AI狂潮下的芯片验证：是高级工程师的加速器，还是初级工程师的替代品？

核心看点

• AI技术发展太快，验证团队的新能力已经超出了行业按部就班消化吸收的速度。

• 到底谁能从AI中获益更多？是替代初级工程师，还是增强高级工程师？行业内众说纷纭，尚无定论。

• 最大的红利，可能来自AI帮助工程师理解比现在更大范围的系统上下文。

• EDA工具的进步过去往往由具体需求驱动，如今则变成了"能用AI就尽量用"，为的是更快上市、更少依赖人力。问题是没有现成的"打法手册"，每家公司都得自己摸索——同时祈祷不要掉队。

过去，验证方法论是围绕现有语言、模型和工具逐步演化出来的。当出现新需求时，通常的做法是先把新能力加进工具里试试水——这是验证一个想法是否可行最快的办法，往往由EDA厂商和有实际痛点的设计/半导体公司联手推动。一旦有更多客户提出同样需求，这项能力就会被固化进方法论，必要时甚至写入语言标准。

但AI的爆发把这套流程彻底打乱了。新能力的开发速度快得惊人，可底层工具本身却未必真有变化。很多技术不是因为"有需求"才被开发出来，而是"因为它可能有用"。没人有空慢慢琢磨方法论问题，当下的核心命题变成了：AI到底能多快地被塞进工作的每一个环节。

新思科技（Synopsys）产品营销总监Bradley Geden这样形容行业的焦虑："AI的消化速度快得惊人。在高管层面，每个人都害怕掉队。如果竞争对手把流片周期从18个月压缩到6个月，那自己就输了。这是一场名副其实的AI军备竞赛。"

Cadence产品营销总监Paul Graykowski也道出了客户们最常问的问题："我还能做什么？怎样才能做得更好、更快、质量更高？"他补充道，客户的日程表被排得越来越满，需求不断叠加，招聘却越来越难，预算也越来越紧。于是，大家都想靠AI"补充人力"，用虚拟工程师分担工作，从而更好地掌控项目进度。

尽管很多效果目前还很难量化，但已经有人给出了惊人的数字。ChipAgents首席执行官William Wang表示："早期客户案例显示，智能体（agentic）工作流可以让一个150人的验证团队，产出相当于400多人团队的效果。这让小团队也能在更高水平上参与竞争，同时也让大公司跑得更快。"

不过，提速不能以牺牲质量为代价。西门子EDA高级副总裁兼总经理Abhi Kolpekwar说："过去要10个人才能做到的验证收敛，现在因为AI和智能体，可能可以节省资源。客户想用同样的人做更多事，同时追求更快的覆盖率收敛。但质量这件事，他们不希望交给AI来决定——他们希望那些有30、40年经验的验证工程师，来做质量的把关人。"

Cadence的Graykowski也认为，眼下的重心就是效率："一旦采用趋于稳定，大家自然会去想下一步该做什么——比如怎样优化PPA（功耗、性能、面积），能不能借此加快上市速度，能不能减少bug。"

至于这些效率提升最终会被如何使用，目前仍不明朗。Arteris产品管理与市场营销副总裁Andy Nightingale认为，AI辅助验证能帮团队探索更多场景、更早发现歧义、提升系统级覆盖的一致性，短期内更可能带来"更好的产品"，而不是单纯"更多的产品"；长期看，生产力的提升也可能催生更多衍生设计和更快的产品迭代——但前提是团队真正信任AI输出的结果，并把智能体真正融入工程工作流，而不是当成孤立的辅助工具。

AI到底帮的是谁？

这是整个行业里最微妙的一个问题：当被问及某项AI功能到底是给谁用的，EDA厂商往往给不出清晰答案——有时候，连他们自己都说不准。

Cadence的Graykowski描述了一种设想："部署智能体，某种程度上就像是给团队招了个初级工程师做助手，由高级工程师在旁监督、分派任务。但问题是，如果操作的人本身缺乏足够的设计经验，得到的结果质量可能会打折扣，效率也上不去。"

但另一方面，AI确实能帮到真正的初级工程师。西门子的Kolpekwar说："新员工不用再费劲学工具、学配置了，他们直接把指令交给智能体，由智能体读取上下文、完成设置。工具的熟悉门槛，以及形式化断言（formal assertions）和属性的应用门槛，都被大幅拉低了——新毕业生融入商业环境、变得高产的门槛因此降低了好几倍。"

不过，这个结论目前还没有定论。新思科技技术团队成员Ramesh Narayanaswamy坦言："最初我们以为，这能让初级工程师搭建起形式化验证平台后就立刻'成为专家'。但实际上，能真正驾驭这些工具的仍是高级工程师——他们把AI当作分担琐碎工作的帮手，从而腾出精力去攻克那些真正棘手的断言问题，这才是他们真正的专长所在。AI给了高级工程师更多带宽，去做他们原本没空做的事。"

ChipAgents的Wang则认为，收益其实是"两头通吃"的："经验丰富的工程师相当于拥有了一整支能放大自身专业能力和决策水平的虚拟AI团队；而初级工程师则变成了'力量倍增器'，能以更高水平执行任务，成长速度也大大加快。"

