从芯片到系统，重构工程创新 | 新思科技中国30周年暨2025新思科技开发者大会回顾
在新思科技中国30周年暨2025新思科技开发者大会上，新思科技总裁兼CEO盖思新（Sassine Ghazi）先生在主题演讲中，重点阐述了新思科技在2025年的战略转型和未来发展方向。他指出2025 年是新思科技意义非凡的一年，通过完成对Ansys的收购，公司正式确立“从芯片到系统”工程解决方案全球领导者地位。
盖思新先生详细介绍了新思科技在三大关键领域的引领技术突破：系统级设计、芯片设计升级与AI智能体。这些突破正在重塑从芯片到系统工程设计的范式，终极目标是赋能全球创新者，大幅降低复杂创新的门槛与周期，从而与客户及合作伙伴携手，共同推动人类社会向智能未来的坚实迈进。
以下为演讲实录：
各位上午好，欢迎来到新思科技中国开发者大会。
我在开发者大会上做过四次演讲，这次是首次以现场形式呈现。所以，我十分期待能感受到大家的热情与活力——毕竟今年对我们公司而言，无疑是具有变革意义的一年。
新思科技在中国市场已深耕30年。40年前，新思科技就革新了芯片设计的方式，以应对当时行业发展中日益增长的复杂性与规模挑战，期间我们有诸多里程碑值得庆贺。能加入这样一家始终以客户成功与支持为核心、同时深耕创新的公司，我深感荣幸。
另一个值得分享的好消息是——我此前提到，2025年将是新思科技发展史上具有变革意义的一年。我们正致力于将新思科技打造为“从芯片到系统”工程解决方案领域的领导者。在接下来的演讲中，我会为大家详细解读“从芯片到系统”工程解决方案的具体内涵。
战略转型：从芯片到系统创新的全面布局
各位作为新思科技的客户，正全力投身创新，为市场推出智能系统与智能产品。为支持大家的这一转型进程，我们现有解决方案也需不断演进。
几个月前，我们完成了对Ansys的收购。如今，我们正积极构建“从芯片到系统”的一体化解决方案，不仅服务于半导体企业，也为那些致力于创新、打造智能产品的系统公司提供支持。
在深入介绍解决方案之前，我想先简要介绍当下的新思科技。
目前，新思科技在电子设计自动化（EDA）领域稳居全球第一，在IP领域排名全球第二。其中，在接口IP与基础IP细分领域，我们更是处于领先地位。同时，我们在仿真与分析领域也位列全球第一。这正是我们为芯片与系统领域打造的三大核心解决方案。
上个财年，新思科技全球营业收入已攀升至约90亿美元，这一规模使新思科技在全球软件企业营收排名中位列第12位。能取得这一里程碑式的成就，离不开各位对新思科技的信任，我们对此心怀感激。此外，公司将25%的营收投入研发。在我们行业，研发与创新是核心驱动力，唯有如此，我们才能携手攻克复杂挑战，抓住发展机遇。
关于当前的解决方案，无论是EDA领域的一体化融合解决方案、IP领域的市场变革趋势，还是仿真与分析领域的技术应用，我都会为大家讲解相关解决方案及整合思路。
或许大家会问，我们为何要推动这一转型？为何要着力打造“从芯片到系统”的解决方案？
若大家思考当下的产品形态，以及未来3年、5年乃至10年的发展方向便会发现，未来我们接触的大多数产品都将是人工智能驱动的产品（即我们所说的“智能系统”）。随着智能系统的普及，从芯片层面到应用或系统层面的全链路优化，将变得至关重要。
关于这一趋势的具体体现，有诸多案例可分享。在此，我以一款机器人为例，它具备视觉感知、物体识别能力，能通过自然语言与用户交互，还可自主学习并执行操作。
这款机器人能识别不同物体，判断哪些应放入冰箱、哪些无需放入，并且能在使用过程中持续学习。看似简单的功能，从工程设计角度来看，实则极具挑战。
