兩大EDA巨頭，最新分享

公眾號記得加星標??，第一時間看推送不會錯過。

近日，morethanmoore的主理人Ian博士分別采訪了新思科技和Cadence的CEO，分享了他們對EDA未來以及AI對芯片設計的影響。

正如Ian在文章中說，人們談論半導體行業時，大多關注的是那些看得見的部分：芯片、工藝節點、封裝技術、基準測試以及每瓦性能的競賽。而真正讓這些芯片成為可能的軟件和基礎設施卻鮮有人問津。但隨著芯片設計變得日益復雜，工藝節點也日趨先進，設計與制造的聯系也越來越緊密。現代處理器的設計不再僅僅是邏輯設計和時序收斂——我們還要討論先進封裝、芯片組、多物理場、IP集成、軟件驅動優化，以及日益嚴峻的設計空間探索挑戰——如此龐大的設計空間，僅靠人類工程師難以完全覆蓋。

這正是新思科技和Cadence提供的設備的重要性。接下來我們來看看他們各自CEO的觀點。

與 Synopsys CEO Sassine Ghazi 的問答

在采訪中，交流雙方探討了 Synopsys 如何看待Chipet時代，Sassine 表示公司不僅擁抱了這一變革，還推動了其發展； Synopsys 收購Ansys的真正意義；以及整個行業如何從單純的芯片設計轉向芯片、封裝、散熱、材料和軟件行為的協同設計。我們還討論了 Synopsys 與 Rapidus 合作，共同打造一家領先的芯片代工廠；以及智能體人工智能（Agentic AI）如何才能真正融入芯片設計流程，超越市場宣傳的范疇，真正創造工程價值。

Ian Cutress: 鑒于芯片設計的特性，這種趨勢正在加速發展；我們都看到了這一點。如今，企業不僅生產更多產品，而且產量也更大。新思科技的商業模式正在發生怎樣的變化？

Sassine Ghazi:種指數級增長的復雜性和速度正變得越來越陡峭。

回到 15 到 20 年前，我們遵循摩爾定律——客戶擁有自己的架構，我們提供軟件來實現芯片，然后客戶自己與他們選擇的代工廠合作伙伴一起制造芯片。

大約十年前，設計和制造之間的復雜性日益加深。我們致力于優化設計和技術之間的銜接。如今，隨著人工智能需求的增長，芯片架構也在快速演進。實現所需功率和性能的復雜性不再遵循摩爾定律，因此出現了不同的方法，例如先進封裝、多芯片等等。將這些芯片連接起來需要非常復雜的EDA系統和大量的IP。我們擁有獨特的優勢，因為我們在EDA技術領域處于領先地位，并擁有最廣泛的IP組合，而且我們的客戶也越來越重視自動化研發。

Ian Cutress: 所以，產品上市時間對你們的客戶來說變得越來越重要？

Sassine Ghazi:沒錯，因為過去設計一款芯片需要18到24個月。現在，客戶要求一年內交付新的芯片，這意味著他們所做的每一件事都面臨著更大的壓力，無論是我們提供的軟件，還是縮短設計時間的新技術。

Ian Cutress: 作為最早一批通過異構集成實現Chiplet集成的公司之一，我們當時遇到了很多困難，因為可用的工具非常少。而貴公司恰恰生產這類工具。您是如何擁Chiplet時代的？

Sassine Ghazi:我們不僅接受了它，還推動了它的發展。因為如果你回顧一下架構，當你從單芯片分解成Chiplet時，這并非手動完成的。芯片的哪個部分應該用哪個工藝節點？如果采用三維堆疊，應該把它放在堆疊的什么位置？存儲器在其中扮演什么角色？

我們有一種叫做 3DIC 編譯器的技術，它允許你從規范出發，設計高級封裝或芯片（隨便你怎么稱呼它），并進行假設分析。例如，如果我用 5nm 工藝而不是 3nm 工藝，功耗等方面會有什么變化？芯片之間的連接性也因此變得極其復雜；UCIe 應運而生，它包含 PCIe、HBM 等技術，用于將系統連接起來。這是一個絕佳的機會，因為我們現在看到的不僅是半導體公司在設計這些芯片，而且超大規模數據中心本身也在從通用芯片轉向 ASIC，最終轉向客戶自有工具 (COT：Customer Owned Tooling)。

