芯耀
与非AI
152
过去两年间，半导体行业最不缺的就是关于AI的讨论。从ChatGPT引爆生成式AI热潮，到英伟达GPU成为“硬通货”，AI对产业的冲击已从概念走向现实。但如果要问，在漫长的芯片产业链上，哪一个环节最接近AI变革的“震中”，答案不是制造，不是封测，也不是系统集成——而是EDA。
EDA是芯片设计的处理管道。它一端承接设计者的构想，另一端输出可供制造的物理版图，在功能验证、时序分析、功耗优化、物理实现等关键节点上，EDA工具决定着芯片PPA的最终表现。AI一旦深度介入这一枢纽，影响的将不再是某个环节的“提速”，而是整个芯片设计流程的方法论重构。
市场数据印证了这一趋势。据MarketsandMarkets统计，AI EDA市场预计将从2026年的42.7亿美元增长至2032年的158.5亿美元，年复合增长率高达24.4%。
近日，一场围绕AI与EDA的深度视频播客对话中，西门子EDA全球副总裁兼亚太区技术总经理Lincoln Lee 李立基就AI对EDA工具的渗透、实际效益提升、生成式与代理式AI如何重塑设计范式，以及AI技术对研发工程师的深远影响等议题，分享了产业洞察与实践经验，带大家近距离感受这场由AI驱动、正在发生的行业深变。
02.从“点工具”到“全流程”：AI在EDA中的渗透路径
芯片设计是一个从抽象到具体的漫长旅程，涉及设计、验证、仿真、布局布线等多个复杂环节。但“芯片设计”这个笼统的说法之下，数字芯片与模拟芯片的设计流程有着较大差异——这种差异直接决定了AI在两类产品中不同的渗透路径与价值空间。
数字芯片设计的特点包括长流程、高复杂度，是AI的广阔舞台。
数字芯片设计流程之所以“长”，在于它覆盖了从前端逻辑设计到后端物理实现的完整链条，每个阶段都伴随着大量自动化工具和不断膨胀的设计数据。一颗现代SoC动辄包含数百亿晶体管，其设计空间之巨大、约束条件之繁多，使得传统基于规则的EDA工具在探索最优PPA方案时日益吃力。也正因如此，AI在数字芯片设计中的用武之地格外广阔——从利用强化学习优化设计空间探索，到AI辅助RTL生成与验证，再到布局布线的智能化调度，AI可以在数字流程的每一个环节找到嵌入点。
模拟芯片设计的特点则是高自由度、强物理依赖，是AI的“硬骨头”。
相较数字集成电路，模拟集成电路设计与半导体器件的物理性质有着更大的关联——增益、电路匹配、功率耗散、阻抗等因素都需要精确把控。模拟芯片设计的高度自由度和强物理依赖性，使得其自动化程度远低于数字芯片。利用计算机辅助模拟芯片设计，本质上是在解一道又一道高阶微分方程。传统设计高度依赖专家经验，周期长、自动化程度低。随着工艺不断演进，器件物理行为愈发敏感，容错空间也随之持续收窄。
殊途同归，AI的价值不分数字与模拟。
数字芯片设计流程更长、工具链更复杂，AI的嵌入点更多，这确实让AI在数字芯片领域的“曝光度”更高。但模拟芯片设计同样面临着数据密集、重复劳动密集的挑战——尤其是在仿真验证环节。无论是数字还是模拟芯片，设计团队都需要跑大量仿真来验证设计在各种工艺角（Corner）和蒙特卡罗条件下的表现。而这种“暴力仿真”正是AI可以大显身手的场景——AI能够在数量级更少的仿真中实现全面设计覆盖，将工程师从海量的仿真任务中解放出来。
这正是西门子EDA旗下Solido产品的核心价值所在。经过近20年的深耕，Solido已发展为一套完整的AI驱动型定制IC设计解决方案。Lincoln在对话中特别提到这一点：在西门子EDA，我们情况有点相反——Solido从20年前就开始在模拟芯片设计领域使用AI，所以我们在模拟芯片设计方面积累的AI经验更丰富。
