未命名事件

# AI EDA 调研: AI 驱动 EDA 订阅收入提升潜力达 3-5 倍, 27 年头部客户商业化落地及 EDA/IP 产业链利润分配 ## 以下是专家观点 近期市场对 AI EDA 的关注度较高，可否介绍一下公司在该领域的布局、技术路径，以及与 Ricursive、芯华章、华大九天等公司的主要差异？另外，客户是否愿意为这类 AIEDA 产品付费？ 公司推出的全栈AI技术与提到的其他公司在技术栈和商业模式上存在本质区别。这 些公司大多基于开源模型，包装一套 Harness 来模拟人类操作 EDA 的流程，本质上是由 AI扮演人的角色进行自动化操作。而公司推出的技术是对过去二十多年芯片设计流程的 一次颠覆性重构。核心差异在于和 OpenAI 合作开发了一种名为“长程自动化”的特殊工 具使用模型。该模型具备以下特点：第一，能够实现包含几十步甚至上百步的深度思维 链，并支持以周乃至月为单位的长时间跨度自主运行；第二，在运行过程中，模型能按需 创建上百、上千甚至近万个 Agent，并让它们并发协作，这是一种全新的工作模式；第 三，计算过程不再模仿人类的线性、分步操作模式。传统方式下，工程师每完成一步都需 要停下来检查输入输出，确保与上一步结果的一致性。而“长程自动化”操作是在一个高 维隐空间内自主进行长思维链运行，不依赖于传统的文本性 log 文件进行调试和纠错，形 成了一种复杂的高维推理链。技术实现上，做到了“深度算法与言语接口的融合”。公司 向合作的 OpenAI 模型开放了 EDA 工具底层的算法结构入口，使其能跳过工程师熟悉的命 令，直接在内存空间的层面进行算法与模型推理的融合及数据交互。这种与OpenAI合作 近 10 个月演进出的技术结构，是一种先进的工业软件自动化使用范式。公司的 AI EDA 研 发始于 2022 年，第一代产品主要采用强化学习、卷积神经网络和循环神经网络等经典算 法，但其作用仅限于对现有求解器算法进行有限增强，尤其是在复杂的 corner case 上略 作提升。本次推出的技术则是利用大语言模型驱动，实现定义的 L5-ready 级别的全自动 化操作，尽管实际应用中会限定在 L4 或 L4+级别。 为此创建了一套自动化水平的定义体系： L0: 人类手动操作。 L1：人与 AI 进行对话式、交互式的信息交流。 L2：创建单个 Agent，实现编程或单点工具命令的自主操作。 L3: 多个 Agent 并发操作，但缺乏协同能力。 L4: AI 自主规划任务、设定边界、评估结果，并将需要签核和宏观决策的判断交由 人类完成。 L4+：在 L4 基础上，尝试让 AI 更高程度地自主实现，减少人类监管。 产品架构上，通过两层套件实现：底层是“Chip Agent”，它蒸馏并压缩了芯片设计 所需的所有职能角色、部门划分、工程师职责，以及数十年的半导体设计经验、know-how 和隐性直觉知识。上层是“AutoPilot”，它是一套由大语言模型驱动的 Harness，能够 构建出完整的芯片公司工程部门组织，涵盖项目管理、跟踪决策和风险管控等功能。整个 系统可以理解为：大语言模型是引擎，消耗的燃料是 Token，驱动的是由 AutoPilot 和 Chip Agent 构成的这套系统，而底层是经典的 EDA 工具，其算法接口已向上层模型开放 调用。这种模式的最大优势在于其计算方法非常节省 Token。由于计算过程在隐空间内完 成，支持长时的无输出计算，不依赖于每一步都产出 $\log$ 文件再反馈给模型进行分析，从 而显著降低了 Token 消耗。其技术难点在于确保内部长程思维链及计算中间结果的高度可 靠、可回溯和可重现，目前已完全攻克了这一难题。向市场展示的不仅是一种能力，更是 对数字逻辑芯片领域二十多年来计算范式和流程的重塑。这项技术经过了充分验证，从 2024 年开始就在内部大量演进 AI 模型驱动的研发项目，并在 2025 年底决定与 OpenAI 合 作，以弥补在算力和模型训练能力上的不足。 ## 请介绍一下与 OpenAI 合作的背景，以及在自动化使用工业软件方面的目标和挑战？ 此次合作源于一个长远目标，即希望将 AI 能力拓展至自动化使用工业软件或商业软 件的领域。尽管过去一年中，AI 在 coding 领域是主旋律，但这种能力已开始泛化。更高 层次的目标是利用 coding 能力构建生产力，而这无法绕开经典的工业或商业软件。当前 生产力的核心瓶颈在于依赖人力运行，导致效能较低。若能实现 AI 自主运行，效能将大 幅提升。然而，实现这一目标存在巨大障碍，主要在于缺乏用于训练 AI 进行长程自动化 操作的语料和数据。现有的自动化操作场景数据并非现成的，而是需要从各种复杂工具的 使用场景中进行知识蒸馏和技能蒸馏，但各方通常会将自身知识封闭起来。此次合作的契 机在于，公司向 OpenAI 开放了工业界最复杂的软件品类之一——芯片设计软件——的自 动化操作轨迹能力。这与 OpenAI 在 2025 年和博通合作的 ASIC 芯片项目有关。在 2026 年，基于该研究项目的驱动，重新进行了一次该芯片的设计。这次重做有两个目的：首先 是验证 AI 自主操作的可复现性，并检验其能否达到甚至超越原有的设计水平，例如缩短 设计时间；其次是通过这个过程，建立一种合成数据的生成机制。整个过程历时约8个 月，成功生成了大量可用的合成数据，这些数据可用于后续训练，对下一代长程自动化操 作模型进行微调，从而实现能力的迭代。 ## 在复现 OpenAI 与博通合作的 ASIC 芯片项目中，AI 自动化设计取得了怎样的成果？具体性能指标，如主频、功耗和面积，相较于原始设计有多大程度的改善？ 此次复现的结果是全面性的提升。在项目执行层面，早期探索阶段曾尝试使用开源模 型模仿人类操作，但发现效率低下且 token 消耗巨大。转向深层算法级融合后，项目推进 效率显著提高。在算力充足的条件下，有效推进时间仅为三个月左右。在性能指标方面， 取得了多项改善：首先，芯片主频提升了约 10%，这是在半导体工艺和宏观架构不变的前 提下，通过微结构和设计实现优化达成的，提升幅度相当可观；其次，在设计收尾阶段， AI 在时序优化（如 WNS、slack 优化）以及对签核（sign-off）过程中自由解的筛选上， 展现了超越人类的能力，能够筛选出真正的最优解；再次，功耗实现了个位数百分比 （single-digit）的改善。由于设计规模固定，功耗优化的空间相对有限；最后，芯片面 积也实现了约 7% 至 8% 的缩减。此外，整个技术过程还揭示了新的商业模式可行性，并发 现了一些在传统人力流程中不存在的新型协作模式。该项目将继续迭代，预计还需约一年 时间才能达到更优、更可靠的状态。 ## 从行业角度看，AI自动化设计能力的出现是否意味着传统的Fabless设计公司将面临生存危机？ 这种可能性确实存在。以与 OpenAI 的合作为例，该芯片项目与博通签订了两代合 作，目前第二代产品已开始由 OpenAI 利用这套自动化流程推进。在此过程中，博通方面 的设计 NRE 已大幅缩减。尽管受限于协议框架，流片和供应链管控环节依然保留，但这从 理论上解决了生产力问题。许多公司，无论是大型 CSP 还是初创企业，都面临工程师资源 不足的挑战，因而不得不依赖设计服务。现在，设计服务可能会演变为 EDA 能力和模型能 力的集合体，而不再是特定公司或商业模式下的特权。这是一个非常重要的行业变化。 ## 对于公司这套 AI 驱动的 EDA 软件，未来的商业模式和目标客户是怎样的？在从 L1 到 L5 不同自动化能力等级上，计划如何对外提供服务？ 在 2025 年已推出 Copilot 软件，它提供 L1 和 L2 级别的辅助驾驶能力，主要面向希 望利用 AI 解决知识问答、代码纠错等效率问题的客户，这已作为现有产品的一个选项提 供。2026 年的目标是实现 L4 和 L5 级别的能力，L3 级别因可被 L4 直接覆盖而被跳过。