【ZiDongHua 之“设计自动化”标注关键词： 巨霖科技 EDA 集成电路 机器学习 ICDIA创芯展 中国集成电路创新应用大会  】
　　
　　ICDIA 2026｜巨霖科技邓俊勇：AI不会替代物理求解器，仿真EDA要走向可信闭环
　　
　　8月20—21日，2026中国集成电路创新应用大会暨创芯展（ICDIA创芯展2026）在南京扬子江国际会议中心举行。本届大会以“芯机共进，智创新纪元”为主题，聚焦集成电路关键技术突破、产业链协作与应用场景落地。
　　
　　巨霖科技副总经理邓俊勇受邀出席大会主论坛，发表主题演讲《AI时代，仿真类EDA工具何去何从？》，分享了他对AI与物理求解器分工、EDA Agent落地条件及仿真工具未来竞争力的判断，并介绍了巨霖科技面向可信工程智能体的产品路线。
　　
　　
　　
　　仿真不同于一般的内容生成。一次错误的模型选择、边界条件或求解设置，可能让后续判断建立在错误结果之上；当结果进入设计签核和流片决策，代价会直接体现为返工与产品风险。因此，AI进入仿真EDA之后最关键的问题随之变成：它能否持续交付经过物理验证、能够回溯全过程的工程结果？
　　
　　AI不只是让一次仿真跑得更快
　　
　　邓俊勇在演讲中梳理了AI在EDA仿真中的角色变化：从早期按照脚本和规则批量执行任务，到利用数据辅助参数优化，再到机器学习嵌入工具内部完成预测与调参，如今正在进一步走向能够理解目标、拆解任务、调用工具并根据结果继续迭代的Agentic EDA。
　　
　　这意味着，工程师与工具的分工也会改变。过去，工程师需要逐项配置任务、等待结果、发现问题后重新修改参数；在边界清晰的场景中，Agent可以承担其中大量重复操作，工程师则更多负责定义目标、约束、验收标准和人工审核点。
　　
　　邓俊勇据此提出，评价AI仿真工具时，不应只看单次计算缩短了多少时间，更要看它是否减少了配置、等待、返工和人工复核构成的总循环时间。真正有意义的指标，是工程团队能否更快获得一个可以用于下一步决策的已验证结果。
　　
　　AI扩大探索范围，物理求解器守住工程真值
　　
　　面对“AI会不会取代传统仿真工具”的问题，邓俊勇给出了明确判断：AI不会替代物理求解器，而会改变求解器被调用和验证的方式。
　　
　　在复杂的设计空间中，AI擅长快速搜索参数组合、筛选候选方案、识别异常并整理结果。它可以帮助工程师探索更多可能性，减少大量低价值的重复尝试。
　　
　　但最终的签核结果，仍然需要SPICE、电磁、热等物理求解器提供确定性计算。尤其面对训练数据没有覆盖的新结构、新材料和极端工况，工程团队必须知道每个结果来自什么输入、使用了哪个工具版本和求解设置，并能够重新运行得到一致结论。
　　
　　因此，两者更合理的关系是一条“探索—验证—迭代”链路：AI提出候选方案和异常假设，物理求解器负责验证；验证结果再返回给AI，用于调整下一轮任务。AI提高探索效率，物理求解器则为最终工程判断提供依据。
　　
　　EDA Agent不能靠“自我评价”证明可信
　　
　　邓俊勇强调，EDA Agent的可信度不能建立在语言表达是否像专家之上，而要看每一步行动能否被确定性结果校验。
　　
　　一套可信的运行机制，首先要把工程目标、约束条件和通过标准写清楚；随后由Agent拆解任务、选择工具并执行计算，同时记录输入数据、工具版本和完整配置；计算完成后，再由规则引擎或物理求解器判断是否通过，而不是让大模型评价自己的输出。
　　
　　如果任务失败，系统还要能够调整参数重跑、回滚至上一个可靠状态，或将异常交给工程师处理。最终进入知识库的，也应当是已经验证的过程与结果，而不是未经核实的模型推断。
　　
