AI 打到 .lib 这层硬骨头

AI 在 EDA 里最热闹的故事，通常都长在前台：RTL 生成、验证计划、日志总结、自然语言调工具、波形 debug。工程师一眼能看懂，外行也容易被“AI 帮你省时间”打动。

但 Siemens 这次把 AI 塞进了一个更深、更闷、也更难糊弄的环节：library characterization。

SemiWiki 5 月 25 日写到，Siemens EDA 正在扩展 Solido Characterization Suite。Siemens 官方 5 月 12 日发布 Solido Characterizer，口径很明确：把 Liberty file generation 从“几周”压到“几天”，整体吞吐提升 7 倍。这个数字不是一个大模型从天而降，而是一串工程能力拼出来的：AI-driven characterization engine、advanced LVF 方法、Solido LibSPICE、Solido Analytics、Solido Generator、Solido Library Profiler，再加上 Fuse EDA AI Agent。

这条新闻不算热闹，但很硬。因为 .lib 不是普通配置文件，它是 STA、功耗、噪声、variation 分析后面共同依赖的基础数据。它慢，后面就等；它错，后面的优化可能越跑越自信，也越跑越偏。

为什么偏偏是 .lib

芯片设计里，架构、RTL、布局布线、signoff 更容易被外部世界理解。Library characterization 则经常被压在流程深处，像一段没人愿意讲、但每个人都绕不开的脏活。

它做的事情很朴素：对标准单元、IO、memory、custom cell 等 IP 做大量电路级仿真，提取 timing、power、noise、variation 等模型，再整理成 STA 和实现工具能消费的 Liberty 文件。传统办法也朴素：跑 SPICE，在不同 slew、load、voltage、temperature、process corner 下采样，再把结果塞进模型。

先进节点把这个问题放大了。

SemiWiki 提到，到了 3nm、2nm，SoC 和 chiplet 设计会用更多 cell-level IP，characterization 数据量随之膨胀。现代设计流又越来越依赖 .lib 模型，brute-force SPICE 的做法就开始拖后腿。特别是 LVF 这类统计建模格式，会把 corner 数、数据维度和验证难度一起推高。

说白了，这不是“多买几台机器”就能彻底解决的问题。机器多一点，排队少一点；但如果每次新 PVT、新库版本、新 LVF 数据都要全量仿真和人工查错，周期还是会被钉在地上。

Siemens 不是只加了一个 AI 按钮

Siemens 官方把 Solido Characterizer 的提升拆成两部分。

一部分来自 Characterizer AI engine 和 advanced LVF techniques，目标是让 characterization 本身更快，官方说法是 5 倍加速。

另一部分来自 Solido LibSPICE。它不是泛泛而谈的 SPICE 加速，而是面向 library IP batch verification 的专用 simulator，官方称可以额外提供 2x+ performance boost。

两者合在一起，就是 Siemens 对外讲的 7x greater throughput，以及 Liberty file generation 从 weeks 到 days。

但真正值得看的不是这个 headline 数字，而是 Siemens 把哪些工具接在了一起。

Solido Characterizer 负责 SPICE-backed baseline，基础数据还是有物理仿真的锚点。Solido Generator 再基于 baseline Liberty files 训练 AI 模型，生成 additional library views。Siemens 的产品页进一步写到，Generator 可以用已有 .lib 作为输入，不需要 SPICE simulation 或 characterizer calibration，在 minutes 级产生 new PVT .libs，速度达到 100x+ faster than SPICE。

这里的方法变化很清楚：不是把每个 PVT 点都当成独立仿真任务硬跑，而是先用关键点把模型立住，再把仿真预算花在更值得验证的位置。

然后是 Solido Analytics。速度快不够，数据要能被信任。Analytics 把 .lib verification、quality assurance、outlier detection、resource monitoring 和 rerun 放到同一个可观察闭环里。SemiWiki 提到，它能发现传统 rule-based checks 不容易抓到的 LVF 异常，也能用 probability density functions、normal quantile plots 这些方式看懂 standard deviation、skewness 等统计数据。

最后还有 Solido Library Profiler。它面向的不是库生产团队，而是使用库的 physical design 团队。Profiler 支持基于 PPA 要求做 library selection、auto-alignment 和库指标比较。这个点很实际：库不是生成完就算交差，真正的价值要在 synthesis、P&R、STA 和 PPA trade-off 里兑现。

所以 Siemens 讲的不是单点工具，而是一个 library lifecycle：生成、扩展、验证、比较、调试、重跑、再选择。

AI 不能替代 SPICE，至少现在不能

AI 一进 EDA，行业很容易走向两个极端。

一边说它要替代工程师、替代仿真、替代传统工具。另一边干脆不信：signoff 相关数据怎么可能交给 AI。

Library characterization 这个场景反而把边界讲清楚了。Siemens 没有把 SPICE 拿掉。Characterizer 仍然围绕 SPICE-based Liberty files，LibSPICE 还是在加速仿真任务；Generator 依赖 baseline Liberty files；Analytics 负责验证和异常检查。AI 在这里更像一个工程加速层，不是新的信任根。