在 商业模式上，正从传统的 EDA 模式转型。传统的模式是基于时间的许可证（time-based license），即按年限、产品种类和席位数量打包销售，这种“卖铲子”的模式与客户最 终的成功没有直接关联，也无法融入 AI 的叙事。与 OpenAI 的合作启发了新的商业模式。 在 2026 年三四月份，观察到一个现象：OpenAI 使用的模型（GPT-6 早期版 Astra 的一个 变种）在执行任务时，有时会同时调动 5,000 到 6,000 个 agent 协同工作，这种规模在以 往是前所未有的。如果公司超额供给 license 以满足这种需求，可能会形成一种“EDA 许 可证的超额订阅”模式。 面对 AI 应用带来的百倍甚至更高数量级的 license 需求，原有的商业模式在成本核 算上已不可行，因为客户无法承担如此巨大的费用增长。借鉴 OpenAI 的模式，公司在 2026 年中后段推出了基于订阅的 AI EDA 商业模式。针对大型 CSP（云服务提供商）这类 客户，其项目众多且工程规模庞大，设定了按年订阅的模式。订阅费用的阈值设定为客户 原有订单金额的 3 到 5 倍。一旦客户支付这笔年费，便可获得不限数量的 license 使用 权，从而不会限制其 AI Agent（例如英伟达或 AMD 可能创建数万个 Agent）的能力。这种 模式结构清晰，能够一次性锁定产品价值。对于中小型客户或初创公司，考虑到其项目周 期可能不按整年计算（如 13 或 14 个月），且项目成败决定公司存亡，按年订阅不具备可 行性。为此，推出了按项目订阅的模式。该模式覆盖从项目开始到结束的整个周期，期间 同样提供不限量的 license。项目订阅费通常是客户以往订单规模的 1.5 到 3 倍。 综合来看，新的订阅模式均实现了数倍的价值提升。此外，该模式还有效解决了小客 户以往仅象征性购买少量正版 license，其余通过服务公司使用工具的问题。现在，通过 订阅即可获得强大的生产力工具和无限的 license，客户使用盗版的动机大大降低。未 来，订阅制可能成为 EDA 行业的长期模式，但传统的基于时间的授权（time-based licensing）模式仍会并存一段时间，尤其适用于那些迭代速度较慢、对成本敏感且对 AI 能力需求不迫切的 Tier 2 客户。 ## 关于公司与 OpenAI 合作的 GPT-Synopsys 产品，其商业模式是怎样的？ GPT-Synopsys 模型是基于公司 EDA 软件生成的轨迹数据（trajectory data）训练而 成，因此公司拥有其核心知识产权，产品也以双方联合冠名。在当前的先导引入阶段，公 司一方面是因为提供了核心的训练数据和 know-how，另一方面是目前承担了大量的 FDE （现场应用工程师）角色。由于该模型需要与特定领域的工业软件深度结合，部署过程需 要具备专业知识的 CAE 工程师参与。公司正在全球范围内对 CAE 团队进行全面培训，使其 能够协助 OpenAI 完成部署工作，这是一项巨大的投入。展望中后期，随着 AI 驱动的 EDA 全面普及，token 的年消耗量将达到一个巨大的规模。届时，会逐年降低分成比例，因为 在巨大的体量下，即便分成比例下降，绝对收入仍会持续增长。此外，还在探索未来的可 能性。由于 GPT-Synopsys 是全球领先的长程自动化软件操作模型，其核心能力由公司使 能。未来，基于此模型蒸馏出的其他泛化或特定工业软件模型，也有可能从中获得一定比 例的 token 收益分成，因为其中包含了公司的核心技术和 know-how，解决了行业内普遍 存在的、因缺乏合成数据而难以训练长程自动化（long horizon automation）场景的痛 点。 关于 Synopsys 与 GPT 合作的模型，其在芯片设计层面的泛化能力预计将如何发展？