【ZiDongHua 之“自动化者人文”标注关键词：芯和半导体 EDA 人工智能 中国计算机学会芯片大会 】
　　
　　演讲精华 | AI进入EDA，如何迈向可验证的多智能体协同？
　　
　　近日，芯和半导体科技（上海）股份有限公司（以下简称“芯和半导体”）受邀参加第三届中国计算机学会芯片大会（CCF Chip 2026）。在"CF39 AI辅助的综合、物理设计和验证（二）"论坛中，芯和半导体研发总监温继敏博士发表了主题演讲《AI驱动的新一代EDA设计范式——从高速、射频到光电的多智能体协同》。
 
　　
　　演讲聚焦一个核心议题：当AI进入工程设计流程，如何从提升某个环节效率，进一步发展为跨工具、跨物理域、具备验证与复核能力的协同系统？温博士结合芯和在高速、射频和光电领域的实践，分享了相应的技术路径与落地案例。以下为本次演讲核心内容回顾：
　　
　　AI进入EDA，从辅助工具到工程协同系统
　　
　　今天，AI进入EDA的意义，已不只是“为单一工具增加智能助手”，而是推动设计流程从“局部提效”走向跨工具、跨物理域、可验证的“全流程协同”。
　　
　　这一转变源于产业需求和供给的持续升级。一方面，AI模型规模与算力需求指数级增长，单靠制程微缩难以同时应对功耗、带宽与互连效率等挑战；另一方面，先进封装、Chiplet、HBM与光电互连等技术加速应用，系统设计正由单芯片优化转向多芯粒、多层级、跨物理域协同。电、热、应力、光等多物理场耦合，也由少数特殊场景逐渐成为工程常态。
　　
　　在全球范围内，AI for EDA已从代理模型、参数优化、代码与脚本辅助等单点应用，全面走向任务编排与多智能体协作。但从“能用”到“可用于工程”，真正的分水岭在于：AI能否将模型、数据、规则和验证要求纳入统一闭环，使每一步都可验证、可追溯、可回放。
 
　　
　　芯和的答案：
　　
　　以工程可控为前提，逐步走向高阶协同
　　
　　面对这一趋势，芯和构建了从L0到L5的技术路线：
　　
　　L0：传统仿真增强。通过Simulation+ML辅助网格生成、模型构建与求解器加速；
　　
　　L1：生成式设计增强。引入XAI，支持自然语言交互，辅助设计、仿真、建模与优化；
　　
　　L2：知识助手增强。引入XAI.Copilot，支持自然语言获取知识，并实现自动建库；
　　
　　L3：智能体EDA。当前工程重点是由主智能体XAI.Head完成任务分解、编排和状态监控，让AI能够参与多步骤工程流程；
　　
　　L4：多智能体协同。面向Chiplet、Board等多复杂设计场景，实现多物理场感知，贯通从设计到验证的全流程；
　　
　　L5：自演进设计闭环。面向Chiplet、Board与System，形成自主优化、自校准、自进化的闭环能力。
 
　　
　　这一路线并不以“更高自主性”作为WY目标。对于EDA而言，自主程度越高，验证机制、证据链和人工复核就越关键。我们希望将重复性计算和流程性工作交给AI，将关键工程判断保留给工程师。
　　
　　围绕这一原则，芯和形成了三层产品体系：XAI沉淀高速、射频、光电等领域的专业能力，XAI.Head负责统一控制、调度与编排，XEvo则将这些能力组合为面向具体场景的工程闭环。其重点不在于构建一包罗万象的大模型，而是让AI能力能够可靠的嵌入既有工程体系。
　　
　　三个关键设计，让AI真正进入工程闭环
　　
　　为了让智能体真正服务于工程流程，芯和将在未来系统设计中重点着重于流程控制、任务理解和知识沉淀三个问题。
　　
　　确定性流程与受限探索结合：对于路径明确、规则固定的任务，优先采用Workflow执行，保证效率与一致性；对于原因未知、需要逐步分析的问题，则允许智能体在可验证的边界内进行ReAct式探索。无论采用何种路径，最终都必须回到Verifier完成验证与复核；
　　
　　以门控机制保障任务理解：系统不会将意图识别完全交给大模型，而是优先通过规则和分类器判断任务类型与风险等级；LLM主要处理长尾语义、上下文理解和信息缺失补全，不直接执行高风险操作；
　　
　　以验证结果治理长期记忆：长期记忆按照任务轨迹、已验证事实和可复用流程分类管理。只有经过校验的结果才能沉淀为知识，供后续任务检索和复用，避免未经验证的信息持续放大。
　　
　　这些设计共同指向同一目标：让AI的推理、执行和结果都能进入可管理、可验证的工程体系。
　　
　　三类工程实践：从射频、光电到高速设计
　　
　　演讲还通过三个实际场景，展示了上述架构在不同设计问题中的应用方式。
　　
　　射频场景：以射频前端收发模组的多目标优化为例，AI代理模型将有源、无源与系统指标纳入同一闭环，以快速推理减少高成本仿真次数。结果显示，PAE由17%提升到至35%+，并实现功率、效率和线性度的协同改善；
　　
　　光电场景：面向3.2T光电全链路系统，芯和EPDA平台贯通器件建模、AI热预测到端到端时域仿真全流程，验证了目标误码率条件下的链路裕量；
　　
　　高速场景：以HBM2通道为例，系统可辅助完成从协议理解、任务分解到真实版图全波仿真的验证流程，并将各步骤的依据与结果汇总为可回放的报告，为后续分析和复核提供支撑。
　　
　　从行业趋势研判，到L0-L5的演进路径，再到射频、光电、高速三大场景的验证，芯和半导体在本次演讲中展示了一种面向工程应用的AI for EDA思路：以ML承担行为建模、仿真加速和多目标优化等专业计算任务，以智能体组织理解、执行和验证，并通过可追踪、可恢复、可复核的机制将其连接为完整闭环。
　　
　　AI能否在EDA中释放更大价值，最终不取决于它能完成多少单点任务，而取决于它能否以工程师信任、流程可控的方式，融入复杂系统设计的每一个关键环节。