Cadence?推出面向芯片設計與驗證的智能體系統

當前科技基礎設施領域可謂全面動員，特別是在硅芯片方面。加速計算和 AI 更加聚焦于芯片核心，從超大規模數據中心到科學超級計算皆是如此。但隨著需求上升，除制造能力外另一個障礙也限制芯片的及時供應：芯片設計。

在芯片進入制造廠之前，設計和驗證這些日益復雜的芯片需要時間和人才。這就是電子設計自動化（EDA）軟件提供商 Cadence 推出ChipStack AI Super Agent 期望解決的問題，這是一個新的智能體 AI 系統，旨在自動化前端芯片設計和驗證，壓縮芯片開發中一些最耗時和重復的工作。

ChipStack AI Super Agent 聚焦于芯片開發流程的前端，在這里設計意圖被轉化為寄存器傳輸級（RTL）代碼、測試平臺和驗證計劃。這個前端是制造開始前可能積累進度風險——即設計和驗證返工導致的延遲潛在可能——的地方。雪上加霜的是，Cadence 估計，到本十年末，行業將面臨數十萬芯片設計和驗證工程師的短缺。

Cadence 的驗證軟件產品管理高級總監 Matt Graham 和智能體 AI 與 ChipStack 高級總監 Kartik Hegde，討論了這個新工具可以幫助工程師完成什么以及它如何融入現有的設計流程。

ChipStack AI Super Agent 如何工作

"我們在這里發布的ChipStack AI Super Agent 真正是我們首次自動生成知識產權——設計、測試工具和回歸套件——這些是在設計進入制造前的芯片前開發階段所需要的，" Graham 告訴媒體。"我們真的認為這是同類中的首創。"

ChipStack AI Super Agent 在芯片設計師和驗證工程師已經使用的前端工作流程中運行。它不是取代 Cadence 的仿真、形式驗證和分析引擎，而是位于它們之上，生成和編排這些工具所需的輸入，同時解釋它們的輸出。這個編排角色是許多自動化發生的地方。系統不是提示 AI 模型生成孤立的代碼片段，而是協調多個可以生成 RTL、組裝測試平臺、定義驗證計劃、執行仿真、解析日志、診斷故障并對修復進行迭代的智能體。這是人類工程師的工作方式，但速度快得多。

根據 Hegde 的說法，使這種方法成功需要訓練智能體對設計過程本身有更深入的理解。"要將 LLM 智能體轉化為真正的芯片設計師需要什么。為此，我們投入了三樣東西�！�

第一個是給模型理解底層芯片設計及其意圖的能力。我們稱之為心智模型（Mental Model）。這是智能體提取關于這個芯片應該做什么的知識的方式。

第二個，我們給了它精心設計的流程，關于如何設計和如何進行驗證的知識，因此智能體現在能夠進行形式和仿真驗證。

第三，我們給它運行 EDA 工具的能力，教它如何調用 Cadence 的原則性軟件解決方案，如仿真器和形式引擎。

Hegde 提到的"心智模型"是軟件的基礎。它通過提取規范、RTL 代碼和其他設計工件來創建，結合傳統的靜態分析（使用 Cadence 數十年來完善的編譯器和解析器）與基于 LLM 的推理，以添加靜態工具本身不提供的上下文信息。例如，雖然編譯器可以識別端口或接口，但 LLM 可以通過檢查命名約定、文檔和周圍邏輯來幫助確定其功能。公司表示，這個心智模型充當了智能體在生成代碼或測試時必須參考的基礎事實源，有助于防止概率模型已知的幻覺問題。

一旦建立了心智模型，ChipStack AI Super Agent 就可以驅動迭代的設計和驗證循環。在典型的驗證工作流程中，系統使用模型生成測試計劃，編寫相關的測試代碼，運行 Cadence 仿真或形式工具，并分析結果。如果測試失敗，智能體會解析日志，提出根本原因，并在重新運行驗證之前應用修復，無論是自主進行還是在工程師引導下進行。Hegde 將此描述為一種故意的人機協同方法。雖然系統可以端到端運行，但它設計為讓工程師在任何階段干預、提供反饋或調整假設。"用戶仍然掌握著主導權，" Hegde 說。"這就像高級工程師與新工程師合作幫助他們完成任務。"

ChipStack AI Super Agent 依賴前沿 LLM，而不是從頭訓練的模型。由于部署靈活性對于采用至關重要，Cadence 支持基于云端和本地的部署，反映了半導體開發中常見的數據隱私、知識產權和安全問題�？蛻艨梢酝ㄟ^標準 API 使用商業可用前沿模型運行系統，而 Cadence 與模型提供商合作，針對芯片設計和驗證任務微調這些系統。

生產力提升

對于芯片設計師和驗證工程師來說，智能體 AI 的吸引力在于它可以吸收重復性工作，并在芯片項目中節省大量時間。Cadence 表示，ChipStack AI Super Agent 的早期部署在這一領域顯示出數量級的改進。根據公司的說法，在設計編碼、測試平臺生成、測試計劃創建、回歸編排和故障分析方面，客戶報告的生產力提升高達 10 倍。

