新思科技盖思新：全自动芯片设计离我们还有多远？

新思科技 CEO Sassine Ghazi(盖思新) 畅谈 AI 智能体、自主工程的边界、数字孪生，以及 3D-IC 面临的挑战。

自主芯片设计正在快速推进，但至少在现阶段，人类工程师仍然不可或缺。

系统厂商正倒逼 EDA 行业缩短芯片设计周期，跟上 AI 负载飞速迭代的节奏。

先进封装、物理 AI 与数字孪生，需要覆盖更广范围的多物理场联合分析与协同设计。

新思科技总裁兼首席执行官 Sassine Ghazi 接受《半导体工程》专访，探讨 AI 如何重塑芯片设计与工程开发。以下内容取自本周 SEMICON West 大会的一场公开主题访谈实录。

SE（本刊）： 过去一年最大的变化，也是当下最受关注的主线，就是 AI。我们要处理的 AI 数据越来越多，芯片需要跑得更快、发热更低。我们是否真的需要重新思考芯片的开发模式？Ghazi： 毫无疑问。事实上，我们已经在探讨如何对工程体系本身进行重构。这意味着要在多个交叉维度上协同设计与优化：从物理底层、材料、工艺技术、架构、电路设计，再到软件与模型本身。毕竟，正是模型定义了负载特征，我们需要沿着这一整条技术栈完成优化。

SE： 那么 AI 在芯片设计里究竟处在什么位置？早在 80 年代，我们就已经在使用计算辅助软件了。Ghazi： 没错。大约在 2016 年前后，我们就在多款自研技术与工具中引入强化学习，用来处理庞大的参数优化空间，借助 AI 辅助工程师完成调优。如今我们已经从 AI 辅助工具，进化到由多个任务智能体协同调度的模式。我们现在拥有 40 多个任务智能体，它们都是面向 EDA 工具的专业智能体：我们向其注入工具所需的全部知识与能力，使其朝着特定设计目标做优化，也就是面向专项任务的智能体。

过去一年最关键的突破，是大模型推理与规划能力的提升，实现了长时序任务调度：模型可以统筹多个智能体，工程师只需要给出最终想要达成的设计目标即可。这就是我们当下所处的阶段，进展确实令人惊叹。

SE： 您认为这条路会走向何方？过去四年我们从生成式 AI 走到了智能体 AI，接下来会是什么？Ghazi： 可以这样理解演进路线：先是辅助副驾、生成式能力，再到如今我们所说的长时序自主智能体。不再是给一句提示词，而是直接给定目标，由模型自主推理、调度多个智能体去完成任务，也就是自主工程。

随之而来的常见疑问是：人类工程师会怎么样？工程师的角色是什么？这会不会给行业带来风险？我完全不这么看。当下大量企业都希望能够自研、定制专用芯片，对定制化硅芯片的需求非常旺盛。而行业现在最大的瓶颈，恰恰是缺少足够多能完成架构定义、解读规格、定义芯片方案并推动落地的工程师。

所以整套自主调度体系对行业是利好的。架构定义、方向把控、流片前最终签核，这些环节依然离不开人的判断。

SE： 在今年早些时候的 Converge 大会上，几家头部芯片厂商表示，未来可以实现无人工介入的芯片开发。这个目标现实吗？如果可以，人类的定位是什么？只是做复核，确认结果准确、符合预期吗？Ghazi： 这是行业的目标愿景。目前我们已经有多个落地项目与技术方案，可以从一份规格文档起步。规格通常来自系统厂商 —— 云厂商、前沿 AI 实验室、新能源车、无人机企业都属于这类。系统厂商基于终端产品提出需求，再转化为电子设计规格。

现在我们已经有客户直接把规格交给新思自主智能体，由它自动生成经过验证的 RTL 代码，而 RTL 正是芯片设计的起点。过去，从规格文档到编写 RTL、完成验证、确保可物理实现与制造，往往需要多名工程师耗费数月。现在这一步已经可以自主完成，已有多家客户在试用。

依靠模型的推理能力，这套流程未来能否延伸到物理实现、物理验证，直至芯片最终签核？我毫不怀疑我们能够做到。但它今天还没有完全落地。在设计流程中追求更高自主性，是我们明确的方向。

