评价标准都需要调整。

EDA 的 agentic 焦虑

"EDA 公司在 agentic AI 革命中略微落后。"

这话出自 Intel 的 Boinapally 之口，分量不小。Synopsys 是全球最大的 EDA 厂商之一，Converge 是他们自己的大会，在这样的场合被直接说"落后了"。

Boinapally 的意思很明确：传统 EDA 的思维模式是工具导向——我给你引擎、能力、算法，你设计师自己想办法用好。但 agentic AI 要求的是另一层抽象：告诉系统"我要一个满足这些规格的设计"，系统自己去迭代、调试、优化。

中间差了一大步。

Synopsys 的 Andersen 回应得谨慎。双方都有专业知识——EDA 公司懂工具和算法，芯片公司懂芯片设计流程。未来不是谁替代谁，而是交付机制变了：EDA 厂商不再通过技术支持人员传递知识，而是通过数据库和 AI agent。

但他承认了一个关键事实：今天所有用来训练 agent 的知识都来自人类。工程师告诉 AI 怎么 debug、怎么设流程，然后 AI 学着做。让系统自主发现比人类更好的方案——"目前还不是这样"。

如果 agentic AI 的训练数据全部来自人类的现有做法，那它最多只能做到"自动化已有的最佳实践"，无法突破人类经验的天花板。Andersen 说的"自学习系统"才是 agentic AI 的终极形态，但这条路还没走通。

这类 agentic 工作流的质量验证，恰好是 AI+EDA 工具链需要补上的关键一环。IC Agent Hub提供的 Benchmark 质量验证能力，可以对 AI 生成的设计流程进行格式校验、安全扫描和运行验证，确保 agentic 方案落地前经过系统化的质量把关。

仿真速度：被忽视的基础设施瓶颈

Nikolic 提了一个经常被忽略的问题：EDA 仿真工具的速度，远远落后于 AI 推理的速度。

机器学习领域，GPU 推理已经能在毫秒级完成复杂计算。芯片设计中，仿真工具还在用 CPU 慢慢跑，而且没有 surrogate simulation 来加速。

代理模型在其他工程领域已经很常见——用机器学习训练一个快速近似模型替代慢速高精度仿真。Nikolic 说芯片设计领域没有这个东西，或者说还没有足够准确的 surrogate 被广泛采用。

Andersen 提到 Google 的 AlphaEvolve，Gemini 驱动的编码 agent，能自动优化算法和芯片设计。致命问题是 runtime 太长——一次仿真可能跑几个小时甚至几天，agent 需要反复迭代，时间成本呈指数级放大。

结构性矛盾：AI 的迭代速度受限于 EDA 仿真的物理速度。仿真不加速，agentic AI 的效率就被锁死了。

Synopsys 和 NVIDIA 在 2025 年 10 月宣布的多年期战略合作，NVIDIA 投资 20 亿美元，核心目标之一就是用 CUDA 加速计算和 Omniverse 数字孪生提升仿真速度。GPU 加速全面渗透到 EDA 工具链的话，这个瓶颈有望被打破。

芯片设计团队的重构

讨论中最有意思的部分是设计团队的变化。

AMD 的 Starr 描述了一个场景：工程师拿到 agentic 框架后，第一反应是找"低垂的果实"——能耗分析、常规调试、暴力分析。这些是 agentic AI 最容易切入的场景，规则明确、重复性高。

真正的变化在团队结构层面。

Microsoft 的 Goldenberg 说，团队动态已经发生了根本变化。过去资深工程师开发设计流程，其他人照着用。现在，"我设计团队，团队自己开发流程做实验。"角色边界在模糊——前端设计、后端验证、物理实现之间的传统分工正在被打破。

对芯片公司来说，人才需求在变。纯粹的"工具操作员"价值在下降，能理解 AI 工具、能设计工作流、能把高层需求翻译成 agentic 指令的工程师价值在上升。

Intel 的 Boinapally 说得更直白："AI 既令人害怕又令人兴奋。"大规模内部培训应对——不是让所有人变成 AI 专家，而是让更多人知道怎么用 AI 工具做本职工作。

差异化 vs 同质化

Andersen 抛了一个值得思考的问题：所有芯片公司都用类似的 agentic AI 工具做设计，最终结果会不会趋同？

比方打得好——好莱坞电影。同样的摄影机、同样的设备，拍出来的电影不一样。但如果 AI 工具强大到能自动发现最优设计方案，"最优解"对所有人都是同一个，差异化从哪里来？

AMD 的 Starr 的回答：每个芯片公司在"AI IQ"和内部基础设施上的位置不同。有的用全套 EDA 厂商的 agentic 方案，有的专注于特定工具的深度优化。差异化的来源从"工具能力"转移到"数据资产"和"领域知识"。

Microsoft 的 Goldenberg 也强调数据："首先需要好数据。"设计公司积累的历史设计、仿真结果、失效模式、工艺偏差——这些是 agentic AI 训练的核心燃料，也是最难被复制的竞争壁垒。