更重要的是，如何在控制成本的同时，加快产品上市速度，以实现这样的创新目标？
正如我所说，人工智能驱动的智能系统案例还有很多，例如智能汽车、搭载边缘人工智能（Edge AI）的智能手机，以及能自主完成手术的医疗设备等。
然而，这些机遇背后，是产品设计过程中急剧增加的工程复杂度。一方面，技术复杂度不断叠加；另一方面，产品交付速度的要求也达到了行业前所未有的高度。
对于长期深耕行业、关注摩尔定律的各位而言，半导体行业向来以“快节奏”著称：过去，每18至24个月就会基于新的技术节点推出新一代芯片。而如今，为高效抓住发展机遇，行业对芯片优化与定制的周期要求已大幅缩短。
因此，传统的产品设计方法必须革新。这正是我们所说的：如何重新设计传统工程方法，以实现“从芯片到系统”的产品研发。
重构系统设计：构建数字孪生，实现跨物理域协同创新
接下来，我的演讲将围绕三个部分展开：第一，如何为智能系统重构工程设计体系？我们将从系统层面切入，随后探讨芯片层面的工程重构，以及如何在全技术栈中运用人工智能，提升终端产品工程设计的效率与效果。
要实现这一目标，必须“结合场景进行设计”。以芯片设计为例，当前行业（尤其是数据中心及其他应用领域）正呈现出显著趋势，针对特定工作负载定制芯片成为重点方向。
而要实现芯片与特定工作负载的匹配，就必须掌握软件层面的知识，这一点至关重要。否则，产品不仅会延迟上市，成本也会大幅增加。
Ansys的优势在于提供系统层面的产品定义能力，而新思科技则擅长结合软件与人工智能场景进行芯片设计，双方的协同将为行业带来全新价值。
接下来，我将通过一个案例，具体说明跨领域优化的复杂性。以自动驾驶汽车为例，其最高层面的定义始于车辆所需的智能水平，核心即人工智能模型。这一层面是用户（或乘客）与车辆交互的关键：无论是规划从A点到B点的路线，还是让车辆识别物体（区分路边的树木与行人）并判断应发出何种警报、采取何种操作，都需在系统的智能需求层面进行定义。
要将这些智能需求落地，需要海量软件提供全层级的控制与执行能力，例如车辆电池续航管理、各类操作控制等，都依赖软件实现。
再往下便是芯片研发环节，芯片需处理人工智能与软件层面设定的所有任务，但这仅仅是汽车的电子部分。
随后是电气系统设计：需要通过印制电路板（PCB）等部件，连接电机、电池等硬件，这是当前工程师需攻克的又一领域。
当汽车运行时，转子等部件会产生热量，因此必须进行热管理；同时，还需考虑机械设计，例如选择何种材料，以及如何优化空气动力学设计以提升燃油效率（传统燃油车）或续航里程（新能源车）。
由此可见，即便是一辆自动驾驶汽车，其跨领域工程优化的复杂度也极高，涵盖电子、电气、热学、机械、流体等多个领域。
众所周知，当前行业最大的挑战在于：如何设计这样的系统？如何构建必要的数字孪生模型？唯有解决这些问题，才能以最短时间、最低成本完成汽车研发。
因此，要在该市场中保持竞争力，跨领域设计至关重要。而这一逻辑，不仅适用于自动驾驶汽车，也适用于我此前提到的机器人，以及未来3至5年内将广泛普及的众多应用场景。
谈及跨领域设计，就必须考虑模型的精度，针对每个领域，都需构建相应的数字孪生模型，以便系统工程师全面把握产品形态，明确优化方向。
如今，我们与客户交流时发现，大家面临的核心挑战之一是：在每个领域的设计中，都需预留大量冗余，而这些冗余往往会增加研发时间与成本。
基于此，新思科技的愿景是构建“数字孪生架构”，将芯片虚拟化技术融入其中。这样，当系统工程师研究车辆动力学或其他物理世界相关特性时，也能在系统层面完成相应建模。