这番话揭示了一个容易被忽视的事实：AI在EDA中的价值，不取决于芯片是数字还是模拟，而取决于环节本身是否具备“数据密集、规律可循”的特征。验证环节恰恰是数字与模拟芯片设计的共同痛点——而Solido用近二十年的实践证明，AI在这条赛道上的潜力，远比人们想象的更加深远。
03.生成式AI vs 代理式AI：两条路径，一个方向
关于生成式AI在EDA中的价值是否被夸大，Lincoln分享了他的判断。生成式AI在开放领域很有用，但谈及在EDA设计上的应用，结果也必须准确。“芯片不能随便生成，不能有错。”
这正是西门子EDA提出的工业级AI五大标准的核心：可验证性、可用性、通用性、稳健性和准确性。如果无法确保生成的设计或结果是正确的，就没有实际价值。芯片企业出于保密、产权及合规要求，不愿轻易开放设计数据用于AI训练；EDA工具间存在接口阻断、格式不兼容等问题，设计流程未连通成为AI加持的最大障碍。
相比之下，代理式AI（Agentic AI） 在芯片设计这种流程性极强的领域展现出更大的潜力。Lincoln表示：“我们的核心目标是提高工程师的效率，而不是替代他们。”
西门子EDA在2025年DAC上正式推出Fuse EDA AI系统，将生成式AI与代理式AI深度融合，落地为具体的产品实践。这是一个专为半导体和PCB设计环境打造的生成式与代理式AI平台。该系统构建于统一的多模态数据基础设施之上，内置面向EDA场景的专用大模型——其训练与推理所依赖的，是专业的EDA数据与设计文档，而非通用数据。
Lincoln还强调，Fuse系统部署在客户本地的私有环境中，数据不出客户环境。同时，系统提供开放式接口，支持通过API或MCP（Model Context Protocol）与第三方或客户自研模型连接。这一设计直击客户对数据安全和工具兼容性的核心痛点。
2026年3月，西门子进一步发布了Fuse EDA AI Agent系统，这是一个专为半导体、3D IC和PCB设计构建的自主AI代理，能够规划和编排跨越多工具、多代理的复杂工作流，覆盖从设计构思到制造签核的全流程。
Lincoln介绍道，“通过AI可以过滤掉大量不必要的仿真，聚焦到真正值得运行的用例上。"随后他还补充，"在效率提升方面，以仿真平台为例，使用AI后验证效率可提升10倍以上。”
04.门槛降低还是抬高？
关于AI是否会降低芯片设计门槛，Lincoln给出了一个发人深思的回答：“设计芯片的门槛不会降低，因为还是要保证芯片成功流片。但对工程师的要求确实会改变。”
就像30多年前从手工设计转向EDA自动化一样，现在是从自动化再提升到AI的新层面。工程师不仅要懂工具操作，更要懂得如何用AI Agent来调度工具、判断结果并做下一步决策。
西门子EDA全球副总裁兼亚太区技术总经理Lincoln Lee 李立基说过：大家都可能做出芯片，但关键是怎么让你的芯片比别人的更有竞争力。工程师更重要的能力，不在于“能不能做”，而在于如何指挥AI，做出比竞争对手更优秀的芯片。
05.从“可选项”到“必选项”
回顾过去五年，AI在EDA领域的角色已悄然改变。它不再是锦上添花的“概念验证”，而正在成为芯片设计流程中不可或缺的效率引擎。各大厂商的实际部署与行业洞察或指向同一个结论：AI对EDA的渗透，已进入规模化价值兑现期。
但这场变革远未抵达终点。数据孤岛的打通、模型可信度的提升、系统级编排的成熟——每一层都需要行业耐心攻坚。而站在工程师的角度，AI带来的与其说是“被取代”的焦虑，不如说是“角色进化”的机遇。真正有价值的变化，不是工具本身变强了，而是使用工具的人能走得更远、想得更深。
芯片设计的新范式正在AI的驱动下一步步成型。这场重塑EDA的漫长旅程，才刚刚走过第一个门槛。