Ian Cutress: 像 3DIC Compiler 這樣的工具——是應客戶要求而開發的，還是你們已經有了一個正在進行的內部項目來交付它？

Sassine Ghazi:我們很早就開始關注客戶的需求，3DIC 編譯器就是一個很好的例子。大約在 2017 年，我們發現客戶開始尋求不同的架構和封裝方式，以實現更高的性能和功耗，而不是僅僅依賴摩爾定律。那時我們就開始探索和開發這項技術，并在三四年后迎來了首批應用。隨著首批應用的出現，我們發現了一個新的挑戰：物理學。客戶在投入生產前進行制造工藝測試時，發現封裝過程中存在散熱、翹曲和芯片開裂等問題。物理學必須被納入考量，而這正是我們收購 Ansys 并真正開始公司轉型的原因。

Ian Cutress: 在這方面，尤其是在散熱方面，我發現了一大堆IBM在90年代和2000年代關于芯片內部冷卻的專利。當我們研究多層堆疊芯片時，下一步肯定是芯片內部冷卻，這意味著你需要為你的客戶建立模型。

Sassine Ghazi:是的，沒錯。除了建模之外，芯片上還有一些關鍵區域，你不想過度設計。你是否了解將在該芯片上運行的軟件？

這樣你就可以進行恰到好處的設計，避免過度設計，降低成本，同時確保在運行某些特殊情況時不會過熱。

Ian Cutress: 這意味著，如果你的工作負載以某種方式攻擊 ALU 或內存，你可以針對該工作負載進行設計，但最終你可能會得到一個特定于工作負載的芯片？

Sassine Ghazi:沒錯，否則就會造成過度設計，而過度設計不僅成本高昂、耗時費力，而且芯片本身也不具備競爭力，因為你在不同功能之間留出了過大的余量。我們今天發布的多物理場融合平臺，旨在將這些物理模型引入設計階段，同時考慮紅外、熱、電磁和機械等因素，從而實現協同設計，而不是過度設計。我們通過融合平臺引入了這一概念。十年前，挑戰更多地在于如何縮小芯片的時序和功耗，而不是物理本身。

Ian Cutress: 晶圓級尺寸是否會帶來其他問題？

Sassine Ghazi:真正的挑戰在于，我們如何在制造層面，從器件物理層面以及封裝層面進行建模。在架構層面，如果你采用某種架構進行設計，那么這種架構是否能最好地代表你將要制造的器件的物理特性？從某種意義上說，是的。但從新思科技的角度來看，我們將其視為設計技術協同優化（DTCO）。這涉及到各種物理特性模型以及我們的代工廠合作伙伴將提供的解決方案。

Ian Cutress: 就EDA（電子設計自動化）和IP（知識產權）而言，使其能夠在特定的工藝節點上運行是產品的關鍵方面。但您今天談到的很多內容，以及我們討論的很多內容，幾乎都與工藝節點無關。那么，代工廠廠商究竟參與到什么程度呢？

Sassine Ghazi:從某種意義上說，知識產權領域的確如此。我們擁有最廣泛的知識產權組合，但我們必須針對不同的工藝節點和代工廠向客戶提供這些知識產權，否則我們就無法保持知識產權領域的領先地位。如果我們只針對某個特定節點和某個代工廠提供服務，那么客戶最終會自行開發知識產權。因此，我們與多家代工廠的合作需要密切的伙伴關系和協作，因為我們參與到他們PDK開發的早期階段等等。EDA工具方面也是如此，當我們設計Fusion Compiler，或者PrimeTime或RedHawk等工具時，我們需要了解他們使用的材料和物理模型的具體實現方式，以便設計出與之匹配的工具和算法。