不妨试想，当前设计一个不涉及物理世界的大语言模型（LLM），已需应对构建高精度前沿模型的复杂挑战，确保用户提问后能获得可靠回答。
而若要让此类模型应用于物理世界，就必须考虑物理世界的动态特性。
实践路径：跨领域优化与数字孪生
在此，我想分享一个新思科技与汽车行业合作伙伴联合打造的演示案例：我们通过自主研发的Virtualizer产品实现芯片虚拟化，并与提供物理世界（车辆行驶环境）模型的IPG公司合作，构建了完整的虚拟仿真模型，可实时模拟车辆在物理世界中的运行状态。这意味着，在芯片完成流片与制造前，工程师就能通过虚拟模型了解芯片性能，提前启动软件开发与人工智能模型研发，无需等待实体芯片落地。
这只是一个简单案例。当我们谈及设备在物理世界中的应用时，必须考虑结构、机械等多方面因素。而在这些领域，Ansys的技术将发挥关键作用。其结构解决方案能精准呈现机械物理特性，并提供建模与仿真能力。
Ansys的多款产品已成为行业标准，例如Ansys Mechanical与LS-DYNA。在此，我以LS-DYNA为例：它可用于模拟碰撞测试，无需进行实体碰撞实验，只需通过传感器数据就能分析机械冲击对所选材料的影响。
如今，通过建模与仿真，也就是即数字孪生技术，这类测试已能以更高效的方式完成。将这些技术整合后，还需考虑多物理场因素。再以流体动力学为例：调整汽车车身曲线设计，会如何影响空气动力学特性？进而如何改变续航里程或燃油消耗？
这些正是Ansys通过物理建模与仿真技术所能解决的问题。此外，对于物理设备在实际使用中的完整性、维护需求等，也可通过前期建模提前规划。因此，在系统层面进行产品设计时，必须重构工程体系，以应对跨领域的复杂挑战。
我相信，在座各位大多是半导体芯片设计师。接下来，我将深入探讨芯片设计的发展趋势，以及其自身所需的工程重构。
革新芯片设计：融合AI与多物理场，驱动PPA极限
大约10年前，新思科技就革新了芯片设计的快速收敛方法，推出了Fusion设计平台。该平台的核心目标是：在设计阶段减少签核前的迭代次数；将签核技术提前融入设计流程，确保在综合时序分析、提取等环节就能构建一致的设计体系，后续经过布局布线，最终顺利完成签核。
如今，新思科技在该解决方案领域已确立绝对领先地位，Fusion设计平台通过高度融合的方式，整合了设计流程的各个环节。大家现在看到的，正是当前实现高效芯片设计所必需的流程。
在此基础上，若融入人工智能技术，又将如何？我们可在设计的每个环节运用人工智能，以更快速度实现更优的功耗、性能与面积（PPA）指标。核心目标始终是：应对复杂度挑战，构建收敛、可预测的设计流程。
与汽车、机器人设计类似，芯片设计也需应对机械相关问题。如今，芯片上集成的器件和晶体管数量越来越多，而尺寸却不断缩小，这就导致热管理问题日益突出，如何为芯片散热？将芯片封装后，在实际运行过程中，是否会因性能需求或软件负载而出现翘曲、开裂等机械问题？
这些挑战与系统层面的问题极为相似，芯片设计不仅是电子工程问题，还需结合物理场分析。
而解决这些问题的关键在于：如何将Ansys的技术（如同我们在时序、功耗、提取领域所做的那样）提前融入芯片设计阶段？如何在设计初期就考虑热管理、机械应力等物理场因素？最终目标仍是减少迭代次数，提升设计质量。
以下是Ansys在多物理场领域的部分解决方案，已广泛应用于芯片设计阶段。例如，大家熟知的RedHawk，已成为行业内分析电压降（IR drop）的标准工具。
此外，如何考虑电磁效应，如何在电压降分析中兼顾电迁移问题，以及信号完整性（SI）、电源完整性（PI）等？当前，这些分析大多在设计后期进行，导致工程师需在设计中预留大量冗余。而理想的流程是：在设计初期就融入这些分析，避免后期因优化需求而延长迭代周期。
