在半导体设计领域，人工智能（AI）正逐步渗透到设计、实现与验证的各个环节，但当前的发展仍面临诸多挑战。业内普遍认为，构建从规格到优化设计的全智能体流程是未来方向，但这一目标的实现需要突破工具、数据、标准化等多重瓶颈。大型半导体公司凭借数据积累和流程控制能力，目前在这一赛道中占据领先地位，而EDA（电子设计自动化）企业则需在工具开放性与标准化上加速布局。
AI在EDA领域的应用正从单一工具向流程化方法论演进，但前端工具的薄弱环节成为关键突破口。历史数据显示，AI在规格制定、架构定义等前端环节的价值远高于后端——后端设计因约束严格、风险高，留给AI的优化空间有限。然而，前端工具的开发长期被忽视，原因在于其用户群体小、经济效益不显著，且抽象表达方式缺乏行业共识。例如，电子系统级（ESL）工具在1990至2000年代经历多轮开发与淘汰，SystemC模型虽引入高层次综合（HLS）概念，却未能广泛普及。这一现状为AI方法论的构建设置了障碍，但也催生了新的解决思路：通过AI实现抽象层级与寄存器传输级（RTL）的双向关联，成为行业探索的重点。
数据问题成为AI应用的核心掣肘。EDA流程涉及多阶段、多类型数据，从SystemC到门级网表，每个环节产生独特数据格式，且工具版本与工艺设计套件（PDK）的演进导致历史数据可用性下降。Cadence院士Badarinath Kommandur指出，尽管企业积累了多代产品的完整设计数据，但面对全新接口标准时，如何利用这些数据训练AI模型仍无定论。Normal Computing的AI工程师Doyun Kim进一步解释，早期设计“左移”需预测后期性能，但同类IP与异类IP的预测参数差异显著，训练数据匮乏时精度难以保障。历史数据中大量失败案例的价值挖掘、项目结构差异导致的兼容性问题，均需通过技术手段解决。
跨抽象层级的工作依赖多元化数据支撑，而知识数据库的构建成为关键。Moores Lab AI创始人Shelly Henry强调，数据库需同时提供设计细节视图（如结构、行为、验证需求）与流程补充视图，以支持AI智能体在完整流水线中推理。目前已有团队尝试从架构规格和RTL中提取关键信息，推动验证环境自动生成。然而，数据标准化仍是长期挑战。Kim指出，EDA数据在维度与体量上的复杂性远超现有AI模型的处理能力，且处理过程可能消耗极大量Token，扩展性存疑。
商业动机与用户需求是标准化的最终推动力。Vtool首席技术官Olivera Stojanovic表示，当技术价值与用户动机一致时，标准化将自然发生。目前，工程团队对支持AI工作流的开放性期待提升，市场压力正促使EDA供应商采纳开放接口。然而，许多人对EDA行业在API标准化上的收敛持怀疑态度。Srinivasan认为，在大语言模型时代，数据开放性比正式规范更重要——只要数据可访问且基于文本，AI系统即可适配格式差异。真正的竞争点在于，厂商是否认识到开放数据是保持AI原生流程竞争力的更快路径。
当前，大型半导体公司凭借数据积累、流程控制与商业动机，成为AI驱动EDA创新的主要力量。构建从规格出发的智能体流程可为其带来显著竞争优势，直至技术普及化。在此之前，EDA企业需从工具中提取必要信息以响应智能体指令，并推动行业标准化进程。正如多位业内人士所言，颠覆性变革往往始于少数玩家的突破，但最终需通过生态协作实现广泛落地。
