OpenAI首款自研推理晶片Jalapeño的實測結果公佈後，AI參與晶片設計的能力引發熱議。該晶片從初始設計到tapeout僅用9個月，且由OpenAI與博通（Broadcom）共同開發，並非完全由AI獨立設計。這一“不完整”恰好將“從AI參與設計到AI獨立造芯”的差距推向台前。在近日舉行的CadenceLIVE 2026上，Cadence資深副總裁兼數字與籤核事業部總經理滕晉慶給出了兩個看似矛盾的判斷：AI EDA短期內有可能讓晶片設計效率接近翻倍，但至少未來五年，他仍看不到只憑AI就能生成一顆可用晶片。這意味著，AI EDA的拐點可能不會以“無人設計晶片”的方式出現，更早發生的變化是晶片設計從“工程師操作一組EDA工具”轉向“工程師定義目標，讓Agent呼叫整套工具鏈”。

滕晉慶將AI帶來的加速拆成兩部分：一是縮短工具Runtime，減少每次設計迭代所需的時間；二是提升工程師生產力，讓一名工程師負責更多Partition。他估算，如果將Runtime和工程投入分別按減少約30%計算，兩者疊加後，完成相同任務的時間約為原來的49%，對應設計效率接近翻倍。但他也指出，這並不包含晶圓廠排期、板卡開發及量產等後續環節，且晶片複雜度翻倍會部分抵消效率紅利。Cadence副總裁、中國區總經理汪曉煜補充，客戶的組織架構、團隊分工和協作方式能否適配Agent，會直接影響最終效果，工具側即便有兩倍提升，部署到客戶內部後也可能明顯打折。

在真實專案中，AI EDA的效率提升已顯現。汪曉煜介紹，某客戶一個較大的Subsystem採用傳統設計驗證方法約需5周，使用ChipStack後約1天完成；另一個4nm高效能CPU Core的設計收斂案例中，AI取得了接近資深工程師的結果，同時減少了人工分析日誌、調整約束和重複啟動流程的時間。這些案例表明，AI EDA已越過演示階段，開始進入真實晶片工程流程。

既然效率已可接近翻倍，為何不能讓AI直接完成整顆晶片？滕晉慶判斷，對於結構簡單、無需追求極致效能的設計區域，70%—90%有機會實現自動化，但CPU、GPU、NPU以及存在嚴重擁塞的關鍵Block，仍需要資深工程師介入。決定晶片效能上限的，往往不是大面積的簡單區域，而是其中最困難、最依賴專家經驗的10%左右。汪曉煜強調，“把一個RISC-V設計從頭跑到GDS，只能證明流程可以跑”，真正的問題是能否做出一顆有競爭力的CPU。能跑通流程不等於能流片，能流片不等於能量產，能量產也不等於有商業競爭力。

從現狀到全自動設計，AI EDA還需跨過三道門檻。第一道是多Agent協同。頭部公司內部已出現大量針對不同任務的小Agent，但如何把這些“小蘑菇”熬成一鍋能協同工作的“蘑菇湯”是難點。Cadence的AI研發由CEO Anirudh Devgan親自推動，採用自上而下的研發規劃和跨產品線協同，最終落在AgentStack上，由其統籌覆蓋前端、模擬設計、數字實現與籤核等環節的Super Agent。不過，當前端、驗證、後端和Signoff Agent給出衝突判斷時，系統應相信誰，仍是技術難題。第二道是確定性驗證。大模型認為結果“看起來合理”沒有意義，晶片必須滿足時序、功耗、面積等明確約束，尤其在3nm、2nm乃至1.4nm節點，一次模型幻覺就可能讓整個設計失敗。因此，AI不會繞開傳統EDA的籤核閉環，Agent可自主拆解和執行任務，但最終仍需Tempus、Pegasus等確定性工具確認結果。Cadence強調的“三層蛋糕”邏輯是：AI位於上層，基於物理、數學和電腦科學的核心演算法是中層，底層是提供算力的加速計算平台。AI可放大核心演算法的價值，卻無法補救底層演算法的缺陷。第三道門檻是經濟賬。滕晉慶透露，其團隊今年單月的Token開銷已達到相當高的水平，AI EDA的競爭不只是哪個Agent更聰明，還要計算完成一個設計任務需要多少Token，能否帶來足夠的ROI。這也是他判斷至少未來五年看不到AI獨立生成可用晶片的關鍵。

AI無法取代最難的10%，不意味著晶片工程師的工作不會變化。滕晉慶將“fully automated”定義為把重複性工作自動做對，而不是取代人的創造力。被AI率先壓縮的是記憶選單和命令、編寫指令碼、反覆執行流程、檢視日誌、調整引數等標準化工作，工程師的時間將更多轉向定義問題、做架構和PPA取捨、判斷AI結果是否可信，以及處理最困難的關鍵Block。這也帶來一個更長期的問題：當大量基礎工作被AI完成，新工程師如何成長為專家？汪曉煜強調，半導體基礎知識不能省略，工程師如果不瞭解晶片設計本身，就無法判斷AI的結果，更無法挑戰AI，完成最終決策和Silicon Bring-up。因此，AI降低了使用EDA工具的門檻，卻提高了定義問題和判斷結果的價值，會使用Agent只是起點，能夠挑戰Agent才是從新人走向資深的新路徑。

比工程師分工變化更深的一層，是EDA產品形態和商業模式可能被同時重寫。過去，後端工程師需分別操作Innovus、Tempus、Pegasus等工具，客戶按不同工具、Feature、Copy和License採購。AgentStack成為統一入口後，工程師面對的或許只有一句任務描述：“把這個Block最佳化到指定的PPA目標。”工具不會消失，但會退到Agent背後。當用戶越來越少感知具體工具，繼續按單個工具和特性收費就會受到挑戰。滕晉慶透露，Cadence CEO及管理層已在討論Agent能力如何商業化，一種可能是採用Token-based模式，並根據Agent給工程師帶來的生產力價值收費，但這還不是最終決定。汪曉煜表示，不同產品線對是否採用統一商業模式仍有不同意見，新模式推出後也可能繼續調整。可以確定的是，Agent業務很難完全沿用過去的License模式，EDA可能從銷售工具使用權，逐漸轉向按用量、生產力價值乃至任務結果收費。這也讓Token成本成為EDA公司的新變數，誰能用更少的Token可靠完成更復雜的設計任務，可能成為AI EDA下一階段的重要競爭力。

OpenAI的Jalapeño證明，AI已進入真實晶片的設計與最佳化流程。Cadence的判斷則揭示了另一面：從參與設計到獨立做出有競爭力的晶片，中間仍隔著多Agent協同、確定性驗證、複雜設計和經濟性等多道門檻。未來五年，AI EDA最先兌現的可能不是“無人設計晶片”，而是設計效率接近翻倍，以及工程師的工作重心從操作工具轉向定義問題和判斷結果。隨之變化的，還有EDA公司的產品入口和收費方式。AI EDA真正的拐點，不是AI已經能夠獨立設計一顆晶片，而是工程師開始定義目標，讓Agent替自己操作整套工具鏈。