这正是新思科技当前的创新方向——我们持续投入研发，致力于在芯片设计流程中融入物理场分析能力，让工程师在设计阶段就能应对热管理、机械应力等挑战。
在加速芯片研发的过程中，IP也扮演着关键角色。如今，针对不同应用场景， IP领域已形成众多标准。无论是消费类系统级芯片（SOC）、移动设备、汽车电子还是数据中心，在IP设计中都需满足高效、高带宽的接口需求，并确保及时交付。
新思科技在各应用领域、各代工厂的接口IP领域均处于领先地位，这为客户提供了更多选择，助力大家在最短时间内打造具有竞争力的芯片。同时，我们的安全IP与基础IP也能深度融入SOC设计流程。
当前，随着SOC复杂度不断提升，客户向我们提出了新的需求：能否不再仅提供单一接口标准IP，而是整合相关IP，提供完整的子系统解决方案？
基于此，我们已与多家客户展开合作，推出子系统服务：整合各类IP，添加逻辑与测试结构，承担基础研发工作，让客户能专注于核心差异化IP的开发。
这正是市场的发展方向，也是行业创新与需求的集中体现。
从芯片到系统，AI智能体工程师重构工程创新范式
谈及人工智能，许多人认为它是未来的技术趋势。但我想强调的是：如今，芯片设计领域已有多款成熟的人工智能产品投入应用，客户通过这些工具，能有效降低复杂度，实现更优设计效果。
新思科技早在2017年就启动了“人工智能驱动EDA”的研发投入。可以自豪地说，我们是“人工智能赋能芯片设计”领域的开拓者。
2017年前后，我们开始思考：哪些前沿技术可应用于EDA与芯片设计，以在保证功耗、性能、面积（PPA）指标的同时，大幅缩短研发周期？
基于这一目标，我们推出了首款产品：DSO.ai。我们选择从设计流程中最复杂的布局布线环节入手：在布局布线阶段，需设置大量参数以运行Fusion Compiler，最终实现最优PPA，而参数组合的复杂度极高。
我们最初采用强化学习技术，于2017年启动相关研发，并在2020年推出首款产品DSO. .ai，这款基于强化学习的工具可与Fusion Compiler无缝协作。
此后，我们将该技术逐步拓展至芯片设计的其他环节，通过强化学习实现全流程优化。例如，我们将其应用于验证环节，推出VSO.ai，应用于时序分析环节，推出了TSO. Ai，在物理分析环节推出了ASO.ai，以及3DIC设计环节的3DSO.ai 。所有这些工具均采用强化学习技术，确保输出结果可靠，可直接用于芯片流片。
除了在各产品中嵌入强化学习功能，我们还整合了设计、验证与制造环节的数据分析能力。这样，从综合到硅后优化的全流程，都能通过数据驱动实现持续优化。以下是DSO.ai、VSO.ai、TSO.ai与ASO.ai的部分应用成果。不难发现，这些工具在功耗、性能、面积（PPA）指标上的表现，均显著优于人工优化结果。
因此，正如我开篇所言，若大家尚未尝试在芯片设计中运用强化学习或人工智能技术，我强烈建议开发者多多了解，这些技术已进入量产应用阶段，其效果正如大家所见，十分出色。
以上是我们在强化学习领域的探索历程。而大约3年前，市场上出现了一项极具影响力的技术，ChatGPT。这类前沿模型支持自然语言交互，不仅能帮助用户快速获取洞见，还能加速初级工程师的成长。
基于此，新思科技结合客户需求，选择合适的前沿模型，融入自身技术知识并进行训练，最终打造出能与用户高效交互的工具。无论是在工作流程中查询结果，还是生成TCL脚本等各类代码，用户都能通过自然语言快速实现。例如，资深开发者完成一次设计运行后，可通过该工具查询：基于当前设置，是否已实现最优PPA？工具还会提供优化建议。
