Synopsys CEO 谈自主芯片设计进展：AI 智能体已能从 spec 生成已验证 RTL

要点：

• 自主芯片设计正在进步，但人类工程师仍然不可或缺——至少目前如此。
• 系统公司正在向 EDA 施压，要求缩短芯片设计周期，以便跟上快速变化的 AI 工作负载。
• 先进封装、物理 AI 和数字孪生需要针对多物理场进行更广泛的整体分析和协同设计。

Synopsys 总裁兼 CEO Sassine Ghazi 做客 Semiconductor Engineering，探讨 AI 如何变革芯片设计与工程。以下是本周在 SEMICON West 主题演讲访谈（现场观众见证下进行）前的一部分节选。

SE：过去一年的重大变化，也是当下最热门的话题，就是 AI。我们处理的 AI 数据越来越多。芯片需要运行得更快，也需要更凉爽。我们真的需要重新思考如何开发这些芯片吗？

Ghazi：当然。实际上，我们已经开始谈论如何重新构建工程本身，因为你需要在多个交叉领域进行协同设计和优化，从物理层面开始，包括材料、工艺技术、架构、设计，以及软件和模型本身，因为模型本身定义了工作负载，而如何沿整个技术栈进行优化呢？

SE：那么 AI 究竟如何融入芯片设计？我们从上世纪 80 年代起就在使用计算软件了吧？

Ghazi：是的。大约在 2016 年前后，我们在多项技术和工具中引入了强化学习，以利用需要优化的大量参数空间，并借助 AI 协助人类工程师对这一巨大空间进行优化。如今，我们已经从辅助工具转变为对多个任务智能体的实际编排。我们拥有超过 40 个任务智能体。这些任务智能体是工具的专家，你向它们输入所有知识和工具所需的各项能力，以便针对特定结果进行优化。这些都是专门的任务智能体。过去一年左右发生的神奇之处在于这些模型在智能和推理方面的进步。现在有了长程编排，这些模型可以编排多个智能体，而你所要做的只是给它一个你想要实现的结果。这就是我们今天所处的阶段。我们取得的进展确实令人惊叹。

SE：你认为这一趋势将走向何方？过去四年我们从生成式 AI 发展到了智能体 AI。接下来会是什么？

Ghazi：你可以这样看。我们从助手副驾驶（copilot）起步，发展到生成式能力，再到如今我们所说的长周期自主智能体——你不再给出提示词，而是给出一个结果，并期望模型能够进行推理并触发多个智能体的行动来达成该任务。这就是自主化工程。那么人们通常会问：‘人类工程师会怎样？他们扮演什么角色，这对行业是一种风险吗？’实际上，我完全不这么看。如今，市场对更多公司去定义和专用化硅片、定制硅片有着巨大的需求。而如果你想想这个行业面临的挑战，那就是人类工程师的短缺，无法完成架构设计、拿到规格书、定义硅片并推进至最终结果。因此，整体的自主编排对行业而言是非常积极的事情——你仍然需要人类的判断来定义架构、进行引导，并在进入产品制造之前完成最终签核。

SE：在今年早些时候的 Converged 大会上，一些大型芯片制造商表示，他们将能够开发出无需人类参与的芯片。这现实吗？如果现实，人类扮演什么角色？是不是就是‘检查一下，确保它准确无误，确实按我的预期工作’？

Ghazi：这是我们的愿景。今天，我们确实已经有一些合作项目和技术，可以从一份规格书开始。这份规格书来自一家系统公司。这家系统公司可以是——想想任何超大规模云厂商、任何前沿 AI 实验室、任何电动汽车厂商、无人机厂商。设想一家系统公司定义了一份规格书。该规格书基于最终产品。而在某个环节，你需要把它转化为电子规格。今天，我们已有这样的合作：客户可以将规格书提供给 Synopsys Autonomous Agent，它会将其转换为经过验证的 RTL，也就是芯片设计的起点。过去，从规格书到编写 RTL、验证 RTL，并确保它能够被物理实现和制造，这个过程需要许多人类工程师耗费数月时间。所以今天，这一步骤已经可以自主完成。我们已经做到了。我们已经有多家客户在使用它。凭借智能与推理能力，它能否扩展到物理实现、物理验证，乃至芯片的签核？我毫不怀疑我们终将到达。这是今天就能实现的吗？不是。是否希望在该工作流程中拥有更多自主性？当然。

SE：那么，智能体现在会成为新的 IP 吗？

Ghazi：也许换一种方式来问这个问题：‘Synopsys 的核心 IP 将会是什么？是工具本身？还是那个精通工具、需要借助工具才能完成任务的智能体？’今天，模型在推理和探索方面表现出色。但你仍然需要工具，也就是智能体，来进行生成和验证。因为你能够生成一个结果，可以探索许多设计选项和可能性。但最终，你必须选定一种能在性能、功耗、成本等方面达到最优的实现方案。

