工具與方法論之間的關係是雙向的。工具賦能方法論，方法論依賴工具的功能特性及其所提供的數據。然而，當前業界幾乎沒有架構級別的工具，這使得構建完整的智能體流程愈發困難。
EDA領域的AI應用現狀
EDA領域首輪AI應用大多聚焦於單一工具，因而只涉及某一抽象層級上的單一數據類型，無需考慮外部工具與數據互操作性的問題。隨著行業向流程與方法論層面推進，上述簡化前提將不復存在。
這為EDA行業帶來了潛在挑戰。AI最具價值的應用場景集中在流程前端——即規格制定、架構定義及驗證計劃階段。相比之下，允許AI在流程後端進行改動所帶來的收益有限，風險卻更高。歷史上，前端工具開發一直未受重視，原因在於參與者僅有少數架構師，且投入時間有限，經濟效益不佳。
另一個問題在於，這一階段的抽象表達方式尚未形成共識。學術界曾多次嘗試提出相關方案，電子系統級（ESL）工具也在1990至2000年代經歷了開發與淘汰的循環。SystemC雖然引入了非定時與近似定時模型的概念，但除了在高層次綜合（HLS）工具中有所應用，並未獲得更廣泛的普及。
在構建AI方法論時，上述現狀可能造成障礙。當然，AI本身也可能提供解決思路——將這些抽象層級與RTL關聯起來，實現雙向互通。多位業內人士指出，大型半導體公司正在該領域積極尋求突破，將其視為競爭優勢的來源。顛覆性變革往往由此發端，儘管從突破到普及往往需要相當長的時間。
多元化的數據來源
數據來自多個渠道：一部分與當前設計直接相關，另一部分則需要AI從歷史經驗中學習。然而，這些數據的適用性與時效性至今仍缺乏深入研究。
Cadence院士Badarinath Kommandur表示："我們在多代產品中設計了協議IP，積累了從規格、RTL實現、驗證測試台到實際設計實現的完整設計內容，涵蓋多代產品、多個晶圓廠和多個工藝節點。問題在於，面對一個全新的接口標準，能否利用這些歷史實現來訓練AI引擎或基於大語言模型的方案？它能否閱讀新的接口規格，並給出方案，讓專家可以快速疊代至量產質量，並完成整個設計實現？我們能否從中學習，並將這些知識應用於下一代設計？"
Normal Computing的AI工程師Doyun Kim指出："即便只以數字設計為例，也存在SystemC、RTL、門級網表和版圖等階段，每個階段都會產生其獨特的數據類型。業界所說的'左移'，正是指在早期階段預測後期結果，從而提前剔除有缺陷的設計，減少高代價的疊代。"
隨著開發流程推進，設計自由度逐步收窄。Siemens EDA產品負責人Sathishkumar Balasubramanian表示："我們看到大量面向前端的智能體流程正在開發，這是在進行設計階段功能層面的工作。越靠近流片，一切都會越來越緊、約束越來越多。這個階段的AI應用空間相對有限，因為前期的難點已經解決，不希望在此引入變數。"
跨抽象層級工作需要不同類型的數據支撐。Moores Lab AI創始人兼CEO Shelly Henry表示："知識資料庫既需要提供設計的全面細節視圖，包括結構、行為和驗證需求，也可能需要整個流程的補充視圖，以便AI智能體能夠在完整流水線上進行推理。目前已有團隊在構建此類資料庫，從設計架構規格和RTL本身中提取關鍵資訊，這將有助於實現能夠自動生成驗證環境諸多要素的智能體AI方案。"
"左移"要求在早期獲得估算值，以便在更抽象的設計中做出合理決策。Kim指出："包括AI方法在內的多種技術正被用於早期預測性能指標。但這面臨泛化方面的挑戰。對於同類IP，預測效果可能不錯，但對於截然不同的IP類別，預測所依賴的參數可能有所不同，若訓練數據匱乏，預測精度便無法保障。大語言模型層面的泛化能力是否能夠真正覆蓋這些情況？這是一個懸而未決的有趣問題。"
最終目標
業界普遍認為，終極目標是實現從規格到經過優化的、構造即正確的設計的全智能體流程。IC Manage CEO Dean Drako表示："未來，我或許可以說：'按照以下參數設計一個ALU或緩存控制器，這是規格文檔，然後讓系統自動完成設計。'但我認為EDA領域的人並非真正來自晶片設計圈，所以他們還不會盲目追風。他們需要理解系統在做什麼、為什麼這樣做、在哪裡執行。"
要產出高質量設計，需要大量後端專業知識。Cadence的Kommandur指出："一個設計團隊中，不同領域的專業知識往往集中在少數工程師身上。在設計執行周期中，到了收斂封版階段，往往需要依賴這幾位專家來完成設計收斂、達到性能功耗面積指標並完成流片。問題在於，如何將這些專家的知識提煉並嵌入智能體AI框架，使EDA生態中的任何設計師都能高效地應用這些知識？"
利用AI構建模型也是一個值得探索的方向。Synopsys產品經理Jeff Tharp表示："未來將圍繞降階模型（ROM）展開，這是流程諸多環節所必需的。要實現快速且精準的解決方案，需要高精度的ROM，同時還需要跨物理場和跨尺度的ROM，以實現複雜系統的真正虛擬裝配。"
數據不足也是一大障礙。Kim表示："大量歷史數據由失敗嘗試或最終未被採用的設計方案構成，如何從中提取有意義的資訊至關重要。其次是工具版本與工藝設計套件（PDK）的演進問題——隨著工具和工藝技術持續演進，歷史數據的可用性愈發不確定。第三是項目結構問題。在大多數情況下，同一公司的團隊會遵循相似的設計方法論並保持相近的項目結構，但這並非鐵律。"