不难想象，这一技术将为应对当前复杂的设计挑战带来革命性变化。
在开发过程中，我们将这款“辅助工具”（Copilot）分为两个阶段：第一阶段是“知识辅助型”，第二阶段是“创意生成型”。
在“知识辅助型”阶段，我们的所有产品现已支持通过大语言模型（LLM）进行交互。而在“创意生成型”阶段，我们正处于初期探索，用户可提供设计规范，要求模型（或辅助工具）自动生成RTL代码；若已有RTL代码，也可让工具自动生成文档或测试平台（Testbench）——这将大幅提升设计流程的效率。
以下是“知识辅助”与“创意生成”两个阶段在提升设计效率方面的部分案例与数据。
在“辅助工具”（Copilot）的基础上，行业正迎来一个更令人兴奋的方向：智能体（Agents）。
我们能否将这一概念应用于芯片设计流程？例如，在设计的各个环节，能否将任务委派给智能体完成？我们将这类智能体称为“AI智能体工程师”（Agent Engineers）。
接下来，我将介绍如何利用“AI智能体工程师”作为辅助工具，实现更优设计效果。
可以将其理解为一条技术路线图：首先，需构建精准、全面的知识库（这是基础阶段）；随后，在此基础上实现从“辅助工具”（Copilot）到“自动驾驶”（Autopilot）的跨越，让人工智能从“助手”升级为“执行者”，用户只需下达任务指令，智能体即可自主完成。
第一步，如前所述，是“知识辅助”阶段：通过大语言模型整合知识，支持用户交互；用户可直接对接知识库，获取所需信息。
第二步，能否实现“自主学习与执行”？例如，构建任务专用智能体，用户可向其分配特定任务并由其自主完成。举例来说，若出现设计规则检查（DRC）违规，或RTL代码存在错误、需解决代码静态检查（Linting）问题，能否基于知识库向智能体下达明确任务，让其自主采取行动并输出结果？
我们将这类智能体称为“行动型智能体”（Acting Agent）或“任务专用智能体”（Task-Specific Agent）。进一步思考：针对DRC错误或时序违规，当智能体识别问题后，能否与其他任务智能体协作，例如自动回溯设计设置与脚本，分析“若采取A、B、C三项措施，能否解决多个违规问题”？
第三步，是“规划型智能体”：能否让多个智能体通过自适应学习与推理协作，共同达成设计目标？
最终阶段便是“自动驾驶”（Autopilot）：这是”AI智能体工程师”的终极应用愿景，人类工程师只需设定设计规范与需求，智能体即可自主协同、规划，最终输出子系统级、模块级或芯片级的设计成果。
为方便用户理解，我们借鉴了自动驾驶汽车的分级体系。大家或许记得，约10年前，行业提出了自动驾驶L1至L5级别的划分标准——通过不同级别，逐步实现从辅助驾驶到完全自动驾驶的跨越。
在”AI智能体工程师”领域，我们也可参考这一逻辑：L1级为“知识辅助”；L2级为“行动型智能体”（可自主完成特定任务）；L3级为“多智能体协同规划”；最终达到L5级“完全自主”，整个过程将依托推理与自适应学习技术逐步推进。
如今，相关技术已具备落地基础。例如，我开篇提到的机器人案例，其模型已能实现推理、自适应调整与自主执行操作。
在芯片设计领域，我们今日可明确宣布：新思科技的”AI智能体工程师”已达到L2级水平，能自主完成特定任务；同时，在“多智能体协同规划”（L3级）领域，我们已进入初期探索，可实现多个任务智能体的协同，以达成设计目标。
这是一个长期历程，无法一蹴而就。但目前，我们已能为客户提供L1级（知识辅助）与L2级（特定任务执行）的服务；在L3级（多智能体协同）领域，也已启动早期部署与客户合作。