SE：我之所以问这个问题，是因为当 Synopsys 开发——并且仍在开发——IP 时，其中几乎所有的 IP 最终都成为了定制 IP，因为你的客户要求它能适配到某种东西之中。AI 智能体如今是否正因为其适应能力而填补了这一角色？

Ghazi：我所说的经典 EDA 产品是指用于设计的工具。然后是 IP，也就是接口 IP。这些是芯片与芯片之间、芯片与系统之间连接所必需的。这些正日益走向定制化。假设你是一家超大规模云服务商。你正在努力优化你的芯片，并针对特定工作负载进行定制，以实现性能、功耗目标等。如果接口 IP 是通用的而不是定制的，你就会失去竞争力。面积可能不是最优的。由于是通用 IP，性能也不是最优的。

SE：换个话题，物理 AI 正在开辟一个全新的市场，但有很多你必须考虑的依赖因素。有大量的数据编排工作，这是一个全新的机遇。Elon Musk 一直在宣传，展望未来，这（仅对 Tesla 而言）就是一个 25 万亿至 30 万亿美元规模的机遇。你怎么看？

Ghazi：随着 AI 从数字领域扩展到物理领域，硅芯片在为两者提供动力。两者都需要定制的硅芯片。一旦你开始转向物理应用，它就是软件定义的。汽车行业在软件定义汽车这条道路上已经走了至少 7 到 10 年。随着车辆变得自主化，你不仅需要对最终产品的电子器件和物理特性进行建模，还需要对其运行环境进行建模。因此，这是硅芯片、系统本身（包括结构、流体、实际机械系统的多工程领域）以及如何对系统将要运行的环境进行建模之间的多重优化机遇。所以这是一个巨大的工程机遇，而我们的业务覆盖从硅芯片到整个系统。系统方面是通过收购 Ansys 实现的。我们拥有多物理场签核能力。无论你想对芯片还是终端系统（即汽车、机器人，任何智能系统）进行签核，你都需要确保没有过度设计产品。没有过度构建它。那么，如何在投入制造之前恰到好处地进行设计，并能够跨多个物理领域进行签核呢？

SE：而且这不仅仅是系统的系统。它是异构系统的系统，对吧？

Ghazi：是的。对我来说最难描述的是在多个抽象层次上“系统”的定义，因为一个先进封装就是一个系统。但当你开始考虑机架时，它就成了一个组件。当你在考虑一个子系统或数据中心时，它又变成了一个组件。所以这是系统在不同抽象层次上的体现。

SE：人们谈论控制 AI 的方法之一——我们都听说过从沙箱中逃脱的故事——就是数字孪生。我们听说数字孪生大概已经有十年了。真的有人做出过一个吗？如果没有，问题出在哪里？

Ghazi：数字孪生或虚拟化的概念已经存在很久了。实际上，Synopsys 在大约 15 或 17 年前进行过两次收购，涉及芯片虚拟化，即为芯片创建数字孪生，让客户在芯片制造之前就能开始设计软件。这样客户就可以有多种模型可选，以确定哪种芯片最适合其系统。现在，如果涉及整个系统或整辆车的数字孪生，我们确实有客户能够为整个电子系统创建数字孪生——一个用于对汽车的材料、结构和物理特性进行碰撞测试的数字孪生，这样就不必制作物理原型并进行碰撞测试。目前已有针对不同工程领域的部分数字孪生，客户也已在使用。但有没有一个涵盖电子系统、物理特性以及系统运行环境的数字孪生，如今已经可用并被客户广泛使用呢？其实还没有。但这是旅程的一部分。而且我不确定，如果没有数字孪生，你如何构建未来复杂的智能系统。那将耗费你极长的时间，成本也会是天文数字。

SE：但这仍然是经典的分而治之，对吧？

Ghazi：是的，因为除非完全从零开始，你通常都是从先前的设计和架构出发，再演进到下一个。有一个地方总让我惊叹，因为他们是从零开始的，那就是中国在机器人和电动车领域。我在中国拜访过许多客户，整个公司两三年前才成立，他们从一开始就采用全数字化设计方法。芯片刚完成流片，他们就把它装到电路板上，再装入汽车或其他终端系统，几周内软件就能运行。这是我们客户工程方式的转变。那么这可行吗？答案是肯定的。但要让一家成熟的工程公司有动力跳入这种新的工作方式，约束条件和起点又是什么？

