Cadence 推出面向芯片设计与验证的智能体系统

当前科技基础设施领域可谓全面动员，特别是在硅芯片方面。加速计算和 AI 更加聚焦于芯片核心，从超大规模数据中心到科学超级计算皆是如此。但随着需求上升，除制造能力外另一个障碍也限制芯片的及时供应：芯片设计。

在芯片进入制造厂之前，设计和验证这些日益复杂的芯片需要时间和人才。这就是电子设计自动化（EDA）软件提供商 Cadence 推出ChipStack AI Super Agent 期望解决的问题，这是一个新的智能体 AI 系统，旨在自动化前端芯片设计和验证，压缩芯片开发中一些最耗时和重复的工作。

ChipStack AI Super Agent 聚焦于芯片开发流程的前端，在这里设计意图被转化为寄存器传输级（RTL）代码、测试平台和验证计划。这个前端是制造开始前可能积累进度风险——即设计和验证返工导致的延迟潜在可能——的地方。雪上加霜的是，Cadence 估计，到本十年末，行业将面临数十万芯片设计和验证工程师的短缺。

Cadence 的验证软件产品管理高级总监 Matt Graham 和智能体 AI 与 ChipStack 高级总监 Kartik Hegde，讨论了这个新工具可以帮助工程师完成什么以及它如何融入现有的设计流程。

ChipStack AI Super Agent 如何工作

"我们在这里发布的ChipStack AI Super Agent 真正是我们首次自动生成知识产权——设计、测试工具和回归套件——这些是在设计进入制造前的芯片前开发阶段所需要的，" Graham 告诉媒体。"我们真的认为这是同类中的首创。"

ChipStack AI Super Agent 在芯片设计师和验证工程师已经使用的前端工作流程中运行。它不是取代 Cadence 的仿真、形式验证和分析引擎，而是位于它们之上，生成和编排这些工具所需的输入，同时解释它们的输出。这个编排角色是许多自动化发生的地方。系统不是提示 AI 模型生成孤立的代码片段，而是协调多个可以生成 RTL、组装测试平台、定义验证计划、执行仿真、解析日志、诊断故障并对修复进行迭代的智能体。这是人类工程师的工作方式，但速度快得多。

根据 Hegde 的说法，使这种方法成功需要训练智能体对设计过程本身有更深入的理解。"要将 LLM 智能体转化为真正的芯片设计师需要什么。为此，我们投入了三样东西。“

第一个是给模型理解底层芯片设计及其意图的能力。我们称之为心智模型（Mental Model）。这是智能体提取关于这个芯片应该做什么的知识的方式。

第二个，我们给了它精心设计的流程，关于如何设计和如何进行验证的知识，因此智能体现在能够进行形式和仿真验证。

第三，我们给它运行 EDA 工具的能力，教它如何调用 Cadence 的原则性软件解决方案，如仿真器和形式引擎。

Hegde 提到的"心智模型"是软件的基础。它通过提取规范、RTL 代码和其他设计工件来创建，结合传统的静态分析（使用 Cadence 数十年来完善的编译器和解析器）与基于 LLM 的推理，以添加静态工具本身不提供的上下文信息。例如，虽然编译器可以识别端口或接口，但 LLM 可以通过检查命名约定、文档和周围逻辑来帮助确定其功能。公司表示，这个心智模型充当了智能体在生成代码或测试时必须参考的基础事实源，有助于防止概率模型已知的幻觉问题。

一旦建立了心智模型，ChipStack AI Super Agent 就可以驱动迭代的设计和验证循环。在典型的验证工作流程中，系统使用模型生成测试计划，编写相关的测试代码，运行 Cadence 仿真或形式工具，并分析结果。如果测试失败，智能体会解析日志，提出根本原因，并在重新运行验证之前应用修复，无论是自主进行还是在工程师引导下进行。Hegde 将此描述为一种故意的人机协同方法。虽然系统可以端到端运行，但它设计为让工程师在任何阶段干预、提供反馈或调整假设。"用户仍然掌握着主导权，" Hegde 说。"这就像高级工程师与新工程师合作帮助他们完成任务。"

ChipStack AI Super Agent 依赖前沿 LLM，而不是从头训练的模型。由于部署灵活性对于采用至关重要，Cadence 支持基于云端和本地的部署，反映了半导体开发中常见的数据隐私、知识产权和安全问题。客户可以通过标准 API 使用商业可用前沿模型运行系统，而 Cadence 与模型提供商合作，针对芯片设计和验证任务微调这些系统。

生产力提升

对于芯片设计师和验证工程师来说，智能体 AI 的吸引力在于它可以吸收重复性工作，并在芯片项目中节省大量时间。Cadence 表示，ChipStack AI Super Agent 的早期部署在这一领域显示出数量级的改进。根据公司的说法，在设计编码、测试平台生成、测试计划创建、回归编排和故障分析方面，客户报告的生产力提升高达 10 倍。