Ian Cutress: 所以我們甚至在討論芯片內部襯墊和互連線使用的材料。因為這涉及到這些金屬的物理特性。

Sassine Ghazi:我們的工具之所以能實現這一點，是因為客戶有這樣的需求。他們設計的時候，我不想把客戶的需求過度簡化，但你剛才說的也差不多。可以說，我們提供的軟件和客戶想要實現的功能一樣復雜。但我們是連接這種架構和最終交付的橋梁。如果你能把它實現出來，那就能獲得最終的驗收。

Ian Cutress: 就晶圓代工而言，Rapidus 是業內首家由新晉企業打造的領先晶圓代工廠，我敢說這或許是我有生之年最后一次見到這種情況了！從您的角度來看，與一家擁有 20 年經驗的公司合作開發前沿知識產權，是否會面臨更多挑戰？您能否詳細介紹一下您是如何與 Rapidus 合作的？

Sassine Ghazi:我們與Rapidus的合作關系非常棒。我跟日本團隊交流時說過，Rapidus對我們來說是一份寶貴的禮物，尤其是在日本市場作為起點的情況下。當然，他們不會僅僅是一家服務于日本市場的晶圓代工廠；他們的目標是成為一家全球晶圓代工廠。之所以說這是一份禮物，從技術角度來看，是因為他們與IBM在工藝技術方面有合作關系。我們有一種名為TCAD（技術計算機輔助設計）的技術，可以在技術處于研發階段時對器件和工藝技術進行建模。也就是說，在接近量產之前，我們就開始與Rapidus合作。隨著技術的成熟，在制作測試芯片時，設計表示形式是PDK（工藝開發套件），從0.1 PDK開始，然后逐步升級到0.5、0.7等等。因此，我們一直與他們密切合作，從工藝層面（包括EDA和設計）到IP開發。

Ian Cutress: 但是，因為他們是行業新人，情況會因此而改變嗎？因為你剛才描述的情況，正是每個代工廠推出新節點時都會做的事情。

Sassine Ghazi:當然。其他代工廠都是逐個節點開發——這其中存在著漸進式和累積式的學習過程。而我們這里，部分累積式的學習來自于與IBM的合作。當然，由于這是他們開發的第一個節點，所以耗時更長。Rapidus后續的節點將與其他代工廠的節點完全相同。從Synopsys的投資角度來看，這筆投資更高，但這正是我們能為這家代工廠帶來巨大價值的地方：我們的工具已經應用了從平面到FinFET再到環柵（GAA）的各種技術，所以我們的產品并不需要重新發明輪子。

Ian Cutress: 如果回顧十年前，我們討論過未來二十年EDA的發展趨勢，我們可能會說，預計未來會與現在大同小異，只是會有小幅增長。但現在，我們在多物理場、3DIC、驗證和仿真方面有了新的自由度。那么問題就變成了：未來五年會是什么樣子？

Sassine Ghazi:我們去年分享智能體人工智能框架的原因在于，我們毫不懷疑它蘊藏著巨大的機遇。我們在2020年將強化學習引入產品，并面向市場全面推廣，而我們早在2017年就開始對其進行投資。回顧過去三年，模型創新的速度、模型編排方式的演進以及它所帶來的機遇都令人難以置信。我們路線圖的重要組成部分是審視整個芯片工作流程，并思考哪些部分可以分配給智能體。我們稱他們為智能體工程師。智能體可以管理其他智能體，也就是編排這些智能體。我們今天早些時候發布的是多智能體自適應動態編排的第一階段。這些智能體在處理新數據和新需求的過程中不斷學習，并學習如何實現最終目標。創新將持續高速發展。關鍵在于，也是我們投入的重點，就是讓 Synopsys 的每個部分、每個產品、每個求解器都能與最新的 AI 技術（如強化學習或其他可用技術）協同工作。

