首页 > 资讯 > AI 引爆芯片设计巅峰对决,国际巨头剑走偏锋

AI 引爆芯片设计巅峰对决,国际巨头剑走偏锋

36氪文章 2026-11-17 11:53 18 阅读 查看原文

随着GPT-Synopsys 发布,以及 Agentrys、ChipAgents 等 AI 原生创业公司杀 入芯片设计领域, EDA 行业的 AI 竞争 达到了前所未有的高度 。

面对这一变化,Cadence 突然推出 Maestro 专业化 AI 模型组合,强调领域专用模型、智能模型路由、客户专有数据,以及与成熟 EDA、SDA 工具的深度结合。从通用大模型到领域专业化模型,再到 AI 智能体与工程工具的结合,芯片设计领域的AI 竞争正在展开。

01 Cadence 推出 Maestro,押注专业化 AI

“AI 智能体代表着一个具有变革意义的市场机会,Cadence处于充分利用这一机会的有利位置。”Cadence 总裁兼 CEO Anirudh Devgan 在第三季度财报电话会议上表示,AI 智能体设计的未来将越来越依赖领域专业化模型、智能模型路由,以及与底层工具结合的强化学习循环,以实现递归式自我改进。

基于这一判断,Cadence 推出 Maestro,一套专为芯片和系统设计打造的领域专业化 AI 模型组合。该组合涵盖不同规模和架构的模型,包括经过领域专业化后训练的大语言模型、训练后的决策模型,以及能够自我改进的智能体技能。

据悉,Maestro 模型组合包括 NVIDIA Nemotron 等模型,并将领域专业化模型、决策模型和智能体技能结合起来。Cadence 表示,初步结果显示,与通用基础模型相比模型质量最高提升 30%,Token 效率最高提升 5 倍。而且,客户还可以利用自己的专有设计数据对模型进行后训练,以改善模型表现。

另外,Maestro 还引入智能模型路由,根据不同任务选择合适的专业模型或其他前沿模型。Devgan 表示,这能够提高效率,让客户以相同成本完成更多工作,或以更低成本完成任务。

在部署方面,客户可以选择 Cadence 云、公有云,也可以将 Maestro 部署在自己的内部环境中,并保留对模型使用和自身设计数据的控制。这正如 CFO John Wall 在电话会议中表示:“我们的战略仍然专注于提供高价值的工程软件,而不是建立一个大型通用AI基础设施业务。”

02 对比 GPT-Synopsys,两条路线开始分化

其实,就在 Cadence 推出 Maestro 之前,新思科技与 OpenAI 宣布合作开发 GPT-Synopsys,将 OpenAI 的前沿模型与新思科技的 EDA 专业能力结合,使 AI 能够理解芯片设计与验证,并直接操作新思科技工具。

相比 GPT-Synopsys,Devgan 在电话会议上表示,Cadence 从 OpenAI 成立之初就与其开展合作,同时也与 Anthropic、Gemini 等领先模型保持合作。他强调,Maestro 并不局限于 Cadence 自己的模型,而是能够根据不同任务选择合适的模型。对于特定任务也可以选择相应前沿模型,对于开放权重和闭源模型,Cadence 也在探索中。

Devgan 将 Cadence 的 AI 体系概括为三个层次:上层是 AI 智能体与编排,中间层是物理精确的仿真和优化引擎,底层则是加速计算与专有数据。他认为,将 AI 智能体、Maestro 模型与成熟的 EDA、SDA 工具结合起来,才能在性能、效率和吞吐量方面为客户带来更好的结果。

根据 Cadence 披露的客户案例,联发科已将 ChipStack 部署到生产数字验证流程中,验证覆盖率提升 50% 至 70%,工程投入减少 1.4 至 2 倍。瑞萨 MCU 团队在多种工程任务中部署 InnoStack,生产效率提升 34 倍。诺基亚则在其 Millennium 超级计算机上部署 AuraStack,关键设计和分析工作流程提速 5 倍。

从 GPT-Synopsys 让前沿模型直接操作 EDA 工具,到 Maestro 强调专业模型、模型路由与成熟工程工具的结合,虽然具体路径有所不同,但都在推动 AI 从通用能力进入专业芯片设计流程。

03 AI 新势力入场,但仍离不开专业工具

除了两大 EDA 巨头的差异化路径外,AI 原生创业公司也在寻找芯片设计与验证的切入点。

其中,令人印象深刻的莫过于两支中国核心团队的公司:Agentrys 与 ChipAgents。前者刚完成 2450 万美元融资,推进 Agentic Design Automation( ADA,智能体设计自动化),探索利用 AI 执行工程任务并持续改进设计流程;后者则聚焦芯片设计与验证,探索 AI 生成 RTL 代码和测试平台,并通过调用 EDA 工具、根据反馈进行迭代来改进设计。

这些探索体现了 AI 原生工具进入芯片工程的新趋势。不过,AI 生成设计产物只是流程的一部分。芯片设计还涉及验证、时序收敛、物理分析和反复优化,需要与专业工具及工程流程协同。

这也是 Cadence 强调自身工程软件体系的原因。其 AI 布局并非只关注模型能否生成内容,而是将智能体、专业化模型、EDA 与 SDA 工具、仿真优化引擎、计算能力和专有数据结合起来。从这角度看,AI 原生工具与成熟 EDA 平台并非对立,未来可能在不同环节形成协作。

04 从芯片到复杂系统,Cadence不止一面

值得关注的是,Devgan 在三季度电话会议中提到“ Cadence 约 45% 的业务来自系统公司 ”,也就是半导体企业以外的公司。除了大型超大规模计算企业,航天公司、金融企业等其他系统公司也开始自行开展芯片设计。这些企业带来了 IP、硬件和设计服务方面的市场机会,使得各板块业务增长都达到了 20 % 以上。

相比中国市场,三季度的收入规模再次达到史上最高记录。根据 Cadence 最近在上海举办的 2026 中国仿真大会,其相关能力覆盖了前后处理、结构、多体动力学、声学、热流体、电磁、材料与虚拟制造、自动驾驶,以及 AI 驱动的仿真优化与数据管理等领域的多物理场仿真,呈现出从芯片、电子系统到复杂机电系统的一体化设计与仿真方案。

在工程实践方面,大会披露,融合 AI 与物理仿真的设计优化、利用 GPU 硬件加速的仿真计算,把过去 69 小时的 CFD 计算时间缩短到 50 分钟,舱内风噪预测计算从 21 小时缩短到 79 秒,3D 增材制造工艺仿真速度最高提升 10 倍,全流程 CFD 工作流可以每天评估两个及以上设计变体。

除此之外,AI 与仿真数据平台也是重要议题。相关专题涉及降阶模型、AI 机器学习驱动的预测与仿真优化、设计探索,以及数据和流程管理,体现出 AI 正在深入工…仿真的多个环节。

最后, 从Maestro 的专业化模型到 AI 智能体与工程工具的结合,再到物理仿真和系统级设计,Cadence 正在将 AI 引入更广泛的研发流程。 而AI 问鼎之战 也 不仅 仅是 比拼模型能力, 更 涉及 到 专业数据、工程工具与整个研发流程的协同。

本文来自微信公众号“坤少说”,作者:坤少,36氪经授权发布。