在半導體設計領域，人工智能（AI）正逐步滲透到設計、實現與驗證的各個環節，但當前的發展仍面臨諸多挑戰。業內普遍認為，構建從規格到優化設計的全智能體流程是未來方向，但這一目標的實現需要突破工具、數據、標準化等多重瓶頸。大型半導體公司憑借數據積累和流程控制能力，目前在這一賽道中占據領先地位，而EDA（電子設計自動化）企業則需在工具開放性與標準化上加速布局。
AI在EDA領域的應用正從單一工具向流程化方法論演進，但前端工具的薄弱環節成為關鍵突破口。歷史數據顯示，AI在規格制定、架構定義等前端環節的價值遠高于后端——后端設計因約束嚴格、風險高，留給AI的優化空間有限。然而，前端工具的開發長期被忽視，原因在于其用戶群體小、經濟效益不顯著，且抽象表達方式缺乏行業共識。例如，電子系統級（ESL）工具在1990至2000年代經歷多輪開發與淘汰，SystemC模型雖引入高層次綜合（HLS）概念，卻未能廣泛普及。這一現狀為AI方法論的構建設置了障礙，但也催生了新的解決思路：通過AI實現抽象層級與寄存器傳輸級（RTL）的雙向關聯，成為行業探索的重點。
數據問題成為AI應用的核心掣肘。EDA流程涉及多階段、多類型數據，從SystemC到門級網表，每個環節產生獨特數據格式，且工具版本與工藝設計套件（PDK）的演進導致歷史數據可用性下降。Cadence院士Badarinath Kommandur指出，盡管企業積累了多代產品的完整設計數據，但面對全新接口標準時，如何利用這些數據訓練AI模型仍無定論。Normal Computing的AI工程師Doyun Kim進一步解釋，早期設計“左移”需預測后期性能，但同類IP與異類IP的預測參數差異顯著，訓練數據匱乏時精度難以保障。歷史數據中大量失敗案例的價值挖掘、項目結構差異導致的兼容性問題，均需通過技術手段解決。
跨抽象層級的工作依賴多元化數據支撐，而知識數據庫的構建成為關鍵。Moores Lab AI創始人Shelly Henry強調，數據庫需同時提供設計細節視圖（如結構、行為、驗證需求）與流程補充視圖，以支持AI智能體在完整流水線中推理。目前已有團隊嘗試從架構規格和RTL中提取關鍵信息，推動驗證環境自動生成。然而，數據標準化仍是長期挑戰。Kim指出，EDA數據在維度與體量上的復雜性遠超現有AI模型的處理能力，且處理過程可能消耗極大量Token，擴展性存疑。
商業動機與用戶需求是標準化的最終推動力。Vtool首席技術官Olivera Stojanovic表示，當技術價值與用戶動機一致時，標準化將自然發生。目前，工程團隊對支持AI工作流的開放性期待提升，市場壓力正促使EDA供應商采納開放接口。然而，許多人對EDA行業在API標準化上的收斂持懷疑態度。Srinivasan認為，在大語言模型時代，數據開放性比正式規范更重要——只要數據可訪問且基于文本，AI系統即可適配格式差異。真正的競爭點在于，廠商是否認識到開放數據是保持AI原生流程競爭力的更快路徑。
當前，大型半導體公司憑借數據積累、流程控制與商業動機，成為AI驅動EDA創新的主要力量。構建從規格出發的智能體流程可為其帶來顯著競爭優勢，直至技術普及化。在此之前，EDA企業需從工具中提取必要信息以響應智能體指令，并推動行業標準化進程。正如多位業內人士所言，顛覆性變革往往始于少數玩家的突破，但最終需通過生態協作實現廣泛落地。