Ian Cutress: 所以你的意思是，一個智能體調用求解器，得到一個結果，檢查這個結果，然后可能再次調用求解器，如此迭代學習？

Sassine Ghazi:沒錯。我們現在擁有的是任務agent，或者說agent工程師，人類工程師給它們分配任務，它們執行任務并返回結果，然后人類工程師進行修改等等。這里有一個認知層，編排層可以自適應；我們與微軟、英偉達和其他公司就此展開合作。他們在認知層和編排層方面進展迅速，做得非常出色。所以我們并不是要重新發明現有的東西，而是要思考如何利用我們的核心資產——求解器——并引入人工智能來加速這一過程。

與 Cadence CEO Anirudh Devgan 的問答

Cadence 近年來一直致力于拓展 EDA 的含義，不斷向上延伸至系統設計、數字孿生、機器人技術，以及如今的智能體 AI。然而，盡管更廣泛的 AI 市場仍在爭論輔助駕駛、封裝器和工作流自動化等問題，但對于工程軟件而言，更值得關注的問題是：這些模型能否真正融入設計環境本身？這意味著，我們不僅要與工具交互，還要理解流程，在細粒度層面調用引擎，并將數十年來積累的軟件基礎設施轉化為一個更像團隊協作而非獨立產品的系統。

在今年的年度盛會 CadenceLIVE 上，該公司著重強調了這一點。幾個月前，該公司發布了 ChipStack，這是其工具的全新編排層。在 ChipStack 的頂層，一個主agent可以訪問五個超級agent，每個超級agent負責芯片設計工作流程的不同環節。每個超級agent都能夠訪問其他微模型，并隨著時間的推移不斷學習新技能，從而幫助架構師和芯片設計師在模擬和數字領域改進和迭代他們的設計。Cadence 認為，正是這種芯片設計方法將極大地推動當前的芯片設計進程，從而提高產品性能和產品可用性 (PPA)，并縮短產品上市時間。

在這樣的背景下，我們與 Cadence 首席執行官 Anirudh Devgan 展開了討論。討論的重點是該公司如何看待智能體設計的發展，如何為這種轉變定價，為什么認為編排應該由工具供應商而不是客戶或通用模型提供商負責，以及所有這些接下來可能在物理人工智能、科學發現、機器人和更廣泛的系統設計堆棧中走向何方。

Q：與使用按核心數或按席位許可的 EDA 工具相比，采用agents方法后，你們的定價方式有何變化？這種變化趨勢如何？

Anirudh Devgan：將會出現三件事。agents將被用作工具（以許可證的形式出售），因此許可證需求應該會上升。許可證數量已經在略有增長，這仍然支撐著傳統的商業模式。

然后新增了兩個層。頂層更接近LLM經濟學，采用基于消費的定價模式。我們已經對新客戶進行了測試，他們也樂于接受。智能體層也承擔了EDA以前從未真正做過的工作，例如編寫RTL或生成驗證代碼。這增強了人類的能力。

所以這里實際上有兩種新模式。一種是按agents收費，大致基于一個人能完成的工作量。另一種是消費模式。如果一個agent能完成十個區塊而不是一個，那么消費額就會相應增加。

所以，按agents付費是新的模式，消費量也是新的模式，與此同時，對傳統基礎許可證的需求卻在增加。我和一些大公司的CEO以及主要客戶交流時，只要能帶來明顯的價值，他們都能接受這種模式。他們寧愿為此付費，也不愿雇傭更多的人。這一點很重要。

Q：在您描繪的未來藍圖中，科學人工智能出現得較晚，但在某些方面，它已經發生了。傳統上，我們看到科學發現與超級計算緊密相連，現在量子計算也經常在這個背景下被討論。為什么要把人工智能的出現時間安排得比現在晚一些呢？

Anirudh Devgan：有這些事情都已經發生了。有些人確實會這樣談論它們。對我來說，這更多的是一個臨界規模的問題。這就像機器人技術的發展一樣。

這些事情的發展速度并不相同，藥物研發的速度也遠不及機器人技術。我們已經與所有大型制藥公司展開合作，可能是排名前十五或二十的公司。所以，藥物研發正在發生。但它仍需達到突破性進展。LLM已經達到了突破性進展。機器人技術也正在朝著這個方向發展。科學發展則需要更長時間。一旦達到臨界規模，其規模甚至可能超過機器人技術或物理人工智能。它可能成為一個價值數萬億美元的機遇。