由此，行业或许会分化出两类AI助手。Graykowski解释道："哪怕只是把文档接入RAG（检索增强生成）、做成一个聊天机器人，也能给初级员工带来实实在在的帮助——调试时可以直接问工具'这个信号是谁驱动的'，工具会给出答案，甚至帮你写脚本、给你脚本、或者直接帮你执行脚本，省下大量时间。这对初级工程师来说，是一种很好的入门方式。"

但也有人认为，真正受益最大的其实是高级验证工程师。Cadence的杰出工程师Hamid Shojaei表示："在我们的产品定位里，AI智能体本质上是一名'非常初级的验证工程师'，需要由高级工程师来带教——要审查它写的代码，给出反馈，反复打磨直到出结果。这样一来，一个高级工程师就可以'带'十个AI初级工程师，团队速度自然快得多。"

Moores Lab AI创始人兼CEO Shelly Henry则给出了更谨慎的判断："通用型AI工具其实是为高级人才设计的。如果交给初级人员用，他们很可能会一头雾水，发挥不出什么效果；但交给高级工程师，他们能迅速用出好的测试用例和测试平台。真正的百万美元难题在于：怎么让占大多数（约90%）的初级工程师也变得高产？高级工程师知道怎么找到目标路径，但初级工程师很容易迷失方向。"

深入到细节层面，这个问题就变得更加模糊——说到底，目前还没人真正摸清"如何持续、稳定地用AI创造价值"，以及AI最终会给团队组织架构和方法论演化带来怎样的影响。

更大的格局：从"工具"到"心智模型"

这一系列报道此前提出过一个核心概念——**心智模型（mental model）**的构建。Graykowski解释道："这个心智模型会吸收各种输入——测试代码、RTL、规格说明书，你和它反复交流、打磨，逐步'建'出这个模型。基于此，它就能生成测试计划、覆盖率指标、UVM代码等等。"

这恰恰是当下高级工程师赖以立身的专业能力所在。Arteris的Nightingale认为："最初，经验丰富的工程师会是最大受益者，因为他们理解设计意图、验证策略，也懂得辨别哪些结果是错误或有误导性的，能够有效地引导和约束智能体。初级工程师同样能从工作流辅助和知识加速中获益，但也存在过度信任'看起来很合理'的输出结果的风险。验证工作依然离不开工程判断力，因为芯片不会容忍模糊地带，哪怕AI偶尔可以。"

那么最大的问题来了：能不能把高级工程师的技能"复制"给初级工程师？新思科技的Narayanaswamy说："高级工程师有一整套方法论和经验——比如怎样重写代码才能获得更好性能，或者让代码更易于验证。这些技能也可以作为'第一层带教'提供给AI，让它先做一轮初步代码审查——虽然比不上真人指导，但至少能帮你搞定前60%的工作，从而提升初级工程师的能力水平。未来的模式可能是：初级工程师需要学会像高级工程师那样思考——只不过他手下带的不是人，而是智能体。"

调试环节尤其依赖经验。Kolpekwar说："有经验的验证工程师通常知道怎么读懂各种失败特征（signature），把它映射回潜在根因。这需要多年职业积累才能真正做到高效调试——这也是为什么调试环节一直占用了总时间的40%到50%以上。"

而这里恰恰藏着一个鲜少被提及的问题：谁来搭建和训练这些智能体？ Kolpekwar补充道："要真正做好调试，你必须深入理解并把智能体训练进具体的客户生态里，让它具备高质量的上下文智能，能读懂系统、理解失败特征、做根因分析。如果只是简单搭建，智能体的表现可能不理想；而对于那些工具之上叠加了三层脚本的复杂系统，智能体需要更长时间才能真正'吃透'整套体系，此后给出的结果才会更可靠。"

但差距依然存在。Narayanaswamy指出："对初级工程师来说，你需要一个客观指标去衡量他。而初级工程师最欠缺、也是他们本该向高级工程师慢慢学习积累的，恰恰是判断力（judgment）。"

或许，未来的大学教育会开始教授全新的技能，帮学生更快上手。Graykowski说："如果你根本不懂编程，用AI也做不出什么好东西；但如果你懂得如何正确拆解一个问题，那就是提示词（prompt）的事了——知道该怎么问，才能让工具带你走到下一步，这一点太关键了。这正是工程师经验真正体现价值的地方。"

所需的技能转型可能相当彻底。Cadence的Shojaei说："展望未来，初级验证工程师需要学习全新的技能——如何为智能体写出一份高质量的需求说明（spec），了解签核（signoff）流程，而不是一味埋头写代码、钻研UVM细节；还要学会如何给智能体反馈、如何审查智能体的产出、最终完成签核。这些新技能应该从大学阶段就开始培养，而不是把大量时间花在Verilog和UVM上——写代码这件事，迟早会被取代。"

参考原文链接：

https://semiengineering.com/verification-methodologies-struggle-to-keep-up-with-ai/