Agent染指芯片研发流程，，，，，半导体产业起头沉构出产工具

8月25日，，，，，CadenceLIVE China 2026中国用户大会在上海前滩香格里拉酒店进杏祝。。。。大会设置主题峰会及七个技术分会场。。。。，，，，议题覆盖模拟设计、数字设计与签核、AI辅助数字设计、系统分析、系统设计、验证及IP职能签核等芯片与系统研发环节。。。。。 从前三年，，，，，AI对半导体行业最直接的影响，，，，，是训练和推理需要催生了更多GPU、HBM以及定造AI芯片。。。。。如今，，，，，AI起头反过来染指这些芯片的研发过程。。。。。 四大管帐师事务所之一德勤在《2025年全球半导体行业瞻望》中将“AI推动芯片设计流程进一步演进”列为半导体行业的沉要趋向之一。。。。。其指出，，，，，AI已经起头辅助工程师优化芯片机能、功耗和面积（PPA）；；；；；；天生式AI又进一步加快了设计迭代，，，，，推动芯片设计“左移”，，，，，将测试、验证和确认等环节提前。。。。。 Cadence资深副总裁兼数字与签核事业部总经理滕晋庆在大会演讲中，，，，，将Cadence面对AI的方向概括为两条线：Design for AI 和 AI for Design。。。。。前者是利用EDA和系统设计能力，，，，，援手客户设计更先进的AI芯片、构建更壮大的AI系统；；；；；；后者则是把AI引入芯片和系统设计流程，，，，，提高研发效能、加快创新，，，，，缩短产品上市耗时。。。。。 但芯片设计与通常软件开发存在底子差距。。。。。软件代码出现问题后仍能够通过更新建复，，，，，而芯片一旦进入流片和造作阶段，，，，，批改的功夫与成本城市迅速上升。。。。。大模型可能天生RTL，，，，，并不料味着它已经可能独立实现芯片设计。。。。。滕晋庆指出，，，，，真正难题的并非若何天生RTL，，，，，而是让了局同时满足职能正确性，，，，，并获得最佳的PPA。。。。。 Cadence因而提出“三层蛋糕”框架：最上层是不休演进的AI和智能体，，，，，中央层仍是成立在物理、数学和推算机科学基础上的EDA主题算法，，，，，最底层则是支持这些工作运行的高效推算平台。。。。。滕晋庆暗示“唯有这三层深度融合，，，，，我们能力把AI的潜力真正转换成出产力”。。。。。 Cadence今年密集推出的一系列Super Agent，，，，，就是沿着这套“三层蛋糕”向分歧设计环节衍生：ChipStack面向数字前端设计与验证，，，，，ViraStack掌管模拟和定造芯片设计，，，，，InnoStack进入数字后端实现与签核，，，，，AuraStack覆盖PCB和先进封装，，，，，位于更上层的AgentStack则掌管协调分歧Super Agent共同实现跨环节设计工作。。。。。 随着自动化在从单点工具走向更长的工程流程，，，，，同时也对底层算力产生了更高的要求。。。。。滕晋庆提到，，，，，推算平台正从从前重要依赖多核x86 CPU，，，，，走向GPU、TPU、Arm及各类专用AI芯片，，，，，各类设计，，，，，各类推算架构共存的时期。。。。。 此芯科技首创人、CEO孙文剑提出，，，，，智能体推算在扭转从前以GPU为中心的AI推算模式。。。。。他以为，，，，，GPU依然承担训练和大型推理工作，，，，，但多智能体运行时的工作治理、工作分配和系统调度更多必要CPU参加。。。。。 孙文剑预计，，，，，将来推算架构将从从前以GPU为中心转向CPU、GPU、NPU协同的异构推算：CPU掌管智能体治理和工作调度，，，，，GPU持续承担大型推理和训练工作，，，，，NPU等专用单元则更多承担低功耗、高能效的AI推理。。。。。 与此同时，，，，，Agent往往必要持续运行并实时响应，，，，，也让能效、响应速度和安全成为新的约束。。。。。