SE： 这么说来，智能体会不会成为新一代 IP？Ghazi： 换个角度提问会更清晰：新思的核心 IP 到底是什么？是 EDA 工具本身，还是精通工具、依赖工具才能执行任务的智能体？

现在大模型擅长推理与方案探索，但生成结果与验证环节仍然离不开 EDA 工具，也就是智能体的载体。模型可以生成方案、探索海量设计可能性，但最终还是要选定一个在性能、功耗、成本上综合最优的实现方案。

SE： 我之所以这么问，是因为新思过去一直在开发 IP，而且大多是定制 IP，用来适配客户的场景。AI 智能体具备自适应能力，是不是可以承接这一部分需求？Ghazi： 可以分成两块来看：一类是传统 EDA 产品，也就是设计工具；另一类是接口 IP，用于芯片之间、芯片与系统之间互联，这类 IP 的定制化需求正在持续走高。

举个例子，云厂商会针对特定负载对芯片做深度定制，以达成性能、功耗指标。如果接口 IP 是通用款、没有针对性优化，就会丧失竞争力，面积、性能都会达不到最优。

SE： 换一个话题，物理 AI 正在开辟全新市场，它存在大量依赖条件，需要海量数据调度，机遇巨大。马斯克曾提出，未来仅特斯拉的物理 AI 赛道，市场规模就可达 25 万亿至 30 万亿美元。您怎么看？Ghazi： AI 从数字世界延伸到物理世界之后，芯片同时支撑两边的需求，二者都需要定制化硅芯片。一旦走向物理端应用，产品就变成软件定义形态。汽车行业沿着软件定义汽车的路线已经走了至少 7 到 10 年。

当车辆走向自动驾驶，我们不仅要对电子系统、产品本身的物理特性建模，还要对车辆所处的外部环境建模。这就形成一个多维度优化空间：芯片、整套系统（包含结构、流体、机械等多工程域），以及系统运行环境的建模。这是一个巨大的工程机会，而我们的能力覆盖从芯片到完整系统。系统层面的能力来自对 Ansys 的收购，我们拥有多物理场签核方案。

无论是芯片还是终端智能系统，比如汽车、机器人，在签核阶段都要避免过度设计、冗余堆砌。如何恰到好处地完成设计，在投产前完成跨多物理域的验证签核，就是我们要解决的问题。

SE： 这不只是多个系统的简单叠加，而是异构系统的组合，对吗？Ghazi： 没错。最难描述的，是不同抽象层级下 “系统” 这个概念本身。一款先进封装本身就是一套系统，但放到机柜里，它就只是一个元器件；放到子系统或者数据中心视角，它依然只是组件。系统在不同抽象层级有完全不同的定义。

SE： 大家讨论 AI 管控时，经常会提到沙盒逃逸这类风险，而数字孪生被视作解决方案之一。数字孪生这个概念已经提出差不多十年了，市面上有没有真正成熟可用的数字孪生？如果还没有，卡点在哪？Ghazi： 数字孪生、虚拟化的概念由来已久。大概十五六年前，新思就完成两笔收购，布局芯片虚拟化 —— 也就是打造芯片数字孪生，让客户在芯片流片之前就提前开发配套软件。它可以提供多个模型供客户评估，选出最适配系统的芯片方案。

放到整车级数字孪生场景，我们已有客户搭建整车电子系统孪生模型，基于孪生模型完成碰撞仿真，模拟车身材料、结构、力学响应，从而减少实体样车与实车碰撞测试。不同工程领域已经有局部的数字孪生在投入使用。

但一套同时覆盖电子、多物理场、运行环境，并且可以被行业广泛商用的完整数字孪生，目前还没有真正落地。但这是必经之路。如果没有数字孪生，未来复杂智能系统的开发周期会无比漫长，成本也会高到难以承受。

SE： 本质上还是分而治之的思路，对吗？Ghazi： 是的。除非完全从零起步，大部分项目都是在已有设计和架构基础上演进迭代。有一个案例一直让我印象很深：中国的机器人与新能源车赛道，很多团队是从零开始搭建体系。我走访国内不少成立两三年的初创企业，他们从一开始就采用全数字化设计流程。芯片刚流片回来，焊上电路板、装车或者集成到终端系统，几周之内软件就能跑起来。这代表客户的工程模式正在发生变革。这条路是可行的。但对于成熟工程团队来说，要放下原有流程、切换到这套新模式，还存在很多约束。

