Cadence借助自主智能體與仿真技術規劃跨越EDA的版圖

上周在圣克拉拉舉行的Cadence年度用戶大會上，現場氣氛充滿期待——英偉達CEO黃仁勛與Cadence CEO Anirudh Devgan一同登臺，為與會者揭幕活動。這段合作關系源于半導體設計領域——Cadence的EDA工具支持了英偉達的芯片開發，并穩步擴展到仿真、系統設計，以及現在的AI驅動工作流。

在討論中，黃仁勛指出，過去兩年的AI發展經歷了從生成式模型到能夠推理和行動的系統的演進，這一轉變正在重新定義工程工作的開展方式。

"我們現在已經到了這樣一個階段：智能體能夠預見、推理并執行計劃，"黃仁勛表示，"AI從知曉一切、能夠輸出各種知識和信息，發展到如今能夠使用工具。"

黃仁勛稱英偉達內部對智能體的使用大幅增長，這些系統能夠對問題進行推理，然后依靠既有工具完成工作。他說芯片設計就是一個典型例子——隨著智能體在驗證、模擬設計和后端工作流中承擔角色，對Cadence EDA工具的需求可能會大幅增長。

黃仁勛的言論反駁了AI可能取代傳統工程軟件的說法。在芯片設計等領域，他描述了底層算法如何經過嚴格驗證，并深度嵌入生產工作流?，F在的系統并非取代這些工具，而是被構建為調用這些工具，確保輸出保持可驗證性，并與既定設計流程保持一致。

黃仁勛還談到，歷史上企業一直受限于可用的ASIC設計師數量，而智能體式系統可以通過讓工程師同時編排多個專業智能體來擴展這一能力。

此次合作公告強化了爐邊談話的主題。Cadence概述了與英偉達擴展的合作關系，將涵蓋自主智能體、基于物理的仿真，以及面向半導體設計、物理AI系統和AI工廠的數字孿生技術。Cadence表示，此次合作將把其設計軟件和仿真產品組合與英偉達的加速計算、CUDA-X、Omniverse和物理AI技術相結合。

黃仁勛將物理AI描述為兩家公司的下一個前沿領域，認為行業現在正在進入語言模型之后的新階段。

"正如我們經歷了ChatGPT時刻——語言領域的生成式人工智能（GenAI）時刻，我們現在迎來了機器人領域的GenAI時刻。它被稱為VLA：視覺-語言-動作模型，本質上是感知輸入、動作輸出。"他說。

黃仁勛表示，感知、推理和行動的結合使機器能夠通過將陌生場景分解為更簡單的步驟來應對，就像人類一樣。他說，再加上機器人硬件的快速進步，這種方法正在使更多通用型系統成為可能，能夠在各種物理環境中運行。

這一思路延續到了Devgan隨后的主題演講中，他重點闡述了Cadence如何為AI驅動工程的下一階段做好準備。

當Devgan深入闡述Cadence最新的產品路線圖時，他提到自己仍將EDA和IP視為公司的核心業務，但現在以更廣闊的視角看待這一業務——從芯片設計延伸到全棧工程平臺和自動化。

路線圖的重要組成部分是AgentStack，這是Cadence推出的一個編排環境，旨在連接其新興的"超級智能體"，貫穿整個設計流程。今年早些時候針對RTL設計和驗證推出的ChipStack，標志著Cadence邁向智能體驅動設計工作流的第一步。

AgentStack在ChipStack基礎上，將其"心智模型"和多智能體方法從RTL和驗證擴展到設計流程的后續階段，包括物理設計和模擬設計。它被設計為協調多個智能體間的長時間運行任務，同時直接連接到運行在英偉達基礎設施上的Cadence底層EDA平臺。

在主題演講中，Devgan表示，公司正在將這一方法擴展到模擬設計和后端實現，每個超級智能體都能夠調用更多與現有Cadence工具綁定的專業子智能體。Devgan將這些系統描述為構建在Cadence底層引擎之上的新自動化層，而非獨立的AI助手。

在隨后的問答環節中，他表示，Cadence的優勢在于其對芯片設計的領域特定"心智模型"，以及對工具API和軟件內部更深入的訪問權限，這使公司能夠比通用模型提供商或客戶自建智能體在更細粒度上編排工作流。

