Cadence用Agentic AI颠覆芯片设计

本周在圣克拉拉举行的Cadence年度用户大会上，英伟达CEO黄仁勋与Cadence CEO Anirudh Devgan一同登台，为与会者致开幕词，现场气氛热烈。在正式开始炉边谈话前，两人短暂地在一台计算机架上签名，这一幕近乎仪式般的举动，体现了两家公司深厚的合作关系。

这种关系起源于半导体设计，Cadence 的 EDA 工具一直支持 Nvidia 的芯片开发，并稳步扩展到仿真、系统设计以及现在的 AI 驱动的工作流程等领域。

在讨论中，黄指出，过去两年人工智能的发展历程是从生成模型向能够推理和行动的系统演进，这种转变正在重新定义工程工作的完成方式。

黄说：“我们现在已经到了智能体能够预见未来、推理并执行计划的阶段。人工智能从无所不知、能够输出各种知识和信息，发展到现在能够使用工具。”

黄仁勋表示，英伟达内部智能体的使用量激增，这些系统能够推理问题，然后依靠现有工具完成工作。他指出，芯片设计就是一个典型的例子，随着智能体在验证、模拟电路设计和后端工作流程中扮演越来越重要的角色，对Cadence的EDA工具的需求可能会大幅增长。

黄仁勋的评论驳斥了人工智能可以取代传统工程软件的说法。在芯片设计等领域，黄仁勋阐述了底层算法如何经过严格验证并深度嵌入生产工作流程。这些系统并非旨在取代现有工具，而是旨在调用这些工具，从而确保输出结果的可验证性，并与既定的设计流程保持一致。

黄还讨论了公司历史上如何受到可用 ASIC 设计师数量的限制，并指出代理系统可以通过允许工程师同时协调多个专业代理来扩展这种能力。

此次合作公告进一步强化了双方此前的讨论，  Cadence 概述了与英伟达的扩展合作，合作内容将涵盖智能体人工智能、基于物理的仿真以及用于半导体设计、物理人工智能系统和人工智能工厂的数字孪生技术。Cadence 表示，此次合作将结合其设计软件和仿真产品组合与英伟达的加速计算、CUDA-X、Omniverse 和人工智能物理技术。

黄将物理人工智能描述为两家公司的下一个前沿领域，并认为该行业现在正在进入超越语言模型的新阶段。

“正如我们经历了 ChatGPT 的出现，即语言生成式人工智能的时代，我们现在也迎来了机器人生成式人工智能的时代。它被称为 VLA：视觉语言动作模型，其基本原理是感知输入，动作输出，”他说道。

黄教授表示，感知、推理和行动的结合使机器能够像人类一样，将陌生场景分解成更简单的步骤来处理。他指出，结合机器人硬件的快速发展，这种方法正在催生出更多通用系统，使其能够在各种物理环境中运行。

这种思路延续到了 Devgan 随后的主题演讲中，他在演讲中重点介绍了 Cadence 如何为其平台做好准备，迎接人工智能驱动工程的下一个阶段。

Devgan 在深入探讨 Cadence 的最新产品路线图时提到，他仍然认为 EDA 和 IP 是公司的核心业务，但现在他以更广泛的视角看待这项业务，从芯片设计扩展到全栈工程平台和自动化。

路线图的重要组成部分是 AgentStack，这是 Cadence 推出的一个编排环境，旨在连接其新兴的“超级代理”在整个设计流程中的作用。 今年早些时候推出的ChipStack 用于 RTL 设计和验证，标志着 Cadence 向代理驱动的设计工作流程迈出了第一步。

AgentStack 在 ChipStack 的基础上，将其“心智模型”和多智能体方法从 RTL 和验证阶段扩展到设计流程的后期阶段，包括物理和模拟设计。它旨在协调多个智能体之间的长时间运行任务，并直接连接到运行在 Nvidia 基础设施上的 Cadence 底层 EDA 平台。

在主题演讲中，德夫根表示，公司正在将这种方法扩展到模拟电路设计和后端实现领域，每个超级代理都能调用与现有 Cadence 工具关联的更专业的子代理。德夫根并没有将这些系统视为独立的 AI 助手，而是将其描述为构建在 Cadence 底层引擎之上的全新自动化层。在随后的问答环节中，他指出 Cadence 的优势在于其针对芯片设计的领域特定“心智模型”，以及对工具 API 和软件内部机制的更深入访问，这使得公司能够比通用模型提供商或客户构建的代理更精细地协调工作流程。

