作者：电子创新网张国斌
AI让EDA代码变得越来越“廉价”，国产EDA或许正在迎来一条不同于传统巨头的突围路径。
在芯片产业链中，EDA一直是一个特殊的存在。
经过数十年的发展，Synopsys、Cadence、西门子EDA等国际巨头已经构建起覆盖芯片设计、验证、综合、仿真、布局布线等环节的完整工具体系。对于后来者而言，如果沿着同样的路径去做一套“大而全”的EDA工具，不仅周期漫长，投入巨大，还需要面对成熟生态和客户使用习惯形成的壁垒。
但AI的出现，正在改变这场竞争的底层逻辑。
尤其是大模型和Agentic AI进入EDA之后，EDA行业正在出现两个值得关注的变化：一方面，AI正在大幅降低代码开发和工具定制的成本；另一方面，EDA竞争的重点可能逐渐从“谁的工具覆盖面更广”，转向“谁能针对具体场景把流程做得更快”。
在第六届集成电路设计创新会议暨应用展（ICDIA 2026）媒体群访环节，EDA国创中心中星idebug 项目组 PI负责人东南大学教授江哲看来，这可能恰恰是国产EDA值得关注的新机会。
Agentic AI，首先改变的是验证
江哲表示这场变化目前已经从芯片验证环节开始。在传统芯片开发流程中，验证往往占据大量人力。江哲介绍，通常情况下，设计工程师与验证工程师的比例大约为1:2甚至1:3，这意味着一颗复杂芯片的验证工作，本身就是一个庞大的工程。
而Agentic AI最先能够切入的，正是其中大量重复性的工作。
芯片验证并不是简单地“写代码”。在正式进入代码阶段之前，还需要完成verification planning，也就是验证规划，包括确定验证目标、设计验证case、规划测试场景等。之后才是将这些case进一步转化为具体的测试代码，并执行大量验证工作。
他表示从EDA国创中心的实践来看，大模型和Agentic AI在“把验证case转化成测试代码”这一环节已经表现出了较强的能力。
过去，这部分工作往往由大量初级验证工程师完成。
经验丰富的工程师完成前期规划之后，初级工程师按照既定要求编写代码、搭建测试环境、执行验证任务。对于这一类规则相对明确、重复程度较高的工作，AI具备明显的效率优势。
换句话说，Agentic AI目前最现实的价值，并不是替代芯片专家，而是减少大量基础性验证工作。但这并不意味着AI已经能够独立完成整个验证流程。江哲认为，AI目前最大的短板仍然出现在验证前期的planning，以及一些非常复杂的corner case上。
“芯片到底应该验证什么？”这是一个比“怎么写代码”更难的问题他指出。
因为这涉及对芯片架构、应用场景以及潜在风险的理解。AI可以生成大量验证方案，但这些方案是否合理、是否覆盖了真正关键的风险，依然需要有经验的工程师进行判断。
尤其是在验证“最后一公里”时，一些复杂case往往需要人为设计多个触发条件，甚至需要工程师依靠经验和技巧去构建测试场景，这仍然是Agentic AI比较难处理的部分。
因此，现阶段更准确的描述并不是“AI替代验证工程师”，而是：AI正在首先替代验证流程中大量标准化、重复性的工作。而真正负责规划和解决复杂问题的高级工程师，短期内依然不可或缺。
AI真正的难题，不只是模型能力
如果把视角从技术能力进一步扩大到产业部署，Agentic AI进入EDA还面临另外一道门槛：数据和生态。
芯片设计天然具有高度敏感性。江哲表示一家芯片企业的RTL代码、验证数据、设计规范、IP信息乃至整个设计流程，都可能涉及核心商业机密。因此，让这些数据直接上传到云端的大模型平台，对于很多芯片企业而言并不现实。
这意味着未来的EDA Agent，很可能需要在企业内部部署，甚至针对企业自身的数据和流程进行深度定制。
而这又带来另一个问题。不同芯片企业的设计规范、开发流程、工具链组合并不相同。
即便两个企业都在做CPU、SoC或者AI芯片，其具体的设计流程也可能完全不同。因此，一个针对企业A训练和优化的Agent，直接拿到企业B内部，很可能无法获得同样的效果。
这意味着，真正的EDA Agent并不是一个简单的软件产品。它需要理解企业的设计流程、工具链、数据规范以及工程经验。这也是为什么EDA Agent距离大规模标准化部署，还有相当长的路要走。
国产EDA没必要复制Synopsys和Cadence
如果说Agentic AI正在改变EDA工具的使用方式，那么AI带来的另一个变化，则可能改变国产EDA的竞争方式。
江哲认为，国产EDA的机会未必是重新复制一套Synopsys、Cadence或者西门子EDA。
原因很简单。
国际EDA巨头经过几十年的积累，已经形成了非常完整的通用工具体系。它们面对的是全球大量不同类型的芯片设计需求，因此工具必须具备高度通用性。但“通用”有时候也意味着妥协。
江哲举了一个非常典型的思路：假设一款EDA工具只服务于CPU仿真或者某一个特定芯片设计场景，那么它完全可以针对这个场景进行极致优化。某些算法、架构或者工程方法，也许能够把性能做到非常激进。
而面对更加复杂、更加通用的应用需求，国际巨头需要考虑更多场景，就很难针对某一个特定需求做到极致。