SE： 数字孪生在整车生命周期里的应用节点在哪里？它本身要消耗巨量算力。Ghazi： 确实如此。传统整车厂商平台迭代周期一般是 4 到 6 年，这里的平台指整车架构。而刚才说的数字化模式，可以做到 9 个月到一年就迭代一轮，电子系统更新和整车更新保持相近节奏。当然这需要大量算力投入，但长期来看，终端产品差异化更强，创新迭代速度也快得多。

SE： 这套方案还可以持续监控系统运行健康状态。您能想象一颗 3 纳米芯片在车上稳定服役 15 年吗？Ghazi： 如果系统架构拆成独立组件，同时支持整机级验证，我们就可以基于成本、供应链等诸多维度灵活选择方案，拥有更大调整空间。

SE： 我们换个话题，原本大家预期 2026 年会是 3D-IC 大规模落地之年，这个趋势是真实的吗？Ghazi： 是真的。现在已经有不少数据中心芯片采用 3D-IC 方案。但它复杂度极高，除电路设计之外，客户与代工厂还面临很多难题。瓶颈不在于电子架构，而来自 3D-IC 的物理与力学效应。高负载持续运行时，封装内部会出现热聚集，造成芯粒翘曲甚至开裂，属于力学失效问题。

行业正在推动在 3D-IC 架构设计早期，就结合负载特征同步评估这类风险。这也是我们收购 Ansys 的核心出发点：把多物理仿真前置到设计阶段，提前纳入考量。异构集成多芯片，是确定的未来方向。

SE： 它同时带来了编程层面的巨大难题。举个例子：热量、算力峰值可能每 3 毫秒就出现一次，那么在峰值间隙的 3 毫秒窗口内，我们要怎么调度散热？Ghazi： 没错，这就是我前面提到的负载感知设计。面向特定负载去做系统、先进封装、多芯粒架构设计，至关重要。很多现场故障都来自没有提前覆盖的边界工况，系统过热失效。这需要沿着整条技术栈协同优化：从软件、封装架构、电路实现，到各类物理效应的综合考量。

SE： 还有一个变量：AI 模型本身也在持续演化。无论是生成式 AI 还是智能体 AI，查询任务也会越来越复杂。Ghazi： 这就是为什么所有系统厂商都希望掌握芯片自研主导权。不是半导体行业做不好面向特定负载的芯片优化，而是迭代节奏完全不匹配：模型每三四个月就更新一代，但芯片过去的迭代周期是两到三年。很多半导体客户正在努力把周期从 18 个月、16 个月、14 个月压缩到 12 个月以内；系统厂商也在倒逼我们，借助 AI 把从规格定义到流片的周期压到一年、甚至 9 个月以内。大家都在寻找瓶颈，希望开发出高度适配自定义负载的专用芯片。

SE： 或者开发可以自适应演进的芯片，对吗？Ghazi： 是的，芯粒乃至整颗芯片的可编程化是一个方向。但对比 “快速定义规格、快速定制芯片” 这个刚需，可编程路线在系统厂商那边的落地优先级还不算高。顺带一提，这类定制芯片的生命周期大多只有两到三年，客户并不是为了适配多代模型而长期使用同一款芯片。核心诉求是快速完成芯片优化交付，芯片本身的服役周期不需要很长。

SE： 面对这么多变化，您最担心什么？什么问题会让您彻夜思考？Ghazi： 节奏，迭代的节奏，持续加速的节奏。复杂度正在急剧攀升。我们行业一直很擅长创新，持续交出亮眼成果，但现在这种系统级协同设计的复杂度与迭代速度，是前所未有的。

企业从传统工程流程切换到新一代流程，写在 PPT 上很容易，落地却极难：既要兑现对现有客户的交付承诺，又要改造整个工程团队，打通智能算法、底层物理仿真、产品差异化设计，这是巨大挑战。

SE： 这会不会让技术路线押注变得更难？EDA 行业研发投入占营收的比例，长期高于绝大多数硬件公司。Ghazi： 从营收占比来看确实如此，EDA 行业一直需要持续提升研发投入才能跟上节奏。AI 带来了新机遇，但目前还没有迹象表明 AI 能够降低研发投入。我们的研发投入还在持续增加，而不是减少。

责任编辑：

文章来源：http://www.xinwulian.net/industry/2026/1021/3771.shtml