對我而言，2026年才是物理人工智能真正開始的一年。過去幾年最偉大的發明是自動駕駛。藥物研發和醫學最終可能會比自動駕駛更重要，但這取決于它們發展到何種程度的速度。

這不僅僅是人工智能，而是人工智能加上定制硬件。最大的突破在于自動駕駛，無論是Waymo還是特斯拉都證明了這一點。五年后，開車的人數可能會比現在少得多。如果汽車能夠自動駕駛，那么最終船舶、無人機和國防系統也能實現自動駕駛。無人機時代即將到來，而工業機器人或許會率先實現自動駕駛。

所以，物理人工智能已經開始走上逃逸速度曲線了。雖然可能并非人人都能察覺，但它正在加速發展。在制藥領域，進展可能更側重于藥物本身，也更取決于具體問題。我們已經可以進行候選藥物篩選，但藥物或材料科學的真正突破還需要更多時間。如果你說一切都在同時發生，沒人會相信。這其實是一個時機問題。

Q：為什么編排是一個計算上如此復雜的問題？與那些自行構建agent的公司相比，你們的優勢是什么？而且，Jensen或許想用你的軟件，但其他公司也會提供通用的智能體。如果編排層實際上是在協調一組懂得如何使用工具的獨立智能體，那么為什么這會是你擅長的領域呢？如今，這種編排通常只是人與人之間以及會議之間的協調。我不確定你相比其他來自通用計算軟件領域的公司有什么優勢。

Anirudh Devgan：實際上，有三種類型的實體可以在頂層進行協調。可能是我們。可能是客戶，他們已經在做一些這方面的工作了。也可能是普通的LLM提供商。

我們認為我們能做到最好，原因很簡單。首先，我們可以通過API以非常精細的方式調用工具。像NVIDIA這樣的客戶會編寫自己的agent，LLM公司也會與工具交互，但通常只是在更基礎的層面上。而我們可以深入了解引擎內部。我們對軟件細節的了解遠比我們深入，這是一個根本性的優勢。

其次，我們擁有正確的思維模型。我們了解芯片堆棧和特定領域的細節。客戶肯定會編寫自己的agent。他們已經在這么做了。agent流程實際上是對設計流程的更佳編排。實現工具已經具備特定的接口，而且每家公司都有自己調用我們工具的方式。他們仍然會這樣做，但現在他們可以使用agent來實現。

所以，沒錯，會有很多agent。客戶會擁有自己的agent。但大型agent，也就是負責廣泛編排的agent，將由我們來完成。當我們向客戶展示我們的技術棧時，他們通常不想自己重新實現整個大型功能。他們可能需要特定領域的功能，但不需要完整的功能。這就是我預見到的情況。我們希望確保客戶可以使用我們的agent，或者在需要時調用他們自己的agent。但主要工作將在我們的超級agent中完成。我們已經向許多客戶展示了這一點，構建它需要大量的工作。

至于LLM公司，他們需要工具和領域知識。他們會不斷改進模型，也可能涉足網絡安全等特定領域，但他們在這個領域的數據不足。在我與查理（博通）或詹森（英偉達）的所有交流中，他們都表示自己已經有很多工作要做。他們在物理設計、模擬電路、數字電路等方面都面臨著巨大的挑戰。他們沒有必要親自處理整個LLM層。對于某些特定的芯片，他們或許會有自己的agent，但我們也會有自己的agent。

Q：如果客戶想要直接訪問這些 API 怎么辦？

Anirudh Devgan：你需要一個完整的研發團隊才能做到這一點。即使使用目前的接口，我們也能訪問更深層次的信息。你需要了解歷史和算法。大型公司通常不愿意深入到那個層面。