这恰恰给国产EDA留下了空间。不是“大而全”，而是“小而专”。比如针对某一种芯片架构、某一种应用场景，甚至某一个具体设计流程，做深度优化。过去这种模式面临一个很现实的问题：开发成本太高。为了一个细分场景专门开发一套工具，市场规模可能不足以覆盖巨大的研发投入。但大模型正在改变这个经济模型。
AI让代码越来越廉价
这是江哲认为国产EDA值得关注的一个重要变量。随着大模型能力提升，软件代码本身正在变得越来越“廉价”。过去，一个EDA公司如果想针对某个细分场景开发一套专用工具，需要投入大量软件工程师，开发周期可能以年计算。
现在，大模型可以参与代码生成、调试、测试以及工具开发，大幅降低软件开发成本。
这意味着过去因为“开发不起”而无法成立的很多细分EDA工具，未来可能重新具备商业价值。
这也是国产EDA与国际巨头竞争时，一个值得关注的变量。
当代码成本下降之后，EDA工具就有可能从“大规模通用软件”，进一步走向大量场景化、专业化的工具。这条路并不意味着国产EDA要正面复制国际巨头，而是利用中国庞大的芯片应用市场，在特定场景里做得更深、更快。
从这个角度看，AI带来的并不仅仅是EDA效率提升。它实际上可能改变EDA工具的产品形态。
更大的机会：AI重新定义芯片设计流程
当然，江哲认为，国产EDA真正值得期待的并不仅仅是“AI+现有EDA工具”。更大的想象空间，是利用大模型重新设计整个芯片开发流程。传统EDA已经发展了数十年，今天的芯片设计流程本身就是长期工程经验不断积累的结果。
从架构定义，到RTL设计，再到验证、综合、布局布线，最终完成流片，每一个环节都有成熟工具和大量工程规则。
而AI出现之后，一个新的问题开始出现：能不能让AI不只是使用EDA工具，而是重新组织这些工具？例如，由Agent负责理解设计需求，再调用不同的设计、验证、综合工具完成任务；当某个环节出现问题时，Agent进一步分析原因、修改设计，再重新执行验证。
最终形成一个由AI串联起来的芯片设计流程。如果这个方向真正成熟，变化就不只是“某一个EDA工具效率提升20%或者30%”，而可能是整个芯片设计周期发生变化。江哲认为，这可能是国产EDA未来真正值得探索的方向之一。
但“100% AI做芯片”，仍然很难
不过，对于“AI最终能不能完全替代人工完成芯片设计”这个问题，江哲的判断依然比较谨慎。核心原因在于：芯片设计是一个超长流程系统。
从架构设计开始，到代码设计、验证、综合、布局布线，再到最终流片，每个环节都存在错误概率。他表示假设一个环节的成功率达到99%，单看这个环节似乎已经非常高；但当几十个甚至更多环节串联起来之后，错误就可能逐步累积，并最终影响芯片结果。
而大语言模型本质上仍然是概率模型。它可以生成非常优秀的结果，但并不能天然保证每一次输出都是确定正确的。对于普通软件来说，一次代码生成错误，可能只是程序报错，重新修改即可。
但芯片设计不是这样。一旦错误一路传递到后面的设计流程，最终可能意味着重新验证、重新综合，甚至重新流片。因此，在江哲看来，“100% AI原生芯片设计”目前仍然存在较大挑战。
当然，他也留下了一个非常重要的开放性判断：AI发展得太快，也许今天认为不可能的事情，明年就可能被证明错了。这句话放在今天的EDA产业里，或许尤其值得关注。
国创中心的另一条路径：从科研到产业
他表示相比单纯讨论AI对EDA的影响，EDA国创中心本身的定位也值得关注。作为东南大学、江北新区以及科技部共建的平台，国创中心承担的并不是简单的商业EDA产品开发，而更多聚焦于共性技术、关键技术以及“科学工程问题”。
江哲将其概括为：先解决国家层面的关键技术问题，再寻找真正具有产业价值的成果。
其中一个典型案例就是iDebug。国创中心在科研过程中发现，一些技术方案并不只是停留在论文或者Demo阶段，而是真正能够解决产业中的实际问题，于是进一步将成果孵化为公司。
目前，iDebug已经完成天使轮融资，并开始服务小米、中国电科等客户。这种模式形成了一个比较特别的闭环：产业提出问题——科研团队解决问题——成果进入产业——产业应用产生新的问题——再反馈给科研团队。
这也是产学研结合真正有价值的地方。
国产EDA真正需要的，不只是“国产替代”
回到国产EDA本身，补贴和国产化采购无疑能够帮助处于发展早期的EDA企业获得更多应用机会。但江哲认为，早期阶段通过政策推动国产EDA进入真实项目具有积极意义。对于EDA这样的工业软件而言，真正决定其生命力的，最终还是“被使用”。
因为EDA不是一款简单的软件。大量bug、性能瓶颈以及流程问题，只有进入真实芯片设计项目之后才会暴露出来。因此，政策可以帮助国产EDA获得第一次应用机会，但最终能不能留下来，还是要回到产品能力和市场竞争。这也是国产EDA下一阶段需要面对的问题：从“能用”，走向“好用”；从政策驱动，走向市场驱动。而AI可能提供一个新的窗口。
过去国产EDA最难的是与国际巨头比拼几十年的工具积累。现在，大模型正在把软件开发成本和工具使用方式同时改变。因此，与其复制一个更小的Synopsys、Cadence，不如利用AI重新思考EDA应该是什么样子。传统EDA的竞争，是工具之间的竞争；AI时代的EDA，可能逐渐变成流程、Agent和场景之间的竞争。
这或许才是国产EDA真正值得押注的下一张牌。
注：本文为原创文章，未经作者授权严禁转载或部分摘录切割使用，否则我们将保留侵权追诉的权利