这更接近芯片公司对 AI+EDA 的真实态度：可以帮我少跑、快查、早发现、自动重跑，但不要让一个不可解释的黑箱直接拍板 signoff 结果。

GlobalFoundries 在 Siemens 官方材料里的表述也很克制：使用 Solido Characterizer 后，能保持与 SPICE model 相关的 production accuracy，同时在内部流程中实现 20%-30% speedup。这个说法比“颠覆 EDA”有用得多。它说明 AI 在成熟工程流里的第一落点，通常是减少浪费、压缩周期、降低返工，而不是重写全部规则。

Fuse 的加入，说明这不是一个工具问题

如果只看 Characterizer 和 Generator，这还是库特征化工具升级。但 Siemens 同时把 Fuse EDA AI system 和 Fuse EDA AI Agent 放进叙事里，问题就变大了。

Fuse EDA AI Agent 是 Siemens 今年 3 月发布的 domain-scoped autonomous AI agent，面向 semiconductor、3D IC、PCB 工作流做多工具、多 Agent 编排。官方强调 RAG、multimodal EDA data support、MCP、Agent Skills、自定义访问控制和第三方集成框架。

放到 characterization 场景里，Agentic AI 的价值不是“帮你写一段脚本”。更实际的工作是盯住长时间任务、发现异常、解释失败原因、建议 rerun，把 Analytics 的检查结果和 Characterizer 的运行状态串起来。

这类流程天然适合 Agent：周期长，数据多，任务可拆分，有很多中间状态，每一步又都有明确产物。它不需要 AI 天马行空，需要 AI 稳定地守住工程流程。

这也是 AI+EDA 和通用办公 Agent 的差别。EDA Agent 不能只会聊天，它要理解文件格式、工具日志、corner 定义、库结构、版本依赖和算力资源。否则入口再漂亮，也进不了真正的工程流。

EDA 的竞争正在换位置

Siemens 这次发布释放的信号很直接：EDA 厂商的 AI 竞争，正在从“给单个工具加一个 AI 按钮”，转向“围绕数据生产和验证流程建闭环”。

库特征化是一个很好的样本。传统竞争点可能是 characterizer 更快、SPICE 更准、analytics 更完整。现在这些能力仍然重要，但它们被装进了一个更大的系统：AI 负责建模和预测，专用仿真器负责底层加速，Analytics 负责质量闭环，Profiler 负责下游选择，Agent 负责跨工具编排。

这会把门槛继续抬高。

第一，数据闭环会变得更值钱。谁能把仿真结果、库版本、异常模式、rerun 策略和 PPA 反馈接起来，谁的 AI 才有工程价值。

第二，企业部署会变得更硬。Library、PDK、设计规则、内部 IP 都是高敏感数据。AI 如果要进入这类环节，私有化部署、权限控制、审计和模型边界会从加分项变成准入项。

第三，验证机制会变得更关键。AI 生成一个结果并不难，难的是证明它在某个工艺、某类 cell、某个 corner 空间里能被信任。对 EDA 来说，质量证明比生成能力本身更重要。

这也提醒国内 AI+EDA 创业和工具团队，不要只盯着大模型入口。真正能让芯片公司买单的，往往不是“会说话”，而是能接进 Design Flow、能处理真实工程数据、能被验证、能被追责。

这也是 IC Agent Hub 这类平台要解决的实际问题：AI 技能不能只会演示，必须经过安全扫描、依赖校验和物理机验证，才能进入真实芯片研发流程。

Siemens 这次把 AI 放到 library characterization，不是最热闹的 AI 故事，却更接近 EDA 的本质。

EDA 的价值从来不是炫技，而是在严苛约束下把复杂工程稳定推进。库特征化恰好符合这个定义：大量仿真、复杂格式、严格质量要求、长周期、强依赖下游流程。

AI 如果只能写漂亮代码、总结日志，还停留在外围。AI 如果能进入 .lib、LVF、PVT、SPICE、QA、PPA selection 这些硬环节，并且不破坏 signoff 信任链，它才真正开始改变芯片研发的生产方式。

这条新闻没有宣布 EDA 被 AI 重写。它更像一个提醒：AI 会先从那些最慢、最脏、最依赖经验、又最需要验证的环节切进去。

Library characterization 只是其中一站。后面会轮到更多环节。

如果你正在探索 AI+芯片设计流程自动化，关注回复「合作」，可以一起交流 IC Agent Hub 的落地方式。

作者：麒芯

参考来源：SemiWiki、Siemens News、Siemens Solido Characterization Suite、Siemens Fuse EDA AI system。

本文基于公开资料整理，仅作行业分析，不构成任何投资建议或采购建议。

加入 IC Agent 技术交流群

群里聚集了芯片设计工程师、IT/CAD 负责人和 AI+EDA 从业者，聊技术、聊工具、聊行业趋势。

关注回复「加群」，拉你进群一起聊

关注回复「合作」，如果你在做 AI+ 芯片/EDA 相关，欢迎来聊

后续会持续更新这个系列，关注不迷路。