隨后，Devgan描述了他所認為的AI采用三個階段：基礎設施AI、物理AI和科學AI。他表示，雖然第一階段仍在擴展，但下一波浪潮將以與物理世界交互的系統為中心，包括機器人和自動駕駛汽車。他說，科學AI（包括藥物發現和材料研究等領域）已經在進行中，但仍處于較早的發展階段。

這一AI采用進程正在積極塑造Cadence的路線圖，推動其在仿真、數字孿生，以及旨在建模和優化從AI數據中心到現實世界系統的一切工具方面的投資。

總體而言，Cadence的主要戰略是將其工程軟件的核心優勢應用到更廣泛的使用場景中。

如果Devgan的主題演講勾勒了路線圖，那么Cadence高級副總裁兼系統驗證事業部總經理Paul Cunningham則提供了更詳細的圖景，展示了公司認為AI將如何在設計流程內部改變工程工作。

在下午的主題演講中，Cunningham表示，這一機遇遠不止為現有軟件添加聊天界面。為了說明這一點，他描述了Cadence戰略中三個截然不同的AI層：嵌入核心引擎的優化AI、簡化工程師與現有軟件交互方式的工具智能體，以及正如Devgan所提到的、旨在執行設計流程端到端任務的"超級智能體"。

Cunningham將這一方法與兩個理念聯系起來，他說這兩個理念幾十年來塑造了Cadence：抽象和復用。他說，過去Cadence通過讓工程師從手工布局轉向高級設計語言，幫助提高了芯片設計的抽象層次。借助AI，公司現在看到了再次提升抽象層次的機會，使系統能夠從人類設計文檔（如規格說明、框圖和架構描述）開始項目，并將其轉化為可工作的設計。

Cunningham指出，復用也被賦予了新的含義。傳統EDA通常復用設計層次結構和重復結構，而AI則創造了復用任務的可能性。他說，不再強迫工程師重復相同的分析、腳本編寫、調試和迭代序列，智能體可以開始以更自動化的方式捕獲和重放這些工作。

這一邏輯塑造了Cadence的分層AI戰略。Cunningham表示，優化AI——如嵌入在Cadence產品Cerebrus和Verisium中的強化學習系統——是加速物理設計和驗證的一條途徑。他將工具智能體描述為另一條途徑，通過將常見交互轉化為對話式和上下文感知的工作流，使現有環境更快速易用。他說，超級智能體代表了下一步：結合大語言模型、領域特定知識圖譜和結構化工作流的系統，能夠以更高一致性執行更復雜的設計任務。

"我們已經可以看到，超級智能體的復雜度絕對正在趨近于我們一些最先進EDA工具的復雜度。超級智能體本身就是一款計算軟件，"Cunningham表示。

Cunningham表示，這種復雜度源于執行真實設計任務所需的信息量。他指出，與簡單的編碼用例不同，芯片設計涉及數百萬token的結構化數據，遠超單個模型提示詞的處理能力。為此，Cadence正在構建能夠構建設計中間"知識圖譜"的智能體，在將任務傳遞給AI模型之前捕獲設計的結構、層次和意圖。

他還探討了另一個挑戰：一致性。他說，由于大語言模型具有概率性，產生可重復、可用于生產的輸出需要額外的控制層。Cadence的方法依賴于他所描述的"技能"和結構化工作流，引導模型逐步完成復雜任務，確保輸出保持可預測和可驗證。

Cunningham表示，這種編排水平正是區分超級智能體與通用AI工具的關鍵所在。

Cadence LIVE活動傳遞的整體信息是：公司現在已遠不止是一家EDA軟件公司，AI正在從單純生成信息的模型轉向能夠通過工具行動的智能體式系統。Devgan展示了Cadence如何通過將軟件棧擴展到設計流程更多環節以及物理AI等其他領域來支持這一進程。Cunningham描述了這一轉型如何通過直接嵌入工具和工作流的分層自主智能體付諸實踐。

簡而言之，EDA軟件短期內不會消失。相反，它正在成為這些新AI系統構建的基礎。