在內部評估和客戶試點中，Cadence 聲稱曾經需要幾天或幾周的任務已被壓縮到幾小時內。公司舉例說，形式驗證周期從數周減少到數小時，測試計劃創建從數周加速到同日輸出。在 Hegde 展示的一個演示中，通常需要一個完整工作日的驗證工作流程在不到 20 分鐘內完成。

幾位早期客戶驗證了這些說法。FPGA 制造商 Altera 報告說，在復雜設計上的驗證工作大幅減少，而 AI 和加速器供應商，包括 Nvidia、Qualcomm 和Tenstorrent，正在評估或在其生產工作流程中部署該系統。Tenstorrent 報告說，在 ChipStack AI Super Agent 的早期評估中，形式驗證時間顯著節省，包括在其自己的本地硬件上的部署。

"ChipStack 大大提高了我們形式驗證工作的效率，" Tenstorrent 的 RISC-V 核心首席工程師 Daniel Cummings 在一份新聞稿中說。"在三個關鍵設計塊的三個月評估中，它將驗證時間減少了高達 4 倍。在 Tenstorrent 硬件上運行智能體還證明了我們提供生產規模 LLM 工作負載所需的高性能本地推理的能力。"

它是如何走到一起的

雖然 ChipStack AI Super Agent 是 Cadence 首次主要的智能體 AI 產品發布，但其背后的工作已經積累了多年。Graham 強調了 Cadence 的根基如何牢牢扎根于 EDA，在這里準確性至關重要，在制造后發現的錯誤可能是災難性的。

"每當我們設計芯片時，它都需要在進入制造前 100% 正確。" Graham 說。隨著時間的推移，那些能夠實現這種精度的原則性仿真和優化引擎已經從芯片擴展到印刷電路板、多物理場分析、數據中心系統，甚至分子和生物仿真。Graham 說，共同點是這種計算軟件的強度，建立在數學和計算機科學的基礎上，旨在提高工程生產力而不犧牲準確性。

這種對確定性引擎的強調也解釋了 Cadence 將 AI 納入其產品的方法。公司大約六年前開始應用機器學習和強化學習，首先優化其現有工具的性能。然后是 Cadence 在 2025 年底收購ChipStack。ChipStack 由 Hegde 于 2023 年聯合創立，他也是該公司的 CEO，專門使用 AI 解決前端設計和驗證瓶頸。Hegde 曾擔任芯片設計師，后來完成了專注于計算機架構和機器學習的博士學位，他說初創公司的目標是通過加速最勞動密集的階段來縮短制造芯片所需的時間。

Graham 和 Hegde 都將自己的背景作為設計和驗證工程師歸功于塑造了系統的開發。他們不是從一開始就追求完全自主，而是專注于編碼工程師每天所做的實際決策類型，從解釋規范到選擇驗證方法、管理回歸和調試故障。對實際工程決策的關注也塑造了 Cadence 收購 ChipStack 后的速度。在交易完成僅三個月后，兩個團隊就結合了他們的優勢——Cadence 的 EDA 基礎設施與 ChipStack 的智能體 AI 工作——交付了 ChipStack AI Super Agent。

"技術通過非常積極和敏捷的初創公司或通過既定公司在特定領域的投資而增長。在這種情況下，我認為知識和進取性的正確組合走到了一起，" Graham 說。"通過這次收購，我認為 Cadence 獲得了兩件關鍵的事情。一個是我們所做的核心創新，比如我談到的心智模型和專家流程。第二個，我們有一個世界級的團隊，繼續為其提供動力，" Hegde 說。"我們核心創新和非常高質量團隊結合的關鍵加速了它的推出。"

展望未來

雖然 ChipStack AI Super Agent 還不是一個完全自主的系統，但 Graham 將其描述為朝那個方向邁出的早期一步。

"我們的最終目標是實現完全自主的芯片設計。這是我們的‘登月計劃’。我們希望'規范進入一邊，微芯片從另一邊出來'。" Graham 說。"現實是，如果自主是真正在大規模部署基礎上達到那里需要多長時間的指標，我們可能距離那個還有十年或更遠的距離。"

目前，Cadence 專注于特定的前端用例，在這些用例中自主可以安全且富有成效地應用。工程師可以允許智能體端到端運行，但他們也可以在任何階段干預以指導決策、調整假設或驗證結果。隨著時間的推移，Cadence 預期隨著對智能體 AI 的信心增長，以及系統暴露于更廣泛的設計和使用案例，這種平衡將會轉移。

高管們還建議，ChipStack AI Super Agent 背后的架構設計為超越其初始范圍的擴展能力。今天用于前端設計和驗證的相同心智模型和智能體編排方法最終可能擴展到芯片開發的其他階段，如集成、實現和簽核。

在其核心，對 ChipStack AI Super Agent 的主要期望是一致性。該系統承諾不取代工程師及其來之不易的知識，而是減少他們詳盡的手動工作，同時保持一絲不茍的驗證標準。正如 Graham 所說，"AI 智能體不會遭受疲勞。它工作在 500 頁時會和第 1 頁一樣徹底。"