協作與標準化
單憑一方之力，無法完成這項任務。南安普頓大學AI與EDA研究員Simon Davidmann表示："目前，一些資本雄厚的公司正在為自己構建解決方案。大型EDA公司和初創企業未必具備所需的資源或AI專業能力。未來的工作將以協作形式展開，或者走開源路線，與真正在開發尖端AI技術的大型AI公司合作，或者獲得這些公司對EDA企業的大規模注資。"
成功的方法論需要與工具緊密協同。Normal Computing產品工程負責人Arvind Srinivasan表示："無論哪家EDA工具廠商能夠以開放格式開放其數據，都將成為所有利用大語言模型的公司最好的基礎構建模組。半導體公司歷來推動供應商實現一定程度的互操作性，因為可能用一家廠商的工具做簽核，用另一家做設計和驗證。但這種壓力的重要性已不如以往。AI系統已經能夠對專有格式進行逆向工程、讀取二進制文件，並生成從封閉工具鏈中提取可用數據所需的代碼。開放數據的廠商將擁有更順暢的集成路徑；而不開放的廠商會發現，他們所構築的壁壘正越來越容易被突破。"
從長遠來看，數據標準化不可或缺。Moores Lab的Henry表示："當標準化能夠為用戶帶來明確價值、同時不暴露EDA供應商賴以差異化的專有機制時，標準化便是可行的。一條務實的路徑是定義聚焦於共享契約要素的API——例如事件定義、來源資訊及其他具有外部意義的信號——而非試圖統一各廠商的內部數據結構。以這些可互操作的接觸點為中心建立標準，AI系統便可實現可靠的流程編排、持續集成和優化，同時廠商仍能掌控自己的核心競爭力。隨著工程團隊對支持AI驅動工作流的開放性期待日益提升，市場壓力將推動主要EDA供應商採納此類接口，為新老玩家的快速創新創造空間。"
明確目標才能確定所需標準。Siemens的Balasubramanian表示："要聚焦用例，不要想著把現有基礎設施改造成智能體流程，而是先明確用例，再思考如何以智能體流程實現。很多客戶的遺留流程正被嵌入智能體流程，如果從零開始，這種情況本不會發生。"
核心參與者需要有商業動機的驅動。Vtool首席技術官Olivera Stojanovic表示："當技術、價值與用戶動機三者一致時，標準化就會變得現實。我相信我們正在接近這一臨界點。統一標準可以減少誤解，對AI智能體而言尤為如此，同時也能強化工程師在整個流程中的核心作用。"
在標準尚未確立之前，AI的工作負荷將持續較高。Kim表示："這些數據在多個維度上呈現出難以標準化的多樣性。近年來AI模型的進步使得高效處理多樣化數據成為可能，無需嚴格的數據標準化，但這能否有效擴展到EDA數據的多樣性與體量水平，目前仍是未知數。此外，處理此類數據可能需要消耗極大量的Token。"
許多人對EDA公司能否在API上達成標準化持懷疑態度。Normal Computing的Srinivasan表示："這個行業歷來不是這樣收斂的。但好消息是，在大語言模型的世界裡，關鍵在於各廠商願意向其他工具開放多少數據。標準不需要是一份正式規範，只需數據是開放的。只要數據可訪問且基於文本，現代AI系統就能適配各工具的格式差異。真正的問題在於，各廠商是否會認識到，開放數據才是在AI原生設計流程中保持競爭力的更快路徑。"
結語
AI將日益滲透半導體設計、實現與驗證的各個環節。核心問題在於：誰最有可能率先成功？就目前而言，大型半導體公司是唯一具備條件的群體——他們擁有數據、受控的流程與方法論，以及充足的商業動機。
構建從規格出發的智能體流程，將為他們帶來競爭優勢，直至所有競爭對手具備類似能力。屆時，這一技術很可能會移交給大型EDA公司進行更廣泛的產品化。在此之前，EDA公司有責任從工具中提供必要資訊，使工具能夠響應智能體的指令，並與同行攜手推動儘可能廣泛的標準化進程。
Q&A
Q1：智能體EDA方法論為什麼要從設計前端入手？
A：因為AI在設計前端階段——如規格制定、架構定義和驗證計劃——能創造最大價值。越靠近流片的後端階段，設計約束越多，允許AI介入的空間越小，風險也越高。歷史上前端工具開發本就薄弱，如今AI方法論若能填補這一空白，將帶來顯著的競爭優勢。
Q2：EDA數據標準化面臨哪些主要挑戰？
A：主要挑戰有三點：第一，各階段數據格式差異巨大，從SystemC到RTL再到版圖，每個階段產生不同類型的數據；第二，工具版本和PDK持續演進，歷史數據的可用性難以保證；第三，EDA廠商依賴專有格式保持競爭壁壘，缺乏開放數據的商業動機。不過，隨著AI系統具備逆向解析專有格式的能力，數據開放的重要性正在凸顯。
Q3：大語言模型在EDA智能體流程中的泛化能力是否可靠？
A：目前來看存在明顯局限。對於同類IP，大語言模型的預測效果相對可靠，但面對全新類別的IP，預測所依賴的參數會發生變化，且訓練數據往往稀缺，精度難以保障。此外，EDA數據量大、多樣性高，是否能在Token消耗可控的前提下實現有效泛化，目前仍是業界公開討論的核心問題。
