OpenAI首款自研推理芯片Jalapeño的实测结果公布后，AI参与芯片设计的能力引发热议。该芯片从初始设计到tapeout仅用9个月，且由OpenAI与博通（Broadcom）共同开发，并非完全由AI独立设计。这一“不完整”恰好将“从AI参与设计到AI独立造芯”的差距推向台前。在近日举行的CadenceLIVE 2026上，Cadence资深副总裁兼数字与签核事业部总经理滕晋庆给出了两个看似矛盾的判断：AI EDA短期内有可能让芯片设计效率接近翻倍，但至少未来五年，他仍看不到只凭AI就能生成一颗可用芯片。这意味着，AI EDA的拐点可能不会以“无人设计芯片”的方式出现，更早发生的变化是芯片设计从“工程师操作一组EDA工具”转向“工程师定义目标，让Agent调用整套工具链”。

滕晋庆将AI带来的加速拆成两部分：一是缩短工具Runtime，减少每次设计迭代所需的时间；二是提升工程师生产力，让一名工程师负责更多Partition。他估算，如果将Runtime和工程投入分别按减少约30%计算，两者叠加后，完成相同任务的时间约为原来的49%，对应设计效率接近翻倍。但他也指出，这并不包含晶圆厂排期、板卡开发及量产等后续环节，且芯片复杂度翻倍会部分抵消效率红利。Cadence副总裁、中国区总经理汪晓煜补充，客户的组织架构、团队分工和协作方式能否适配Agent，会直接影响最终效果，工具侧即便有两倍提升，部署到客户内部后也可能明显打折。

在真实项目中，AI EDA的效率提升已显现。汪晓煜介绍，某客户一个较大的Subsystem采用传统设计验证方法约需5周，使用ChipStack后约1天完成；另一个4nm高性能CPU Core的设计收敛案例中，AI取得了接近资深工程师的结果，同时减少了人工分析日志、调整约束和重复启动流程的时间。这些案例表明，AI EDA已越过演示阶段，开始进入真实芯片工程流程。

既然效率已可接近翻倍，为何不能让AI直接完成整颗芯片？滕晋庆判断，对于结构简单、无需追求极致性能的设计区域，70%—90%有机会实现自动化，但CPU、GPU、NPU以及存在严重拥塞的关键Block，仍需要资深工程师介入。决定芯片性能上限的，往往不是大面积的简单区域，而是其中最困难、最依赖专家经验的10%左右。汪晓煜强调，“把一个RISC-V设计从头跑到GDS，只能证明流程可以跑”，真正的问题是能否做出一颗有竞争力的CPU。能跑通流程不等于能流片，能流片不等于能量产，能量产也不等于有商业竞争力。

从现状到全自动设计，AI EDA还需跨过三道门槛。第一道是多Agent协同。头部公司内部已出现大量针对不同任务的小Agent，但如何把这些“小蘑菇”熬成一锅能协同工作的“蘑菇汤”是难点。Cadence的AI研发由CEO Anirudh Devgan亲自推动，采用自上而下的研发规划和跨产品线协同，最终落在AgentStack上，由其统筹覆盖前端、模拟设计、数字实现与签核等环节的Super Agent。不过，当前端、验证、后端和Signoff Agent给出冲突判断时，系统应相信谁，仍是技术难题。第二道是确定性验证。大模型认为结果“看起来合理”没有意义，芯片必须满足时序、功耗、面积等明确约束，尤其在3nm、2nm乃至1.4nm节点，一次模型幻觉就可能让整个设计失败。因此，AI不会绕开传统EDA的签核闭环，Agent可自主拆解和执行任务，但最终仍需Tempus、Pegasus等确定性工具确认结果。Cadence强调的“三层蛋糕”逻辑是：AI位于上层，基于物理、数学和计算机科学的核心算法是中层，底层是提供算力的加速计算平台。AI可放大核心算法的价值，却无法补救底层算法的缺陷。第三道门槛是经济账。滕晋庆透露，其团队今年单月的Token开销已达到相当高的水平，AI EDA的竞争不只是哪个Agent更聪明，还要计算完成一个设计任务需要多少Token，能否带来足够的ROI。这也是他判断至少未来五年看不到AI独立生成可用芯片的关键。

AI无法取代最难的10%，不意味着芯片工程师的工作不会变化。滕晋庆将“fully automated”定义为把重复性工作自动做对，而不是取代人的创造力。被AI率先压缩的是记忆菜单和命令、编写脚本、反复运行流程、查看日志、调整参数等标准化工作，工程师的时间将更多转向定义问题、做架构和PPA取舍、判断AI结果是否可信，以及处理最困难的关键Block。这也带来一个更长期的问题：当大量基础工作被AI完成，新工程师如何成长为专家？汪晓煜强调，半导体基础知识不能省略，工程师如果不了解芯片设计本身，就无法判断AI的结果，更无法挑战AI，完成最终决策和Silicon Bring-up。因此，AI降低了使用EDA工具的门槛，却提高了定义问题和判断结果的价值，会使用Agent只是起点，能够挑战Agent才是从新人走向资深的新路径。

比工程师分工变化更深的一层，是EDA产品形态和商业模式可能被同时重写。过去，后端工程师需分别操作Innovus、Tempus、Pegasus等工具，客户按不同工具、Feature、Copy和License采购。AgentStack成为统一入口后，工程师面对的或许只有一句任务描述：“把这个Block优化到指定的PPA目标。”工具不会消失，但会退到Agent背后。当用户越来越少感知具体工具，继续按单个工具和特性收费就会受到挑战。滕晋庆透露，Cadence CEO及管理层已在讨论Agent能力如何商业化，一种可能是采用Token-based模式，并根据Agent给工程师带来的生产力价值收费，但这还不是最终决定。汪晓煜表示，不同产品线对是否采用统一商业模式仍有不同意见，新模式推出后也可能继续调整。可以确定的是，Agent业务很难完全沿用过去的License模式，EDA可能从销售工具使用权，逐渐转向按用量、生产力价值乃至任务结果收费。这也让Token成本成为EDA公司的新变量，谁能用更少的Token可靠完成更复杂的设计任务，可能成为AI EDA下一阶段的重要竞争力。

OpenAI的Jalapeño证明，AI已进入真实芯片的设计与优化流程。Cadence的判断则揭示了另一面：从参与设计到独立做出有竞争力的芯片，中间仍隔着多Agent协同、确定性验证、复杂设计和经济性等多道门槛。未来五年，AI EDA最先兑现的可能不是“无人设计芯片”，而是设计效率接近翻倍，以及工程师的工作重心从操作工具转向定义问题和判断结果。随之变化的，还有EDA公司的产品入口和收费方式。AI EDA真正的拐点，不是AI已经能够独立设计一颗芯片，而是工程师开始定义目标，让Agent替自己操作整套工具链。