智能体 AI 如何重塑芯片设计

人工智能已然改变工程师的工作方式。而下一轮变革将更加意义深远：AI 正从单一任务的辅助工具，演进为互联互通的智能体工作流程，可帮助解决整个设计过程中出现的各类复杂工程难题。

真正的变革将由此开启。

多年来，半导体行业一直依靠深耕专业技术和升级工具来应对日益复杂的芯片设计挑战，但设计难度仍在持续攀升。现代芯片设计涵盖架构、验证、物理设计、封装、散热考量、软件优化等诸多环节。没有任何一位工程师能够一次性全盘把控所有这些变量。正因如此，对于工程设计工作而言，AI 不再仅仅是“有趣”的工具，而是变得不可或缺。

从提示词到工作流程

在早期，生成式 AI 应用热潮集中在“一次性”交互上：问一个问题，得到一个答案。这种应用虽有价值，但作用有限。

如今，行业迎来全新转变：智能体框架兴起，能够自动串联多项任务、自查输出结果、不断迭代，从而持续优化结果质量。智能体系统不再只是生成单一的回复，而是能够参与到整个工作流程中。它们可以不断优化、评估，推动设计工作取得更好的结果。

这一点至关重要，因为工程设计工作通常无法一步到位。高价值的成果往往来自于生成、分析、修正和优化的反复循环。相比于简单的聊天机器人模型，智能体 AI 显然更契合实际的工程设计工作。

为什么这对半导体设计至关重要

芯片设计是这种转变能产生重大影响的典型应用场景之一。工程师需要编写设计代码、验证行为、将设计转化为物理实现，并为产品量产做好准备。每个阶段都有专属的工具、数据和质量要求，同时也都会产生亟需理解和处理的海量输出结果。

以调试和问题分类为例。在典型的设计流程中，回归测试可能涉及数百万次仿真，产生数千个需要分类、排序并解决的问题。以往，这部分工作主要依赖人工完成。而借助智能体工作流程，AI 可以帮助分类这些问题，将相似的问题归为一组，并加速解决过程，从而让团队在给定周期内处理更多发现的问题。

这不仅能提升生产力，还可以提高设计质量。

同样的原则也适用于设计流程中的其他环节。AI 技术可以支持曾经需要耗费大量人力的任务，包括时序收敛和其他形式的优化任务。应用 AI 绝非摒弃严谨的工程设计准则，而是要进一步延伸这种严谨性。

生产力提升绝非唯一追求

在半导体领域，只有在质量不受影响的前提下，提升速度才有意义。芯片设计容不得半点差错。在运行由 AI 驱动的工作流程时，仍然必须遵守严格的验证和确认流程。成熟的工具链、质量检查以及深厚的领域专业知识依然至关重要。

要取得最好的成果，需要将智能体 AI 方法与经过验证的工程设计方法以及更广泛的专业能力相结合。

正因如此，我认为在工程设计领域，“AI 应用”是一个架构层面的挑战，而不仅仅是一个工具选择的问题。您需要仔细思考工作流程该如何设计、智能体之间该如何互联互通、输出结果该如何评估，以及在哪里设置人工监督。智能体 AI 不是即插即用的系统，而是需要精密的工程化设计。

打破孤岛

智能体 AI 最具潜力的一大优势在于，能够打破传统领域边界，打通各个方面的工作。工程团队往往在各自的专业领域内开展工作，但是智能体 AI 能够让数据、工作流程和洞察分析跨领域边界高效流转，助力在更宏观的层面实现优化。

这为跨领域协同优化创造了全新机遇，从长期来看，也有助于实现软硬件协同优化。这正是事情变得格外有趣的地方。整个行业正迈向全新发展阶段：设计优化不再局限于某一个环节，而是贯穿整个技术栈，并最终延伸到系统层面。

难点不止在于技术层面

人们往往倾向于将 AI 采用视作一个工具问题，但其实不然。AI 采用同样面临人员和流程挑战。

变革的步伐极其惊人。当工程师开始采用 AI 原生技术时，各团队之间的进度可能参差不齐。有些团队走得更快，而有些团队走得慢。新想法迅速涌现，既有的工作方式受到挑战。即便整体发展趋势向好，过程中仍会产生诸多协作矛盾。

因此，团队赋能尤为重要。团队需要掌握相应的专业术语和技能并增强信心，能够理解这些系统是什么、如何使用，以及它们如何融入实际的工程设计工作流程。在许多情况下，瓶颈不再是算力资源或工具使用权限，而是团队成员是否知道如何重新思考工作本身。

速度成为新的竞争优势

纵观当下行业发展态势，有一点非常明确：速度正日益成为一种竞争优势。然而，提升速度并不仅仅意味着以更快的速度做同样的工作。它意味着，更快地学习、更快地迭代、更早地发现问题，以及更快地建立信心。它意味着，在不牺牲质量的前提下，加快推进更多正确的工作。

正因如此，学会如何有效应用智能体 AI 的公司将获得显著优势。这并不是因为 AI 可以取代具备深厚专业知识的专业团队，而是因为它可以帮助构建所需工作流程，从而增强专业团队的综合实力。

未来展望

我们仍处于早期阶段。相关工具正快速迭代，工程设计领域的 AI 应用模式仍在持续探索，但整体发展方向已然十分明确。智能体 AI 正从实验阶段迈向工程设计应用阶段，其影响力将远远超越单点解决方案。

随着时间的推移，有可能会涌现自主程度更高的工作流程，跨领域协同优化将愈发成熟，而且从概念构思到推出高质量产品的进程也会进一步加快。

这不仅仅关乎芯片设计。更广泛的启示在于：对于高度复杂、需要反复迭代且依赖多个专业团队协作完成的工作流程，智能体 AI 都能全面提升团队协作效率、生产力及最终成果质量。

如果想要深入了解这些观点，Mark Papermaster 和我在最新一期的深入洞察 (Advanced Insights) 节目中进行了更深入的探讨。

Alex 简介

Alex Starr 在 AMD 任职超过二十年，是负责 AMD 应用 AI 领域的企业科研理事。他致力于探索智能体 AI 如何变革芯片设计和工程工作流程。凭借在硬件仿真、验证和流片前检验等方面的丰富经验，Alex 深耕 AI、工程设计生产力与新一代高质量计算芯片设计之间的交叉融合领域。

“AMD 企业科研理事”是仅向顶尖创新人才授予的至高荣誉；目前 AMD 获此殊荣者不足 15 人。