SE：还有，这实际上是在汽车生命周期的哪个阶段发挥作用？因为这需要巨大的计算量。

Ghazi：是的，但如果你想想传统 OEM 厂商，他们每四到六年创建一个新平台——平台指的是整辆车本身。而我刚才举的例子每九个月到一年就发生一次。所以节奏几乎是一样的，他们在更新电子系统的同时也在更新整辆车。当然，这需要大量的计算投入，但最终，净效益是你的终端产品更具差异化，而且你的创新节奏和速度要快得多。

SE：而且随着系统向前发展，你们也在监控它们的健康状况，对吧？你能想象一颗 3 纳米芯片在汽车里用上 15 年吗？

Ghazi：越是把系统架构成一个个独立的组件，你就越能把它作为整个系统来验证，这会让你拥有基于成本、供应链以及许多许多维度进行优化的可选性。

SE：我们换个话题吧。2026 年本应是 3D-IC 之年。这是真的吗？

Ghazi：是的。如今数据中心里有许多芯片都是 3D-IC。这很复杂。除了电子层面之外，客户和制造方面还面临着诸多挑战。问题不在于电子架构，而在于 3D-IC 的物理和机械效应。当你按预期高强度运行工作负载时，封装内部会出现散热问题。这会导致一些 chiplet 发生翘曲或开裂。所以这是一个机械挑战。整个行业绝对正在努力在 3D-IC 架构设计阶段就尽早解决这一问题，同时结合其上运行的工作负载。这实际上也是 Synopsys 收购 Ansys 的核心论点——如何在设计阶段尽早引入物理仿真，以便将这一点考虑在内，因为未来绝对是多芯片的异构集成。

SE：这也是一个编程噩梦，因为现在你面对的是这样的问题：‘好吧，我们会迎来一个热量峰值，我们会迎来一个计算峰值，而这个峰值每 3 毫秒就会出现一次。’那么现在，在这 3 毫秒之间我们该做什么？我们如何把它冷却下来？

Ghazi：是的，实际上这正是我提到工作负载的原因。在结合工作负载的背景下设计和构建系统、先进封装和多裸片系统变得非常关键。很多现场出现的意外都发生在这里：你没有考虑到某个极端情况，系统就会过热并崩溃。所以这是一个贯穿整个技术栈的优化，从软件到实际封装的架构设计，再到实现，同时把物理和设计都考虑在内。

SE：让我们在这里再加一个因素，那就是 AI 本身可能也在发生变化。回想一下你之前运行生成式 AI 或智能体 AI 时的情形，现在查询也变得越来越复杂了。

Ghazi：这就是为什么现在每一家系统公司都在试图掌控自己的芯片开发。这并不是因为半导体行业在针对特定工作负载优化芯片方面做得不够出色。而是按目前的发展速度，模型每三四个月就会变化一次。你不可能让芯片每两三年才更新一次。我们的许多半导体客户都在推动将周期从 18 个月、16 个月、14 个月缩短到一年。许多系统公司也在推动我们：如何利用 AI 把从规格到流片的时间缩短到一年以内、九个月以内？瓶颈在哪里？我们如何设计出专门针对我们自己定义的工作负载的芯片？

SE：或者说一颗能够随着进展不断适应的芯片，对吧？

Ghazi：是的，无论是小芯片（chiplet）还是整个芯片的可编程性都是方向，但与“我需要在定义规格和定制那块硅片上的速度”相比，我还没看到系统公司对此有太多采用。而且顺便说一下，那块硅片的生命周期不超过两到三年，所以他们定制它并不是打算让它服务于模型的多个世代。关键在于以更快的速度优化并交付到硅片的能力，而就那块硅片的生命周期而言，它在其所驱动的应用中停留较短的时间也是可以接受的。

SE：面对这一切变化，你担心什么？什么让你夜不能寐？

Ghazi：节奏，节奏，还是节奏。你知道，现在正在发生巨大的复杂性。在我们的行业中，我们 collectively 做了出色的工作来创新并真正交付魔术般的东西。我从未见过像我们现在所面对的这样的节奏、系统级协同设计和复杂性。那些能够从经典传统工作流程转型到采用下一代工作流程的公司——把它放到 PowerPoint 幻灯片上很容易，但一家公司要在交付对客户的当前承诺的同时，把同一批工程团队转型为交付智能的未来、并与物理、与每家公司试图实现的产品差异化相结合的未来，这是非常困难的。

SE：这是否让你很难决定把赌注押在哪里？看看 EDA，就研发投入（占收入的百分比）而言，它几乎一直超过所有其他硬件公司。

Ghazi：就占收入的百分比而言，是的，EDA 一直需要投入越来越大的收入比例来跟上步伐。AI 带来了机会。但我还没看到它能够驯服这种需求，以至于可以说现在投资会下降。所以我们正在进行的投资实际上在继续增加，而不是减少。