六個人圍坐在Synopsys Converge會議的圓桌前，手里握著的是整個半導(dǎo)體行業(yè)的焦慮——當(dāng)AI算法每18個月就換一代，芯片設(shè)計工具跟得上嗎？

軟件定義硬件的邊界在哪里

英偉達(dá)副總裁Stuart Oberman先拋出了一個反直覺的觀點：高性能數(shù)據(jù)中心已經(jīng)不聊"單位面積性能"了，大家比的是"每吉瓦性能"。

「作為設(shè)計師，我需要年復(fù)一年地提升每瓦性能，這是差異化所在。」

這背后是個殘酷的現(xiàn)實。AI訓(xùn)練集群的功耗已經(jīng)摸到電網(wǎng)極限，DGX H100整柜700kW，下一代可能破兆瓦。硬件團(tuán)隊不是在設(shè)計芯片，是在設(shè)計一個能耗預(yù)算的分配方案。

Oberman的潛臺詞很清楚：軟件優(yōu)化空間決定了硬件架構(gòu)的靈活性。英偉達(dá)的CUDA生態(tài)之所以值錢，不是因為代碼寫得漂亮，是因為它讓同一套硅片能扛住三代算法迭代。

但AMD的Alex Starr立刻補(bǔ)了一刀：「EDA公司需要意識到如何利用他們在工具中積累的所有專業(yè)知識。」

翻譯一下——大廠手里攥著異構(gòu)流程、內(nèi)部數(shù)據(jù)、獨門know-how，你賣通用工具？不如賣能接入這些私貨的模塊化方案。

EDA工具的"代理革命"遲到了

Intel的Sridhar Boinapally直接點名：「EDA公司在代理式AI（agentic AI）革命上稍微落后了。」

這個詞值得拆解。傳統(tǒng)EDA是"給你工具、引擎、能力"，設(shè)計師是執(zhí)行者；agentic AI是"我給你一個目標(biāo)，你自己調(diào)工具鏈、跑迭代、給結(jié)果"。

Boinapally沒說完的話，微軟的Silvian Goldenberg接上了。作為云廠商代表，他的視角更冷： hyperscaler們自己也在搞這套，而且數(shù)據(jù)閉環(huán)更快。

這里藏著EDA行業(yè)的結(jié)構(gòu)性困境。Synopsys、Cadence、Mentor的工具鏈用了三十年，代碼庫厚重如地質(zhì)層。往里面塞個AI助手容易，讓AI自主調(diào)用全流程？等于給波音747換自動駕駛。

Starr提到的"光譜"很關(guān)鍵：有些客戶要全套agentic方案（比如初創(chuàng)公司沒能力自建），有些只要特定工具的AI增強(qiáng)（比如Intel這種有完整內(nèi)部流的）。

EDA廠商得同時伺候兩種脾氣，這比純技術(shù)難題更麻煩。

數(shù)據(jù)主權(quán)比算法更重要

UC Berkeley的Borivoje Nikolic教授在場，但原文沒給發(fā)言。不過他的存在本身是個信號——學(xué)術(shù)界手里握著EDA的底層算法專利，而產(chǎn)業(yè)界現(xiàn)在爭的是數(shù)據(jù)。

Starr反復(fù)提"內(nèi)部數(shù)據(jù)非常定制化（bespoke）"。

這是AI落地芯片設(shè)計的真正門檻。公開數(shù)據(jù)集？有。臺積電工藝節(jié)點的真實良率數(shù)據(jù)、某款GPU的版圖與性能關(guān)聯(lián)、特定溫度下的時序偏差？鎖在各家保險柜里。

EDA廠商想訓(xùn)練通用模型，客戶怕數(shù)據(jù)外流；客戶想私有化部署，EDA怕模型碎片化。這個死結(jié)沒出現(xiàn)在圓桌對話里，但Boinapally說的"a lot"（我們?nèi)焙芏鄸|西）顯然包括這層。

有個細(xì)節(jié)被忽略了：Synopsys的Thomas Andersen作為主辦方代表，全程沒直接回應(yīng)"落后"的指控，只談"客戶需求推動更快設(shè)計和更多自動化"。

公關(guān)話術(shù)，但也暴露了立場——EDA老大不想承認(rèn)節(jié)奏被云廠商帶偏了。

大廠的分化策略

六個人的背景構(gòu)成很有意思：兩家GPU巨頭（英偉達(dá)、AMD）、一家CPU巨頭（Intel）、一家云巨頭（微軟）、一家EDA巨頭（Synopsys）、一個學(xué)術(shù)界代表。

各自訴求 diverge 得厲害：

英偉達(dá)要軟件-硬件協(xié)同優(yōu)化，守住CUDA護(hù)城河；AMD要EDA工具開放接口，方便自己的異構(gòu)架構(gòu)；Intel要agentic AI補(bǔ)制造劣勢；微軟要云原生設(shè)計流程，把芯片開發(fā)搬上Azure；Synopsys要賣更高客單價的AI增強(qiáng)套件。

沒有共識，只有博弈。

Oberman提到的"performance per gigawatt"會被寫進(jìn)更多RFP（需求建議書）。Starr說的"AI IQ"將成為采購評估指標(biāo)——不是你家模型參數(shù)量多大，是你的工具能不能讀懂我家的內(nèi)部數(shù)據(jù)格式。

Goldenberg的沉默（原文未引用其發(fā)言）或許最說明問題。云廠商在旁觀，等EDA行業(yè)自己卷出勝負(fù)，或者直接收購。

行動：重新評估你的工具鏈

如果你是芯片設(shè)計團(tuán)隊的決策者，這場圓桌至少釋放三個信號：

第一，別再問"這個EDA工具有沒有AI功能"，要問"它的agentic能力能接入我的內(nèi)部數(shù)據(jù)流嗎"。功能演示和真實部署隔著一道數(shù)據(jù)墻。

第二，功耗優(yōu)化正在從后端約束變成前端架構(gòu)輸入。如果你的架構(gòu)師還在用傳統(tǒng)PPA（性能-功耗-面積）框架做決策，已經(jīng)落后一代。

第三，評估供應(yīng)商時，把"AI IQ"量化——他們有多少客戶完成了真實生產(chǎn)環(huán)境的agentic部署？案例比白皮書誠實。

這場對話沒有結(jié)論，只有緊迫感。六個人散場后，各自回去寫的內(nèi)部備忘錄，可能比公開的圓桌內(nèi)容精彩十倍。