具 体而言，该模型需要多长时间才能实现泛化，例如从处理 OpenAI 的 ASIC 推理芯片， 扩展到处理 Anthropic 的模型芯片，再到更广义的 LPU 或 WSE 等不同类型的芯片，甚 至进一步涵盖 retimer、redriver 及模拟芯片等领域？在利用 long-horizon 数据进行 模型后训练（post-training）时，工业软件操作能力的泛化效果如何？具体来说，在 EDA 软件领域观察到的能力提升，是否也体现在了其他工业软件或更广泛的操作领域上？ 目前已经观察到一些初步的泛化成果。自 2026 年三四月份起，采用了一种数据合成 机制。在 Tokenmaxxing 的状态下，Agent 会像蜂群一样进行大规模并发探索，自动产生 推理趋势，尝试所有可能性。在此过程中，会生成大量近似但又不完全相同的思维链轨 迹。例如，在完成功能验证或形式化断言的定理证明时，AI 能够进行过去人类难以实现 的深度、长时间的自动思考，并推理出完整的思维链。这些思维链的最终结果好坏可以通 过后续的评价机制来解决，但其产生的海量轨迹数据（trajectory data）本身非常有价 值。将这些数据整合后用于训练微调，发现模型的能力已经开始泛化。在 OpenAI 内部， 该模型的变种在未经专门训练的情况下，已能较好地操作复杂的 3D 视频编辑和剪辑软 件。这类软件的操作与 EDA 相似，需要长时程的思考和类似脚本式的驱动。虽然特定领域 的技能仍需通过蒸馏和压缩来获得，但底层的泛化能力已经显现。 EDA 软件的操作步骤可以达到上千步，运行周期可长达数周，这与过去工程师的工作 模式相似，但极度消耗人力和经验。目前，这种长时程、复杂的操作能力已通过模型泛化 得以实现。公司推出的 ChipAgent，其核心是 Synopsys Autopilot Platform，已经将能 力渗透到各类芯片设计的底层技能中。内置了多个关键的 Agent 角色，这些角色的知识是 经过蒸馏的，涵盖了芯片设计中的重要职能，例如：模拟验证、仿真调试、PPA（性能、 功耗、面积）收敛的迭代优化、RTL到GDSII的版图生成能力，以及模拟设计中的SPICE 仿真和版图自动化能力。此外，作为半导体制造类 EDA 的全栈解决方案提供商，公司也推 出了制造类 EDA 的 Agent，包含光刻掩模综合、光学邻近校正优化等知识压缩。同时，整 合了 Ansys 的知识体系，包括结构分析、流体力学、电磁仿真等。还提供了一个开放的知 识蒸馏框架，允许客户将内部的经验文档或资深工程师的隐性知识（passive knowledge）结构化并注入到定制 Agent 中。在这个框架下，平台不再区分芯片是 GPU 还 是 retimer，基本都能处理。如果缺少特定技能，只需添加即可。Synopsys 拥有行业数十 年积累的诀窍和直觉性知识，这些并非书本知识。公司正与台积电合作，探索如何将其 PDK 知识以能力固化的形式压缩进来，而非直接提供给模型公司，这在先进工艺节点场景 下尤为重要。这标志着能力泛化的开始。 鉴于 GPT-Synopsys 模型在芯片设计领域展现出的强大能力，是否意味着像 OpenAI 这样的公司未来不再需要专业的 Fabless 设计公司为其开发 ASIC 芯片？这是否也预示 着现有 AISC 设计公司的存在价值将受到挑战，因为 CSP 或铜缆厂商等原本缺乏专业知 识的客户，现在可以直接利用达到 L5 级别的自动化工具进行设计？另外，评价一款芯片 的优劣涉及多个维度。一方面是其是否满足功耗、频率等设计需求；另一方面则是在晶圆 厂的制造环节，即设计方案是否有利于快速生产和实现高良率，因为不同的设计会直接影 响最终的良率。当前 AI EDA 产品能达到怎样的技术水平，主要服务于哪类客户，以及未来是否有可能拓展至非专业客户群体？ EDA 产品分为设计自动化（Design Automation）和制造自动化（Manufacturing Automation）两大类，目前均在推进中。