布局技术前沿：驱动工作流程、引擎与算力的根本性变革
这无疑是一个令人振奋的机遇。究其原因，在于当前芯片设计的复杂度正急剧提升，在座各位大多面临这样的挑战：不再是设计通用芯片并推向多个市场，而是需针对特定工作负载定制芯片。这意味着，在工程师数量不变的情况下，大家需提升5倍、10倍甚至100倍的效率。
正因如此，我们对”AI智能体工程师”推动芯片设计流程简化的前景充满信心。更重要的是，”AI智能体工程师”的应用范围不仅限于芯片设计，还可覆盖所有工程领域。
此前我提到的跨领域协同优化（机械、流体、结构分析、计算流体动力学等），未来均可通过智能体实现。届时，在系统层面，工程师将能更高效地把握优化机遇，实现最优设计效果。
最后，我想对本次演讲进行总结。若从新思科技的技术创新与投入角度来看，可将未来机遇分为三个方向：
第一个方向是“工作流程革新”。当我们开始探讨”AI智能体工程师”时，芯片设计流程的变革便已提上日程。正如葛群所提到的，40年前，综合技术（Synthesis）改变了芯片设计方式；此后，行业虽不断创新，但工作流程的核心逻辑始终未变。
即便我们通过Fusion平台整合了设计流程的多个环节，减少了迭代次数，工作流程本身仍未突破传统框架，从设计规范到RTL代码编写，再到综合、布局布线等，步骤始终固定。
而”AI智能体工程师”将彻底改变这一现状。具体会如何改变？目前我们尚无法完全预见，但可以确定的是：一旦“任务智能体”投入应用并实现协同规划，人类工程师的角色将发生根本性转变，工作流程也将随之革新。
第二个方向是“核心引擎升级”。这里的“引擎”，可理解为各类求解器（Solver）。无论是多物理场分析（流体动力学、结构力学、热学等），还是芯片设计中的时序、功耗、提取分析，其背后的求解器都经过了数十年的技术积累，具备极高的精度与可靠性。
新思科技将持续加大在“引擎”层面的投入，因为未来的”AI智能体工程师”不仅将在产品层面发挥作用，还将深入到引擎与求解器层面，以实现对物理场、时序、功耗等设计要素的精准控制，达成最优设计效果。
而这也正是数字孪生技术在跨领域设计与系统优化中不可或缺的原因，通过减少设计冗余，实现更高效的优化。
第三个方向是“计算效率提升”。当前，我们所处的时代对计算能力的需求极高，部分设计任务的运行时间长达数天，有时点击“执行”按钮后，需等待一周才能获得结果。如何通过强化学习、人工智能技术及计算架构革新，缩短结果交付时间？
目前，我们的所有产品均支持在CPU上运行（包括x86、ARM架构，部分产品还可根据客户特定需求定制）；同时，我们已实现GPU加速，部分场景下效率可提升10倍、15倍甚至20倍。
以Prime Sim为例，作为一款高精度快速SPICE仿真工具，它在保证仿真精度不妥协的前提下，能大幅缩短结果交付时间。对比CPU与GPU运行效果，其效率可提升10至12倍。
下一步，我们将探索AI加速器的应用，目前已与部分客户展开合作，针对运行时间长、资源消耗大的产品，通过定制化计算架构进一步优化效率。
未来，我们还将启动量子计算领域的早期研发，探索其在特定任务加速中的应用潜力。
携手同行：以信任为基，共筑智能未来
新思科技的使命是“赋能创新者，推动人类进步”，我们始终以严谨的态度践行这一使命。归根结底，我们的核心目标是为大家提供先进技术，助力更多开发者实现创新，而这一切，都离不开大家对新思科技的信任。
因此，在演讲即将结束之际，我想再次感谢大家的信任与支持，更感谢我们之间的紧密合作。正是这份合作，让我们能够携手突破极限，引领行业发展步伐，共同推动万物智能未来的实现。
谢谢大家！
评论排行