在2026湾芯展同期电子创新网举办的EDA生产力智能体沙龙上，硅芯科技创始人，首席科学家兼CEO赵毅博士分享了AI在3D IC设计中的探索。其核心观点是：AI进入芯片设计，不能只停留在自动执行任务和修复错误，而应进一步理解错误产生的原因，并将分析结果反馈给设计流程，形成持续优化的闭环。

这也意味着，AI与EDA的结合正在从局部工具自动化，走向更深入的工程协同。

在传统芯片设计流程中，工程师需要借助不同EDA工具完成设计、布局布线、仿真和验证。当检查工具发现DRC违规或LVS不一致时，工程师还要结合版图、网表、工艺规则和设计意图，判断问题究竟出在哪里，再决定如何修改。

对于复杂的3D IC设计，这一过程更加棘手。多Die之间存在复杂的连接关系，堆叠方式、互连层和工艺规则相互影响，局部问题可能源于更早的设计决策。仅仅发现错误，并不意味着能够快速、准确地解决问题。

赵毅博士展示的 AI 智能体 ChipsZ，尝试将这一过程交给 AI 协同完成。演示包含 LVS 和 DRC 两个独立案例：在 LVS 案例中，智能体读取 GDS 版图、网表以及堆叠和连接层等信息，分析检查失败的原因；在 DRC 案例中，智能体处理版图违规，并尝试完成相应修复。

这类能力的意义，不只是减少工程师手动操作的时间，而是让AI开始参与问题分析与处理。

不过，自动修复仍然只是第一步。真正值得关注的是，AI能否识别问题背后的成因：错误是来自设计本身、工艺规则理解偏差，还是布局布线算法产生了不合理结果？如果AI只能根据检查结果逐项修补，就仍然停留在局部优化；只有当它能够分析原因，并将结果反馈给设计流程甚至底层工具算法，才有机会形成更有价值的工程闭环。

3D IC的复杂性决定了，设计优化不能只看某一个环节。

赵毅博士指出在异构集成场景中，芯片架构、Die间互连、布局布线、信号与电源完整性、热管理、可测试性和可靠性彼此关联。一个环节的局部优化，未必能带来整个系统的最优结果。例如，互连方案不仅影响信号传输，也会影响功耗、热分布和制造可行性；如果等到版图完成后才发现热密度或电流密度存在问题，往往意味着需要付出较大的返工成本。

因此，赵毅博士强调，3D IC不能简单理解为传统芯片设计流程的延伸，而应被视为面向具体应用需求的系统工程。设计阶段就需要考虑制造工艺、封装结构、性能指标与可靠性要求，而不是等到后续验证环节再逐一补救。

AI的作用，是帮助工程师在不同环节之间建立联系，让前一阶段产生的信息能够影响后一阶段的决策，并尽可能把后期才暴露的问题提前发现。

这对EDA工具也提出了新的要求。未来的智能体不能只会调用工具，还需要理解工具的输入输出、设计约束与验证结果，并根据任务进展调整执行路径。多智能体协同可以将复杂任务拆分给不同的专业Agent，但任务拆分本身并不等于完成系统级优化。关键仍在于各环节能否共享信息、相互校验，并最终满足整体设计目标。

从现场演示来看，AI智能体已经能够参与多步骤设计检查与修复，但这并不意味着复杂芯片设计可以完全交给AI自主完成。

在实际工程中，设计约束是否完整、修复方案是否符合设计意图、验证结果能否满足流片要求，都需要工程师进行判断。更现实的路径，是让AI负责执行重复性任务、整理检查结果、分析潜在原因并提出修改建议，由工程师审核关键决策和阶段性结果。

赵毅博士表示工程师的角色也由大量手动操作，逐渐转向任务规划、过程监督和结果验证。

尤其在3D IC领域，部分设计流程和工艺规则仍在持续演进，成熟的标准化流程未必能够覆盖所有场景。AI如果能够结合项目中的设计规则、工具反馈和工程师的修正经验，逐步积累可复用的知识，就有机会帮助团队应对流程不成熟、规则复杂以及问题定位困难等挑战。

但这需要的不只是一个能够调用工具的大模型，还需要可靠的工具接口、可追溯的执行过程、严格的验证机制，以及能够沉淀工程经验的知识体系。

对于3D IC而言，设计完成并不意味着方案可行。热管理、电流密度、信号与电源完整性、测试路径以及冗余设计等问题，都可能影响最终产品的性能与可靠性。

如果这些因素直到设计后期才被充分检查，问题修复的代价可能相当高。因此，可靠性分析应尽可能前移到架构与方案选择阶段。

赵毅博士提出的方向，是让AI参与更完整的设计流程：从具体应用场景和性能要求出发，协助探索合适的堆叠与互连方案，再通过仿真、验证和测试不断校正设计判断。

当然，AI给出的分析仍然需要可靠的模型与真实工程数据支撑。仿真结果应结合代工厂工艺信息、原型验证和实际测试进行校准，不能将模型推断直接等同于物理世界中的最终结果。

这也揭示了AI+3D IC落地的关键：AI不仅要理解设计数据，还要能够在工具、工艺约束与实际验证结果之间建立可信的联系。

从硅芯科技的探索可以看到，AI与EDA的结合正在呈现出一个值得关注的变化：竞争重点不再只是智能体能够调用多少工具、自动完成多少步骤，而是它能否理解设计目标、定位问题根因，并把每一次检查与修复转化为下一轮设计优化的依据。

对于3D IC这样的复杂系统，单点自动化能够提升效率，但只有当设计、验证、工艺和可靠性之间形成反馈闭环，AI才有机会进一步改善整体设计质量。

AI+3D IC真正要解决的，不只是让芯片设计做得更快，而是让设计过程具备更强的问题诊断能力和持续优化能力。 这或许才是AI从EDA工具的辅助者，走向复杂芯片设计协作者的关键一步。