具体能力包含三部分：设计的自动化能力、CAE 的自动化能力（Multi-physics Automation）以及制造的自动化能力。其中，制造自动化 与多物理场（Multi-physics）自动化的关联度很高，可视为泛化能力与专业领域能力的 关系。在客户服务方面，更多是基于商业可行性进行考量。AI 颠覆了用户以往的设计流 程，并可能催生设计流程的定制化。过去，芯片设计流程相对固定，但现在企业可以结合 自身芯片特点、应用场景、设计目标、上市时间等约束条件，利用 AI 实现高度定制化的 模型能力。这是一种前所未有的流程交付和部署能力，需要客户贡献并固化其流程知识与 技能，因此公司的平台支持二次开发。选择服务何种客户主要取决于两个因素：一是客户 推进自我革新或“尝鲜”的意愿强度；二是客户的预算，因为目前这套方案还比较昂贵。 与许多客户接触后发现，普遍的直觉是将 AI EDA 比作“火器与冷兵器”的差别，一旦有 企业采用，其他企业为避免形成代差，也会快速跟进。因此，预计在未来一年内，这项技 术会快速扩散至绝大多数头部客户。然而，具体的渗透过程和使用方式存在差异。一个有 趣的现象是，设计服务公司如 Avago 和 Marvell 对此接受程度较低，表现出犹疑和困惑， 似乎是被颠覆的一方。反而是绝对的头部大客户和初创公司这两类客户对此非常积极，认 为这能解决他们的短板。 基于此，预测市场渗透率在 2027 年最多达到 10%（全球范围），但在 2028 至 2029 年会迅速上升，预计到 2030 年将有 70% 的客户采用 AI 流程。仍有部分客户可能仅部分采 用或不采用，特别是那些设计迭代缓慢的领域，例如 MCU。一个 MCU 产品设计周期可能长 达两到三年，但上市后可以销售十年以上，这类客户对加速设计周期、提高设计质量或节 省人力的需求不强，他们更关注在特定行业生态、软件和系统解决方案中获得市场优势， 而这并非当前 AI 设计能力所能提供的。因此，目前的策略是在现有客户群中寻找种子客 户，结合其意愿和财力逐步推进。推进方式通常是先进行“背靠背”实验，即客户使用公 司的 AI 工具重新做一遍他们以前设计过的芯片，以评估其能力。真正用于驱动新项目， 预计要到 2027 年下半年。尽管如此，认为该技术一旦产生，其演进和被采纳的速度将会 非常快。 关于与 OpenAI 的合作，是否可以理解为将底层算法工程师的经验数据直接提供给 OpenAI 用于模型训练？ 并未向 OpenAI 授权芯片设计相关的工程知识。OpenAI 的模型是通过获取工具在执行 长程任务时的操作轨迹来进行学习的。具体来说，EDA 工具本质上是算法的集合，每个算 法可以通过不同参数的命令组合进行驱动，形成成千上万甚至上百万种可能的组合，这使 得人类工程师需要大量的知识和经验才能有效使用。AI 则可以绕过这层复杂的命令，直 接深入到底层算法原语进行调用，从而大幅节省 token。这是与其它 AI EDA 初创公司最 大的区别。其他公司只能调用开放的 EDA 命令，无法触及底层，因此在运行周期、时长和 任务有效性上存在显著差异。在合作中，通过一个“合成数据工厂”的方式，不断制造出 工业软件在执行长程任务时的特殊使用轨迹，并提供给 OpenAI 用于训练。这是其模型能 够快速进步的重要支撑。公司的私域数据，即芯片设计本身包含的大量工程知识，是不会 提供给对方的。OpenAI 的策略是在每个工业领域提供长程任务的操作能力和 token（相当 于引擎和燃料），而将车辆本身及其相关的私域知识保留给合作方。 Cadence 是否也在进行类似的大模型驱动 EDA 的开发？其采取了何种技术路线，与贵司相比有何差异，以及这些差异在市场竞争中产生了怎样的影响？ Cadence 也在进行相关开发，但其路线与公司有所不同。在大模型驱动方面， Cadence 的启动时间比公司稍晚，大约在 2025 年意识到这一趋势。