我們已經向許多公司展示了這一點。真正的問題是，為什么EDA公司在經歷了三十多年的工作流程和工具發展之后，現在才能做到這一點？我們一直都希望實現更高的自動化程度，但以前沒有算法可以將知識和工作流程自動化結合起來。現在有了。

我將展示一些實際的演示。我們需要具備技能的智能體和模型。硬件也很重要。我們擁有該領域特有的數據、知識和接口。

Q：您說的流程內部編排是指功能、疊加層還是交接？如果是的話，是否僅限于Cadence工具內部？有些設計會使用多家公司的工具來實現不同的功能。這種情況該如何運作？

Anirudh Devgan：我們稱之為AgentStack的整體流程遠不止RTL那么簡單。它包含龐大的后端組件，我們的IP團隊也對此感到非常興奮。IP的盈利能力不如EDA，但有了這類工具，我們就能像一個兩倍規模的團隊一樣高效運作。它也成為了我們混合信號IP的理想環境。這就是我強調這個技術棧的原因。

客戶可以自行編寫agent程序，也可以根據需要從其他模型中調用agent程序，他們還可以編寫自己的技能。至于工具的混合使用，我們還需要觀察。他們也可以根據需要調用其他agent程序。但我們的目標是確保我們擁有最好的工具和最好的agent程序。

隨著工作流程日益緊密，垂直整合的趨勢也將更加明顯。過去，企業可能需要在不同的供應商之間建立曲折的流程。而現在，我們正朝著更加垂直化的流程發展。這部分原因在于高級節點更加復雜，部分原因也在于人工智能使得更緊密的集成更具價值。

很可能出現的情況是，不同流程之間在高層設計上仍會出現一些分裂。但我們的目標是打造最佳的PPA（支付服務提供商），不僅是最佳的agent層，還有最佳的基礎工具。我們希望成為高端之選。系統越復雜，垂直整合的需求就越大。

Q：您是否有計劃或概念，讓一哥主要agent來統籌一切？

Anirudh Devgan：這就是我們的AgentStack。它是超級agent的頭部agent。它是一個agent層級結構。AgentStack下有五個超級agent，每個超級agent下又有二三十個agent，因為每個工具最終都會有一個agent接口。但AgentStack是頭部agent。

Q：二十年來，我們一直在討論EDA如何引領系統之系統設計。除了你們正在進行的投資之外，還有哪些因素可以幫助Cadence成為領先于其他工具的領軍者？這里說的領先者不僅指其他EDA廠商，也指所有試圖引導跨領域工作流程的機構。

Anirudh Devgan：歸根結底，還是要看誰能提供最佳解決方案。我們對超級agent非常有信心。我們需要一個總agent來統籌所有超級agent，而且我們需要確保總agent的運作方式保持一致。但最終，真正的區別在于超級agent的質量和規模。它們的復雜程度與基礎探索性數據分析工具本身不相上下。

另一個重要的因素是我們的客戶群。我們最大的70到80家客戶貢獻了我們大部分的收入。這與SaaS業務截然不同。而且，人們常常忽略的一點是，我們每周都會與這些公司召開多次研發會議。

在工程軟件領域，客戶每周都會告訴我們他們的需求，他們想要的是超級智能體。對他們來說，從零開始編寫這些智能體是浪費時間。如果我們組建了合適的團隊，運用了合適的技術，并且做得足夠好，他們就沒有理由不采用我們的產品。我們的客戶希望我們來開發它。

對另一些人來說，這就變成了一個將各個層組合起來的數學問題。例如，所有LLM公司都來找我們洽談。機會在于用自動化取代人工操作。我們向客戶展示了我們的模擬堆棧，并演示了如何實現他們現有工作的自動化。最終，最好的產品勝出。

Q：您能談談數字孿生以及人工智能數據中心以外的市場嗎？

Anirudh Devgan：我們已經看到超大規模數據中心在這方面取得了不錯的成果。另一個主要領域是機器人技術。我們進行收購的原因之一是，如果機器人技術市場規模達到2500億美元，那么模擬與現實之間的差距就必須大幅縮小。