德夫根由此描述了他所看到的AI应用的三个阶段：基础设施AI、物理AI和科学AI。他表示，虽然第一阶段仍在扩展，但下一阶段将聚焦于与物理世界交互的系统，包括机器人和自动驾驶汽车。德夫根指出，科学AI，包括药物研发和材料研究等领域，已经启动，但仍处于发展初期。这种AI应用的发展进程正在积极影响着Cadence的路线图，推动其在仿真、数字孪生以及旨在建模和优化从AI数据中心到现实世界系统等各种工具方面的投资。总而言之，Cadence的主要战略是将其在工程软件方面的核心优势应用于更广泛的应用场景。

如果说 Devgan 的主题演讲描绘了路线图，那么 Cadence 高级副总裁兼系统验证部门总经理 Paul Cunningham 则更详细地描绘了该公司认为人工智能将如何改变设计流程中的工程工作。

在下午的主题演讲中，坎宁安表示，机遇远不止于在现有软件中添加聊天界面。为了说明这一点，他描述了Cadence战略中三个不同的AI层面：直接嵌入核心引擎的优化AI、简化工程师与现有软件交互方式的工具代理，以及正如德夫根所提到的，旨在执行整个设计流程端到端任务的“超级代理”。

坎宁安将这种方法与他认为几十年来一直塑造着Cadence的两个理念联系起来：抽象和重用。他表示，过去，Cadence通过引导工程师们摆脱手工绘制的布局，转向使用高级设计语言，从而提高了芯片设计的抽象水平。如今，借助人工智能，该公司看到了再次提升抽象水平的机会，使系统能够从人类设计文档（例如规格说明、框图和架构描述）开始项目，并将其转化为可运行的设计。

坎宁安指出，重用也因此有了新的含义。传统的EDA（工程设计自动化）通常会重用设计层级和重复结构，而AI则创造了任务重用的可能性。他表示，人工智能不再需要强迫工程师重复相同的分析、脚本编写、调试和迭代流程，而是可以以更自动化的方式捕获和重放这些工作。

这种逻辑塑造了Cadence的分层AI战略。Cunningham表示，优化AI，例如嵌入在Cerebrus和Verisium等Cadence产品中的强化学习系统，是加速物理设计和验证的途径之一。他将工具代理描述为另一种途径，因为它们通过将常见交互转化为对话式和上下文感知的工作流程，使现有环境的使用更加便捷。他指出，超级代理代表了下一步：它们结合了LLM（逻辑逻辑模型）、领域特定知识图谱和结构化工作流程，以更高的一致性执行更复杂的设计任务。

“我们已经可以看到，超级智能体的复杂程度正朝着与我们一些最先进的探索性数据分析工具一样复杂的方向发展。超级智能体本身就是一段计算软件，”坎宁安说道。

坎宁安表示，复杂性源于执行实际设计任务所需的信息量。他指出，与更简单的编码用例不同，芯片设计涉及数百万个结构化数据标记，远远超出单个模型指令的处理能力。为了解决这个问题，Cadence 正在构建代理，这些代理能够构建设计的中间“知识图谱”，在将任务传递给 AI 模型之前，捕获设计的结构、层次结构和意图。

他还探讨了另一个挑战：一致性。他指出，由于LLM（逻辑学习模型）具有概率性，因此要生成可重复且可用于生产环境的结果，需要额外的控制层。Cadence的方法依赖于他所说的“技能”和结构化工作流程，引导模型逐步完成复杂任务，从而确保输出结果的可预测性和可验证性。Cunningham表示，这种级别的协调正是超级智能体区别于通用人工智能工具的关键所在。

CadenceLIVE 的总体信息是，该公司如今已远不止是一家 EDA 软件公司，而这三位主题演讲则向与会者展示了这一转变的全貌。黄先生提醒我们，人工智能正在从单纯生成信息的模型发展到能够通过工具执行操作的智能体系统。德夫根先生展示了 Cadence 如何通过将其软件栈扩展到更多设计流程以及物理人工智能等其他领域来支持这一发展。坎宁安先生则阐述了公司如何通过将分层智能体人工智能直接嵌入到其工具和工作流程中来实践这一转变。简而言之，EDA 软件不会很快消失。恰恰相反，它正在成为构建这些新型人工智能系统的基础。