孙文剑称，，，，，若是智能体持久运行在PC、手机等设备上，，，，，功耗不能因而大幅上升；；；；；；而当Agent越来越像用户的“数字分身”，，，，，本地数据隐衷和可信执行的沉要性也随之提高。。。。。 基于这一判断，，，，，此芯以CPU为智能体推算的主题之一，，，，，融合GPU、NPU等异构算力，，，，，并通过操作系统实现软硬件协同。。。。。孙文剑泄漏，，，，，此芯目前已在6nm工艺上实现三颗芯片，，，，，形成高中低产品矩阵；；；；；；下一步将在持续迭代芯片的同时，，，，，向软件栈和开发工具延长，，，，，并进一步覆盖端、边、云全场景智能体推算。。。。。 当设计工具和推算芯片都起头适配Agent的工作方式后，，，，，问题便进一步落到企业内部：Agent若何真正进入研发流程，，，，，把部门环节的能力提升转化成端到端的研发效能？？？？？？ 要实现这一点，，，，，还必要一个同时两全衔接算力、数据、EDA工具和安整个系的平台。。。。。字节跳动旗下云服务平台火山引擎副总裁张鑫这次回覆的正是这一问题。。。。。 他以AI Coding为例称，，，，，大模型天生代码的速度能够达到人为敲键盘的10倍以上，，，，，但在字节内部，，，，，端到端产品研发效能提升约为60%。。。。。他诠释称，，，，，当智能体真正嵌入业务和出产系统后，，，，，必要解决的已经不只是代码天生，，，，，还蕴含长工作执杏注工作规划、流程推动以及凭据反馈不休建改了局。。。。。更关键的是，，，，，模型还要与企业已有的高低游系统、工具和数据联动，，，，，并在相宜的Checkpoint引入“Human in the Loop”，，，，，由人参加判断和校对。。。。。 来到半导体行业，，，，，这些问题又进一步放大。。。。。张鑫将挑战综合到几个层面：一是算力，，，，，芯片早年端设计到后端验证、回归等分歧阶段，，，，，算力需要可能相差10倍以上，，，，，算力配置过少会在顶峰期不及，，，，，配置过多又容易造成浪费，，，，，同时大规模工作还会带来资源调度和散布式架构的问题。。。。。 二是数据和模型。。。。。半导体行业的数据拥有较强的专业性、稀缺性和隐衷性，，，，，若何把行业知识和足够规模的数据注入大模型自身就是一路门槛；；；；；；而芯片设计和仿真又蕴含大量持续功夫长、步骤复杂的工作，，，，，一个微幼误差最终都可能被放大，，，，，因而模型不仅要能天生了局，，，，，还要解决长工作执杏注了局可信和可诠释性的问题；；；；；；此表，，，，，IP、工艺设计和主题数据的；；；；；；ぃ，，，，也在安全层面上组成挑战。。。。。 针对这些挑战，，，，，张鑫将火山引擎面向半导体行业的规划概括为三个部门：Cloud for IC是“用算力换功夫”，，，，，通过云端弹性资源应对芯片研发分歧阶段的算力波峰波谷，，，，，将企业固定的本钱开支（CapEx）转化为可调度的运营支出（OpEx）；；；；；；AI for IC是“用算力换智能，，，，，再用智能换出产力和创造力”，，，，，让大模型从单点代码天生进一步进入需要分析、RTL设计、验证以及软件开发等研发流程；；；；；；Security for IC则贯通整个性命周期，，，，，萦绕推算、数据和智能体运行成立安全防护。。。。。 瞻望将来，，，，，张鑫以为，，，，，随着模型能力持续提升，，，，，更多从前成效不好的利用场景还会被逐步“解锁”。。。。。与此同时，，，，，半导体行业还必要成立更成熟的Agent评测和优化系统，，，，，并将芯片企业堆集的行业Know-how沉淀为能够被模型和Agent挪用的Skills。。。。；；；；；；鹕揭嬉驳赣敫嘈酒笠岛秃献魍楣泊锤嗬贸【啊⒐餐ㄉ杳嫦蛐酒杓频钠啦夂陀呕低场。。。。