AI辅助半导体设计与验证已不再只是概念,而是切实落地的技术现实,正在带来显著的生产力提升。
Synopsys目前已正式推出五款全新的Synopsys.ai副驾驶助手与顾问,向工程师提供专家级别的指导与创作支持。
来自头部半导体企业的数千名用户已在使用这一首创性的生成式AI技术来优化工作流程。据初步反馈,他们在芯片设计方面的效率提升了2至5倍。
当前,半导体行业正面临三重挑战:设计复杂度持续攀升,对支持AI工作负载的计算、存储与互联解决方案需求旺盛;市场竞争加剧,产品上市时间窗口不断压缩;以及人才短缺问题日益突出。
五款全新的Synopsys.ai副驾驶生成式AI应用针对上述挑战提供了覆盖"辅助类"与"创意类"两大方向的解决方案。
辅助类应用
Synopsys.ai副驾驶辅助类应用能够根据用户查询,提供智能化的上下文解答与相关内容,并生成语法与功能均正确的脚本:
知识助手:综合运用商业及开源大语言模型以及专有检索增强生成(RAG)流水线,这款虚拟专家可将获取答案的时间缩短最高70%。它能按需提供答案、建议与上下文支持,涵盖Synopsys EDA全栈的最佳实践与故障排查指南,包括数字设计与签核、模拟与混合信号设计、验证及测试等领域。
工作流助手:适用于PrimeTime与Fusion Compiler,这款直观的零代码效率工具帮助工程团队快速生成并优化脚本,用于自动化、配置和增强设计工作流程。在大多数使用场景下,解决问题的时间可缩短最高60%,在特定场景下甚至可提速最高20倍。此外,它还可自动为现有及新脚本生成文档,帮助新用户快速上手工具或流程。
创意类应用
Synopsys.ai副驾驶创意类应用同样借助大语言模型与专有RAG流水线,重点聚焦于设计与验证加速:
代码顾问:支持从自然语言输入生成RTL代码,并与Euclide集成,提供实时代码检查与正确性验证,加速前端设计周期,快速产出功能正确的代码。早期用户反馈生产力提升最高达30%。
形式验证顾问:直接从文档或自然语言规范生成语法正确的形式验证测试平台,缩短形式验证的周期。该工具可通过VC Formal、Verdi或Visual Studio Code(VS Code)访问,借助迭代式辅助属性生成提升形式收敛效果。早期用户反馈生产力提升达4至5倍。
代码规范顾问:用户可自动修复代码规范违规问题,并基于自然语言规则发现新缺陷。该工具与VC SpyGlass及Verdi协同运作,加速代码规范合规的RTL生成,支持多文件自动修复与内联编辑。
迈向更广阔的AI愿景
Synopsys持续在全栈范围内推动AI能力创新,始终引领行业前沿。将上述五款Synopsys.ai副驾驶生成式AI应用正式商业化,是其在芯片设计领域更宏大AI愿景中的重要基础一步。
这一愿景还涵盖AgentEngineer(TM)技术——专为自主执行工程工作流程而构建和训练的智能体与多智能体系统。在Synopsys Converge 2026大会上,公司展示了业界首个由AgentEngineer技术驱动的L4级编排、多智能体、自适应学习芯片设计工作流程。
Synopsys正在构建一种全新范式,赋能工程团队提升设计质量,释放更多时间投入高价值工作,并持续推动下一代芯片设计的创新,重新定义半导体行业的可能边界。
Q&A
Q1:Synopsys.ai副驾驶有哪些具体功能?
A:Synopsys.ai副驾驶共包含五款应用,分为辅助类与创意类两大方向。辅助类包括知识助手(提供最高70%更快的答案响应)和工作流助手(脚本生成与优化);创意类包括代码顾问(自然语言生成RTL代码)、形式验证顾问(自动生成验证测试平台)以及代码规范顾问(自动修复违规并发现新缺陷)。整体可帮助工程师实现2至5倍的芯片设计效率提升。
Q2:AgentEngineer(TM)技术和Synopsys.ai副驾驶有什么区别?
A:Synopsys.ai副驾驶是目前已商业化的生成式AI辅助工具,面向工程师的日常设计与验证工作;而AgentEngineer(TM)技术则代表更前沿的方向,专注于构建能够自主执行工程工作流程的智能体与多智能体系统。在Synopsys Converge 2026上,公司已演示了业界首个基于该技术的L4级多智能体自适应学习芯片设计工作流程,属于Synopsys更长远AI愿景的组成部分。
Q3:Synopsys.ai副驾驶适合哪些用户使用?
A:Synopsys.ai副驾驶面向半导体行业的芯片设计工程师,尤其适合使用Synopsys EDA工具链的团队。无论是有经验的工程师希望提升效率,还是新用户需要快速上手工具与流程,都能从中受益。目前已有来自头部半导体企业的数千名用户在使用,涵盖数字设计、模拟设计、验证、测试等多个专业领域。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。