他们的做法是直接收 购了一家位于硅谷的初创公司“ChipStack”，这是一家从事“harness”开发的公司。收 购后，Cadence对其进行了重构，形成了一套类似于公司“agent engineer”和“auto pilot”的环境。然而，在部署和导入阶段，两家公司的策略差异显现出来，这主要源于 各自的市场优势不同。公司在芯片设计前端工具领域占据主导地位，市占率接近85%至 90%，全球绝大多数芯片设计公司的前端工具，如验证、模拟、仿真、逻辑综合及时序分 析等，都使用公司的产品。AI 对生产力提升最显著的环节是验证，该环节占据了芯片设 计 60% 至 70% 的时间和人力消耗，因此从前端导入 AI 工具是自然的选择。 相比之下，Cadence的优势在于后端工具，其从模拟版图设计起家，逐步向前端拓 展。由于其前端工具的全球用户相对较少，因此在推进 AI 自动化套件时，他们采取了从 中间切入的策略，主要覆盖后端。然而，公司与客户的合作实践表明，当客户完成前端的 AI 优化后，AI 流程会自然地向后端推进。据观察，一些 agent 集群（agent cluster）会 像先遣队一样，直接推进到后端的 GDS 阶段，然后返回与前端的 agent 沟通，形成了高效 的协作模式。这种端到端的自动化流程使得客户更关注最终的产出结果，即芯片性能是否 提升、研发周期是否缩短、人力成本是否节省，而不太在意后端具体使用了哪家工具。这 就导致了一个有趣的现象：一些原本后端使用 Cadence 工具的大客户，在 AI 自动化流程 的模拟中，转而使用公司的工具跑通了从前到后的全流程。尽管在后端工具的市占率仅为 40%多，低于 Cadence 的 50%多，但 AI 驱动的端到端自动化消解了混合使用不同厂商工具 的流程，形成了单一厂商工具贯通运行的模式。理论上，只要芯片端到端的交付结果正确 且优质，使用谁的工具并非最重要。但实践中，单一厂商的工具链能更好地在高维度上串 联前后端，中间更换工具对于模型处理而言非常困难。因此，这种端到端的自动化趋势反 而为公司创造了竞争优势。客户希望从前端开始进行全面优化，而不是从后端中途切入， 这使得他们更倾向于与公司合作。预判 Cadence 未来也会努力实现前后端一体化的自动化 长程操作。构建长程操作模型在技术上并非难以实现，尤其是在北美，合成数据能力较 强。目前，Meta、Gemini、亚马逊以及英伟达都在发展类似技术，公司也在与这些公司合 作，开发基于北美开源模型的长程自动化操作版本，以满足部分客户（如中国地区客户） 无法使用 GPT 的需求，为他们提供替代方案。理论上，Cadence 也可以自研模型或寻求合 作，但目前看来，OpenAI 暂时不会与其合作，而 Anthropic 的重心似乎不在工业软件应 用领域，他们更关注生物医药、航天新材料等高价值基础研发领域。 ## 在 AI 与 EDA 结合的趋势下，模拟电路设计领域是否会受到冲击？与数字电路相比，其设计流程的特点对 AI 的应用提出了哪些挑战与机遇？ 模拟电路的设计流程确实与数字电路有显著不同，其特点是流程相对扁平，不属于长 程任务，但其探索空间巨大。以数模转换（AD/DA）电路为例，其参数微调的状态空间组 合极其庞大，目前主要依赖工程师的经验知识进行逐步优化。前些年推出的基于强化学习 的模拟版图辅助设计工具 ASO.AI，已经开始在收敛人类状态空间探索方面取得进展。该 工具能够实现版图的自动迁移，例如，当工艺从 90 纳米迁移到 45 纳米时，通常需要重画 原理图和版图，电路的微观实现也会因工艺变化而有很大差异。ASO.AI 则可以自动完成 这一迁移过程。在当前大模型驱动的趋势下，选择了一些复杂的模拟电路进行实验，例如 射频天线中的滤波类电路、声表面波器件以及 AD/DA 转换器等。这些实验表明，AI 在处 理模拟电路设计这一复杂问题上同样具有潜力。 ## AI 技术将如何影响模拟电路行业的竞争格局与传统壁垒？ AI 模型具备强大的探索能力，能够通过极大规模的试错快速积累经验，这有望使中 国公司在模拟电路领域快速追赶，实现与全球领先水平的对齐。传统模拟电路设计中依赖 个人经验的部分，可能会被 AI 的探索能力所取代。随着 AI 技术的驱动，模拟电路行业原 有的技术壁垒可能会被逐渐削弱，行业对成熟制程的依赖以及中国在成熟制程上的优势， 将进一步推动这一趋势。未来，大型模拟器件厂商的垄断地位可能面临挑战。行业的竞争 核心可能会从芯片设计本身的 know-how，转向更外围的能力，例如提供垂直细分领域的 软硬件一体化解决方案、客户关系以及深耕行业的渠道能力。此外，AI 能力的普及也可 能改变行业模式，例如传统的 IDM 模式可能会因为 AI 降低了对特定工艺的敏感度而不再 是必需，行业可能更多地转向代工模式。 目前各类客户对 AI 驱动的自动化设计工具的接受程度如何，特别是头部云厂商的导入情况和反馈是怎样的？ 客户的接受度呈现分化。第一类客户，即业务繁忙、市场竞争激烈的公司，以及第三 类客户，即缺乏人才和技术的初创公司，都表现出较高的接受度。对于前者，哪怕能抢先 一个月的产品上市时间都能带来巨大的市场优势；对于后者，AI 能为生死攸关的项目提 供比设计服务公司更强的保障。目前业务主要围绕头部客户展开，其中超大规模云厂商如 微软、Meta 和亚马逊属于同一类客户，都在开发自己的硬件，并积极导入相关工具。亚 马逊是当前效果最好、订单数量增长最快的客户。Meta 和微软也在积极追赶，其底层硬 件的发展依托于各自庞大的私有生态流量和云业务，只是时间问题。谷歌的情况则比较特 殊，由于其对使用 OpenAI 模型的敏感性，目前无法导入。谷歌提出希望能在其新一代 Gemini 4 模型上开发一个自动化的长程操作模型。这一需求是合理的，因为未来模型选 择的多元化将是普遍现象。该项目计划在 2027 年进行，但目前谷歌的 TPU 项目进展较为 混乱，仍在改版中。基于此类需求，也在探索实现差异化部署。例如，与亚马逊达成了一 项庞大的框架合作协议，首次将 EDA 软件部署到除 CPU 和 GPU 之外的 ASIC 平台，即迁移 到 Trainium 3 和 4 上运行。由于 OpenAI 的模型也已迁移至亚马逊的 Trainium，这种云 承载的新型业务模式对亚马逊而言潜力巨大。谷歌也看到了其中的商业价值，但受限于其 TPU 和模型目前的表现。未来，各家云厂商可能都希望将这种自动化能力固化到自己的模 型中，实现多元化供给，这也为公司提供了加深与用户深度绑定的机会。 ## 对于缺乏深厚人才积累和know-how的初创公司而言，是否可以借助AI工具挑战GPU等复杂芯片的设计？ 是的，存在这种可能性。从本质上讲，如果一家初创公司缺乏相应的人才储备和技术 诀窍（know-how），或者不具备足够的人力规模，要设计出 GPU 这样的产品确实非常困 难。但现在理论上，AI 自动化确实可能使高端算力芯片的设计能力趋于平权，但短期内 难以实现。真正的护城河已从核心设计能力转向外围的生态能力。英伟达对此有清晰的认 知，并在近两年通过投资等方式，固化 EDA 和 CAE 领域的长期算力绑定，旨在将 GPU 和 CUDA 打造为所有工业软件计算领域的底层基座标准。早在 2025 年与黄仁勋的交流中就已 形成共识，即通过提前布局，让后来者即便掌握了设计能力，也需要经历一个漫长的“翻 墙”过程来构建生态。因此，英伟达当前策略是将自身算力部署到各个新兴方向。例如， 像初创公司在成长过程中，初期可能也只能选择与英伟达合作，采用 NVLink Fusion 等技 术来融入现有生态。虽然设计能力的平权是趋势，但生态能力的构建涉及市场营销等复杂 的非 AI 因素，颠覆现有格局并非易事。 在半导体工艺向亚2纳米甚至亚1纳米演进的过程中，EDA与AI的融合将扮演怎样的角色？台积电等领先厂商如何利用这一趋势巩固其护城河？ 