在半導體設計領域，人工智能（AI）正逐漸成為推動行業變革的核心力量。然而，當前EDA（電子設計自動化）工具的發展卻面臨架構級工具缺失的困境，這使得構建完整的智能體設計流程變得異常艱難。工具與方法論本應相輔相成，但工具的滯后正在制約方法論的創新，尤其是在流程整合與數據互操作性方面，行業亟需突破性進展。
EDA領域的AI應用初期多聚焦于單一工具，僅處理單一抽象層級的數據，無需考慮跨工具協作。但隨著行業向流程化、方法論化轉型，這種簡化模式已難以適應需求。AI在流程前端的價值尤為突出，例如規格制定、架構設計和驗證計劃階段，這些環節的決策直接影響設計質量，而AI的介入可顯著提升效率。相比之下，后端設計因約束嚴格、風險較高，AI的應用空間相對有限。然而，前端工具開發長期被忽視，部分原因在于參與人數少、投入產出比低，導致行業在這一領域的積累薄弱。
抽象表達方式的碎片化是另一大障礙。學術界曾多次嘗試統一標準，例如電子系統級（ESL）工具在1990至2000年代經歷多次迭代，但最終未能普及。SystemC雖引入非定時與近似定時模型，卻僅在高層次綜合（HLS）工具中得到有限應用。這種局面為AI方法論的構建帶來挑戰，但也催生了新的思路——通過AI實現跨抽象層級的雙向關聯，將前端規格與后端RTL（寄存器傳輸級）設計無縫銜接。目前，多家大型半導體公司正積極探索這一方向，試圖以此建立競爭優勢。
數據多樣性是EDA智能體流程的核心支撐，但數據的適用性與時效性仍待驗證。Cadence院士Badarinath Kommandur指出，歷史設計數據（如協議IP的完整開發記錄）可用于訓練AI模型，但面對全新接口標準時，模型能否快速生成可量產的方案仍是未知數。Normal Computing的AI工程師Doyun Kim強調，數字設計涉及SystemC、RTL、門級網表等多個階段，每個階段的數據類型各異，AI需在早期階段預測后期結果，以減少高成本迭代。然而，隨著設計流程推進，自由度逐漸降低，流片前的AI應用空間因風險較高而受限。
跨抽象層級工作需要綜合不同類型的數據。Moores Lab AI創始人Shelly Henry表示，知識數據庫需同時提供設計的細節視圖（如結構、行為、驗證需求）和流程的全局視圖，以支持AI在完整流水線中推理。目前已有團隊嘗試從設計架構和RTL中提取關鍵信息，構建可自動生成驗證環境的智能體。然而，“左移”策略（即在早期獲得估算值）面臨泛化難題：同類IP的預測效果較好，但不同類別IP因參數差異大、訓練數據匱乏，預測精度難以保證。大語言模型能否覆蓋此類復雜場景，仍是行業熱議的焦點。
行業普遍認為，EDA的終極目標是實現從規格到優化設計的全智能體流程。IC Manage CEO Dean Drako設想，未來設計師只需提供參數和規格文檔，系統即可自動完成設計。但這一愿景的實現依賴后端專業知識的整合。Cadence的Kommandur指出，設計團隊的核心知識集中在少數專家手中，如何將這些知識嵌入AI框架，使普通設計師也能高效應用，是當前的關鍵挑戰。Synopsys產品經理Jeff Tharp則提出，降階模型（ROM）是未來方向，需開發高精度、跨物理場和跨尺度的ROM，以支持復雜系統的虛擬裝配。
數據不足與工具演進是另一重障礙。Doyun Kim提到，歷史數據中包含大量失敗案例或未采用方案，如何提取有價值信息至關重要。工具版本和工藝設計套件（PDK）的更新導致歷史數據可用性下降，而項目結構的差異也增加了數據整合的難度。南安普頓大學研究員Simon Davidmann認為，單靠企業或初創公司難以完成這一任務，未來需通過協作或開源模式，與大型AI公司合作或吸引其投資。
在標準尚未確立前，AI需持續應對多樣化數據的挑戰。Doyun Kim表示，近年AI模型的進步使其能處理非標準化數據，但EDA數據的體量與復雜性是否在可控范圍內，仍是未知數。處理此類數據可能消耗大量計算資源。Normal Computing的Srinivasan認為，數據開放比正式標準更重要，只要數據可訪問且基于文本，AI系統即可適配不同工具的格式。然而，EDA廠商是否愿意開放數據，仍是決定AI原生設計流程普及速度的關鍵因素。
目前，大型半導體公司因擁有數據、流程和商業動機，最有可能率先實現智能體流程的突破。這一優勢將為其帶來短期競爭優勢，直至競爭對手具備類似能力。屆時，技術可能轉移至EDA公司進行產品化。在此之前，EDA廠商需從工具中提取必要信息，支持智能體指令，并推動行業標準化進程，以共同釋放AI在半導體設計領域的潛力。