　　多Agent架构的价值同样来自这种职责划分：负责统筹目标的Agent、处理模型和规则的专业Agent、执行求解和生成报告的Agent共享同一套项目状态；关键节点则由确定性验证和人工审核共同把关。Agent数量本身并不创造价值，职责清楚、结果可验，才是工程闭环成立的前提。
　　
　　Agent落地首先是工具链问题
　　
　　演讲中，邓俊勇将EDA Agent的落地条件归纳为五项基础能力：工具需要理解EDA对象、约束和单位；核心功能能够通过稳定接口调用；输出结果可以由规则或物理引擎验证；任务支持暂停、重试、回滚和人工接管；同时具备本地部署、权限控制、审计追踪和IP隔离能力。
　　
　　这也解释了为什么不同场景的落地速度不会相同。规则检查、模型质量检查、阻抗探索、批量仿真和报告生成等任务，输入输出明确、验收标准客观，更适合先形成闭环。复杂电磁问题的根因诊断、非标准拓扑和跨物理域权衡，则需要更清晰的验证边界与更多人工参与。
　　
　　因此，Agent的合理演进路径应当从单任务自动化开始，逐步扩展到单产品闭环、多工具编排和跨域协同。每扩大一层自治范围，都需要重新检查误判率、结果复现、失败回滚、运行成本与责任边界，而不能只用模型准确率判断系统是否成熟。
　　
　　大厂拼全栈，挑战者要拼“闭环密度”
　　
　　邓俊勇在演讲中指出，AI时代的仿真类EDA厂商面临四个现实问题：客户设计数据无法自由汇集，失败样本尤其稀缺；模型幻觉和训练范围之外的输入可能带来错误判断；历史工具的接口和数据语义并不统一；进入生产流程后，IP隔离、权限和结果归责必须有清晰机制。
　　
　　基于这些约束，他认为，未来EDA厂商的竞争力将更多来自可调用的工具能力、可追溯的数据链路、场景化评测体系、开放的工具编排方式，以及已经产品化的权限、审计、回滚和复现机制。这些能力无法仅靠更换一个大模型获得，需要在真实工程流程中长期积累。
　　
　　对于挑战者而言，与其追求覆盖所有流程的万能Agent，不如选择高频、痛点明确、收益能够衡量的场景，把工具调用、物理验证、异常处理和人工审核真正连成闭环。演讲将这种差异化能力概括为“闭环密度”。
　　
　　巨霖路线：
　　
　　先让产品可靠，再做可信Agent
　　
　　基于上述判断，巨霖科技选择“工具链先行、Agent渐进”的产品路径。
　　
　　2026年，巨霖将重点建设产品的可调用能力和数据评测底座，统一核心功能接口、任务描述方式及结果记录方式，使现有工具具备被AI可靠调用的工程基础；2027年，计划推出面向配置生成、报告摘要和规则检查的Copilot与Check Agent，先在边界清晰的任务中验证单场景闭环；2028年，再进一步推动SI Signoff Agent实现跨工具协同及工程变更（ECO）候选方案生成，并完善回滚、复现和人工审核机制。
　　
　　SI Signoff Agent是巨霖规划中的首个最小闭环。它将围绕信号完整性签核流程，打通设计导入、链路识别、任务配置、求解计算、规则判定、问题定位、ECO候选和报告生成。这里的目标是在明确的人工审核边界内，让每一步计算都有依据、每一个结论都能复现，而不是只为EDA工具增加一个聊天窗口。
　　
　　从“给出答案”走向“交付已验证结果”
　　
　　演讲最后，邓俊勇以三个判断回应“AI时代，仿真类EDA工具何去何从”：技术上，AI不会替代物理求解器，而会改变求解器的调用和验证方式；产品上，Agent不是简单的对话界面，而是由工具、数据、验证和治理共同构成的工程系统；巨霖将先聚焦高价值、可验收的SI闭环，再逐步扩展到多工具及跨物理域协同。
　　
　　对仿真类EDA而言，AI带来的变化将体现在工程结果上：流程能否更快、更稳定地交付可以验证的结论。未来的竞争，也将围绕这种持续交付能力展开。
　　
　　巨霖科技将继续推进高精度仿真工具、工程流程自动化和可信Agent的结合，在真实设计场景中逐步验证每一层能力，为芯片设计团队提供更可控、更可追溯的仿真流程。