随着半导体制程进入亚 2 纳米乃至亚 1 纳米尺度，经典物理学已不足以解释其现象， 量子物理效应凸显。在这一阶段，EDA 与 AI 的融合成为必由之路。对于极其复杂的制造 环节，若不采用 AI 技术，未来可能连新型晶体管结构（如 CFET）和材料配方都无法有效 推演。这种推演能力需要强大的底层算力支持，因此领先的晶圆代工厂掌握的是一种前沿 的 know-how 和综合能力。尽管其他厂商可以追赶，但台积电和三星等前沿公司通过锁定 这种能力，其护城河将长期存在。设备也是一个关键壁垒。公司与台积电有悠久的合作历 史，从 2026 年开始，已在隐性战线上展开了至少大半年的 AI 导入合作。合作方向更偏向 于亚 1 纳米及 CFET 等下一代工艺的研究，因为其复杂度和配方探索空间巨大，现有数字 孪生技术已无法找到最优解，必须依赖 AI。 考虑到国内厂商（如华为）在获取先进制程方面受限，以及 AI 自动化设计工具可能带来的迭代速度差异，国内芯片设计行业面临哪些挑战？是否有可行的追赶路径？ 当前，海外高端 AI 芯片（如英伟达、AMD 的产品）的设计周期长达 20 多个月，往往 落后于 AI 模型的发展速度。AI 自动化操作的核心价值在于缩短设计周期。在北美算力充 足、模型领先且 AI 自动化能力到位的背景下，其高端芯片的迭代速度无疑会加快，这将 进一步拉大与国内的差距，构成严峻挑战。然而，国内仍有追赶的路径。核心瓶颈在于模 型，而模型的本质是数据。EDA 等基础工具在全球范围内并未禁运。即使无法直接使用 OpenAI 等海外模型，也可能出现新型的设计服务公司，在海外为中国客户代理 AI 设计能 力，类似于算力租赁。真正的核心瓶颈在于底层 EDA 工具本身。国产 EDA 厂商（如华大九 天）目前尚未实现全栈能力，多是在点工具上进行有限替代。近期虽有厂商用 AI 概念包 装，但通常只是基于开源模型进行蒸馏和参数缩减，针对特定 EDA 工具做自动化优化。AI 操作单个点工具的意义非常有限，其真正价值在于长程自动化操作。将长程操作降维为短 程局部操作，最多只是复刻了人类工程师的部分能力，并未解决设计全流程的优化问题。 因此，摆在国产 EDA 厂商面前的核心问题是，能否利用自身地位优势，实现整个行业的有 效整合。 在 AI 驱动下，中国 EDA 行业面临两种可能的终局：一是更加落后直至被淘汰；二是 通过大刀阔斧的改革，利用 AI 迅速实现全流程整合，从而获得发展机遇。AI 驱动的 EDA 芯片设计以结果为导向，未来市场将更关注输入相同条件下不同模型与 EDA 组合的输出质 量，而非 EDA 内部具体工具。这为中国 EDA 企业提供了机会，如果能快速整合流程并由自 动化模型驱动，便可能解决以往跨工具壁垒的难题，因为客户最终关心的是结果。因此， 这既是巨大挑战也是重大机遇。H 公司自身也在进行 EDA 布局，主要为解决其在特定应用 领域中遇到的盲区问题，作为现有流程的补充。预计其内部 EDA 团队和项目能力在未来三 年左右可能会逐步剥离出来，届时将引入新的市场竞争。 ## 面对行业变革，以华大九天为代表的国产 EDA 厂商面临哪些核心挑战？应如何应对？ 国产 EDA 厂商面临多重核心挑战。首先是资金、技术和人才的复合约束问题，在研发 投入远低于 Synopsys 和 Cadence 的情况下，如何突破这一闭环是一大难题。其次，作为 央企二级控股的公司，其体制能否有效融合大量民营企业、解决薪酬待遇问题，以及其市 场营销和销售运营模式能否摆脱国企限制、实现更灵活的运作，都有待观察。再者，在与 H 等公司的合作中，需要处理好技术攫取多于技术依赖的关系，并规避其从客户转变为竞 争对手的长期风险。应对这些挑战的关键在于抓住机遇，避免战略失误。必须进行跨领域 合作，尽快与国内先进的大模型厂商协同发展，实现深度绑定。工业软件是新的合成数据 的生成器，而这正是模型公司所需要的。实践证明，仅依赖剪裁现有开源模型进行闭门造 车的模式是行不通的。

暂无独立解读