Cadence借助自主智能体与仿真技术规划跨越EDA的版图

上周在圣克拉拉举行的Cadence年度用户大会上，现场气氛充满期待——英伟达CEO黄仁勋与Cadence CEO Anirudh Devgan一同登台，为与会者揭幕活动。这段合作关系源于半导体设计领域——Cadence的EDA工具支持了英伟达的芯片开发，并稳步扩展到仿真、系统设计，以及现在的AI驱动工作流。

在讨论中，黄仁勋指出，过去两年的AI发展经历了从生成式模型到能够推理和行动的系统的演进，这一转变正在重新定义工程工作的开展方式。

"我们现在已经到了这样一个阶段：智能体能够预见、推理并执行计划，"黄仁勋表示，"AI从知晓一切、能够输出各种知识和信息，发展到如今能够使用工具。"

黄仁勋称英伟达内部对智能体的使用大幅增长，这些系统能够对问题进行推理，然后依靠既有工具完成工作。他说芯片设计就是一个典型例子——随着智能体在验证、模拟设计和后端工作流中承担角色，对Cadence EDA工具的需求可能会大幅增长。

黄仁勋的言论反驳了AI可能取代传统工程软件的说法。在芯片设计等领域，他描述了底层算法如何经过严格验证，并深度嵌入生产工作流。现在的系统并非取代这些工具，而是被构建为调用这些工具，确保输出保持可验证性，并与既定设计流程保持一致。

黄仁勋还谈到，历史上企业一直受限于可用的ASIC设计师数量，而智能体式系统可以通过让工程师同时编排多个专业智能体来扩展这一能力。

此次合作公告强化了炉边谈话的主题。Cadence概述了与英伟达扩展的合作关系，将涵盖自主智能体、基于物理的仿真，以及面向半导体设计、物理AI系统和AI工厂的数字孪生技术。Cadence表示，此次合作将把其设计软件和仿真产品组合与英伟达的加速计算、CUDA-X、Omniverse和物理AI技术相结合。

黄仁勋将物理AI描述为两家公司的下一个前沿领域，认为行业现在正在进入语言模型之后的新阶段。

"正如我们经历了ChatGPT时刻——语言领域的生成式人工智能（GenAI）时刻，我们现在迎来了机器人领域的GenAI时刻。它被称为VLA：视觉-语言-动作模型，本质上是感知输入、动作输出。"他说。

黄仁勋表示，感知、推理和行动的结合使机器能够通过将陌生场景分解为更简单的步骤来应对，就像人类一样。他说，再加上机器人硬件的快速进步，这种方法正在使更多通用型系统成为可能，能够在各种物理环境中运行。

这一思路延续到了Devgan随后的主题演讲中，他重点阐述了Cadence如何为AI驱动工程的下一阶段做好准备。

当Devgan深入阐述Cadence最新的产品路线图时，他提到自己仍将EDA和IP视为公司的核心业务，但现在以更广阔的视角看待这一业务——从芯片设计延伸到全栈工程平台和自动化。

路线图的重要组成部分是AgentStack，这是Cadence推出的一个编排环境，旨在连接其新兴的"超级智能体"，贯穿整个设计流程。今年早些时候针对RTL设计和验证推出的ChipStack，标志着Cadence迈向智能体驱动设计工作流的第一步。

AgentStack在ChipStack基础上，将其"心智模型"和多智能体方法从RTL和验证扩展到设计流程的后续阶段，包括物理设计和模拟设计。它被设计为协调多个智能体间的长时间运行任务，同时直接连接到运行在英伟达基础设施上的Cadence底层EDA平台。

在主题演讲中，Devgan表示，公司正在将这一方法扩展到模拟设计和后端实现，每个超级智能体都能够调用更多与现有Cadence工具绑定的专业子智能体。Devgan将这些系统描述为构建在Cadence底层引擎之上的新自动化层，而非独立的AI助手。

在随后的问答环节中，他表示，Cadence的优势在于其对芯片设计的领域特定"心智模型"，以及对工具API和软件内部更深入的访问权限，这使公司能够比通用模型提供商或客户自建智能体在更细粒度上编排工作流。