在内部评估和客户试点中，Cadence 声称曾经需要几天或几周的任务已被压缩到几小时内。公司举例说，形式验证周期从数周减少到数小时，测试计划创建从数周加速到同日输出。在 Hegde 展示的一个演示中，通常需要一个完整工作日的验证工作流程在不到 20 分钟内完成。

几位早期客户验证了这些说法。FPGA 制造商 Altera 报告说，在复杂设计上的验证工作大幅减少，而 AI 和加速器供应商，包括 Nvidia、Qualcomm 和Tenstorrent，正在评估或在其生产工作流程中部署该系统。Tenstorrent 报告说，在 ChipStack AI Super Agent 的早期评估中，形式验证时间显著节省，包括在其自己的本地硬件上的部署。

"ChipStack 大大提高了我们形式验证工作的效率，" Tenstorrent 的 RISC-V 核心首席工程师 Daniel Cummings 在一份新闻稿中说。"在三个关键设计块的三个月评估中，它将验证时间减少了高达 4 倍。在 Tenstorrent 硬件上运行智能体还证明了我们提供生产规模 LLM 工作负载所需的高性能本地推理的能力。"

它是如何走到一起的

虽然 ChipStack AI Super Agent 是 Cadence 首次主要的智能体 AI 产品发布，但其背后的工作已经积累了多年。Graham 强调了 Cadence 的根基如何牢牢扎根于 EDA，在这里准确性至关重要，在制造后发现的错误可能是灾难性的。

"每当我们设计芯片时，它都需要在进入制造前 100% 正确。" Graham 说。随着时间的推移，那些能够实现这种精度的原则性仿真和优化引擎已经从芯片扩展到印刷电路板、多物理场分析、数据中心系统，甚至分子和生物仿真。Graham 说，共同点是这种计算软件的强度，建立在数学和计算机科学的基础上，旨在提高工程生产力而不牺牲准确性。

这种对确定性引擎的强调也解释了 Cadence 将 AI 纳入其产品的方法。公司大约六年前开始应用机器学习和强化学习，首先优化其现有工具的性能。然后是 Cadence 在 2025 年底收购ChipStack。ChipStack 由 Hegde 于 2023 年联合创立，他也是该公司的 CEO，专门使用 AI 解决前端设计和验证瓶颈。Hegde 曾担任芯片设计师，后来完成了专注于计算机架构和机器学习的博士学位，他说初创公司的目标是通过加速最劳动密集的阶段来缩短制造芯片所需的时间。

Graham 和 Hegde 都将自己的背景作为设计和验证工程师归功于塑造了系统的开发。他们不是从一开始就追求完全自主，而是专注于编码工程师每天所做的实际决策类型，从解释规范到选择验证方法、管理回归和调试故障。对实际工程决策的关注也塑造了 Cadence 收购 ChipStack 后的速度。在交易完成仅三个月后，两个团队就结合了他们的优势——Cadence 的 EDA 基础设施与 ChipStack 的智能体 AI 工作——交付了 ChipStack AI Super Agent。

"技术通过非常积极和敏捷的初创公司或通过既定公司在特定领域的投资而增长。在这种情况下，我认为知识和进取性的正确组合走到了一起，" Graham 说。"通过这次收购，我认为 Cadence 获得了两件关键的事情。一个是我们所做的核心创新，比如我谈到的心智模型和专家流程。第二个，我们有一个世界级的团队，继续为其提供动力，" Hegde 说。"我们核心创新和非常高质量团队结合的关键加速了它的推出。"

展望未来

虽然 ChipStack AI Super Agent 还不是一个完全自主的系统，但 Graham 将其描述为朝那个方向迈出的早期一步。

"我们的最终目标是实现完全自主的芯片设计。这是我们的‘登月计划’。我们希望'规范进入一边，微芯片从另一边出来'。" Graham 说。"现实是，如果自主是真正在大规模部署基础上达到那里需要多长时间的指标，我们可能距离那个还有十年或更远的距离。"

目前，Cadence 专注于特定的前端用例，在这些用例中自主可以安全且富有成效地应用。工程师可以允许智能体端到端运行，但他们也可以在任何阶段干预以指导决策、调整假设或验证结果。随着时间的推移，Cadence 预期随着对智能体 AI 的信心增长，以及系统暴露于更广泛的设计和使用案例，这种平衡将会转移。

高管们还建议，ChipStack AI Super Agent 背后的架构设计为超越其初始范围的扩展能力。今天用于前端设计和验证的相同心智模型和智能体编排方法最终可能扩展到芯片开发的其他阶段，如集成、实现和签核。

在其核心，对 ChipStack AI Super Agent 的主要期望是一致性。该系统承诺不取代工程师及其来之不易的知识，而是减少他们详尽的手动工作，同时保持一丝不苟的验证标准。正如 Graham 所说，"AI 智能体不会遭受疲劳。它工作在 500 页时会和第 1 页一样彻底。"