Atoms 的方法最為精準。如果你看看像 NVIDIA 的 Isaac 或 Google 的 MuJoCo 這樣的環境，它們雖然不斷改進物理引擎，但本質上仍然是游戲物理。這種物理引擎擅長處理運動，但并不總是能勝任細致的交互。最精準的多體動力學來自 Atoms（一家被 Cadence 收購的公司）。過去的問題在于速度，但現在我們已經可以接近實時了。

當我與機器人公司交流時，他們面臨的最大挑戰之一是最后那一毫米的動態過程，也就是物體被抓取或變形的瞬間。而數字孿生技術正是在這方面發揮著至關重要的作用。這是我們首先關注的重點。

另一個領域是無人機的計算流體動力學 (CFD)。我們曾與波音公司合作開展一個項目，結果顯示，由于仿真耗時過長，實際完成的仿真量僅占預期的 20% 左右。現在，借助我們的軟件和 GPU，我們可以加速部分仿真過程。因此，物理人工智能領域，包括 CFD 和航空航天領域，彌合仿真與實際應用之間的差距，蘊藏著巨大的機遇。

Q：所有 EDA 公司都已進行投資，以擴大其服務范圍，使其超越傳統的芯片設計公司。除了您目前合作的七八十家公司之外，這種服務在多大程度上能夠普及？尤其是在agent和更廣泛的生態系統方面？對于那些想要從事芯片設計但尚不了解相關技術或缺乏資源的新興公司，情況又如何呢？

Anirudh Devgan：2018年進軍系統領域的決定可以歸咎于我。但現在是2026年，很多事情都發生了變化。我們當時想進入系統領域并實現多元化發展，而且這其中存在協同效應。我仍然喜歡系統設計自動化（SDA），但工程設計自動化（EDA）的價值要高得多。我們需要專注于核心業務，也就是智能體流程。

SDA固然不錯，但它只是其中的一部分。3DIC很有意思，機器人技術也很有意思。我們現在的SDA業務規模超過十億美元，而且還在增長。但EDA領域的機遇正在以前所未有的速度重新涌現。

如果我們能夠利用智能體工作流程實現更多EDA自動化，那么大型系統公司就能生產更多芯片，并將業務拓展到數據中心以外的機器人等領域。因此，在智能體領域，核心業務蘊藏著巨大的機遇。更多系統公司將生產芯片，而我們這邊也將實現更多自動化。

我們仍然會按比例投資于這些相關領域，以免錯失良機，但EDA仍然是我們的核心業務。大約80%的業務活動仍然集中在芯片設計領域。客戶的功能也得到了極大的提升。我們或許只比十年前進步了一百倍，但仍有十倍的提升空間。例如，汽車公司希望設計更多種類的芯片。

Q：Agentic是今年的熱門話題。您的客戶在采用Agentic的階段處于什么位置？是早期階段嗎？

Anirudh Devgan：現在還早。很多目前都在與小型agent合作。這取決于公司。實際上，對我們和他們來說，業務增長顯著提升都只是最近六個月的事。

這就是我們收購 ChipStack 的原因。我們二月份正式推出產品，現在正與客戶進行更深入的交流。但發展速度非常快。自動化帶來的價值正在逐步實現。

所以，沒錯，現在還處于早期階段，但大家對此表現出了極大的興趣。他們并沒有自己開發所有功能，而是委托我們來做，而我們已經領先一步。雖然現在還處于早期階段，但他們希望將這些功能集成到他們的環境中。

例如，使用 VeraStack，您可以從 Claude 調用它，但由于我們已經將其與 Virtuoso 集成了關鍵 API，因此客戶更喜歡通過我們來操作。

如果您愿意，我現在可以按照您通常的轉錄風格進行下一輪整理，這意味著更簡潔的引言、更輕柔的答案清理，以及發言者標簽的格式與您通常使用的格式完全一致。

（來源：編譯自morethanmoore）

*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。

今天是《半導體行業觀察》為您分享的第4378內容，歡迎關注。

加星標??第一時間看推送

求推薦