随后，Devgan描述了他所认为的AI采用三个阶段：基础设施AI、物理AI和科学AI。他表示，虽然第一阶段仍在扩展，但下一波浪潮将以与物理世界交互的系统为中心，包括机器人和自动驾驶汽车。他说，科学AI（包括药物发现和材料研究等领域）已经在进行中，但仍处于较早的发展阶段。

这一AI采用进程正在积极塑造Cadence的路线图，推动其在仿真、数字孪生，以及旨在建模和优化从AI数据中心到现实世界系统的一切工具方面的投资。

总体而言，Cadence的主要战略是将其工程软件的核心优势应用到更广泛的使用场景中。

如果Devgan的主题演讲勾勒了路线图，那么Cadence高级副总裁兼系统验证事业部总经理Paul Cunningham则提供了更详细的图景，展示了公司认为AI将如何在设计流程内部改变工程工作。

在下午的主题演讲中，Cunningham表示，这一机遇远不止为现有软件添加聊天界面。为了说明这一点，他描述了Cadence战略中三个截然不同的AI层：嵌入核心引擎的优化AI、简化工程师与现有软件交互方式的工具智能体，以及正如Devgan所提到的、旨在执行设计流程端到端任务的"超级智能体"。

Cunningham将这一方法与两个理念联系起来，他说这两个理念几十年来塑造了Cadence：抽象和复用。他说，过去Cadence通过让工程师从手工布局转向高级设计语言，帮助提高了芯片设计的抽象层次。借助AI，公司现在看到了再次提升抽象层次的机会，使系统能够从人类设计文档（如规格说明、框图和架构描述）开始项目，并将其转化为可工作的设计。

Cunningham指出，复用也被赋予了新的含义。传统EDA通常复用设计层次结构和重复结构，而AI则创造了复用任务的可能性。他说，不再强迫工程师重复相同的分析、脚本编写、调试和迭代序列，智能体可以开始以更自动化的方式捕获和重放这些工作。

这一逻辑塑造了Cadence的分层AI战略。Cunningham表示，优化AI——如嵌入在Cadence产品Cerebrus和Verisium中的强化学习系统——是加速物理设计和验证的一条途径。他将工具智能体描述为另一条途径，通过将常见交互转化为对话式和上下文感知的工作流，使现有环境更快速易用。他说，超级智能体代表了下一步：结合大语言模型、领域特定知识图谱和结构化工作流的系统，能够以更高一致性执行更复杂的设计任务。

"我们已经可以看到，超级智能体的复杂度绝对正在趋近于我们一些最先进EDA工具的复杂度。超级智能体本身就是一款计算软件，"Cunningham表示。

Cunningham表示，这种复杂度源于执行真实设计任务所需的信息量。他指出，与简单的编码用例不同，芯片设计涉及数百万token的结构化数据，远超单个模型提示词的处理能力。为此，Cadence正在构建能够构建设计中间"知识图谱"的智能体，在将任务传递给AI模型之前捕获设计的结构、层次和意图。

他还探讨了另一个挑战：一致性。他说，由于大语言模型具有概率性，产生可重复、可用于生产的输出需要额外的控制层。Cadence的方法依赖于他所描述的"技能"和结构化工作流，引导模型逐步完成复杂任务，确保输出保持可预测和可验证。

Cunningham表示，这种编排水平正是区分超级智能体与通用AI工具的关键所在。

Cadence LIVE活动传递的整体信息是：公司现在已远不止是一家EDA软件公司，AI正在从单纯生成信息的模型转向能够通过工具行动的智能体式系统。Devgan展示了Cadence如何通过将软件栈扩展到设计流程更多环节以及物理AI等其他领域来支持这一进程。Cunningham描述了这一转型如何通过直接嵌入工具和工作流的分层自主智能体付诸实践。

简而言之，EDA软件短期内不会消失。相反，它正在成为这些新AI系统构建的基础。