2025年6月15日，CCF YOCSEF南京钟山论剑观点论坛——“AI赋能芯片设计自动化：机遇与挑战”在南京举办，30余位高校专家学者、集成电路企业相关工作者，围绕AI赋能芯片设计的技术可行性、工程化落地以及产业生态协同等方面展开深入讨论。论坛由YOCSEF南京AC主席朱光辉（南京大学）和YOCSEF南京委员杜源（南京大学）作为执行主席共同主持。

论坛开始，朱光辉首先介绍了CCF YOCSEF的文化和定位，通过计算机学术、产业、技术和社会热点问题的思辨，提升成员能力，承担社会责任。随后，朱光辉指出AI+已成为各行各业数智化转型的趋势。芯片设计作为传统行业，严重依赖经验，流程复杂、技术门槛高、设计效率低、周期长，AI赋能的芯片设计自动化能够为芯片设计领域带来新的机遇，通过经验驱动到数据智能驱动，革新芯片设计范式，达到减少人工参与、提升设计效率、缩短设计周期的目标，具有广阔的应用价值和落地空间。接着，杜源介绍了芯片设计的整体流程，包括前端设计和后端设计，并且分享了国内外AI赋能芯片设计的代表性工作，例如英伟达ChipNeMo大模型、谷歌AlphaChip、中国科学院计算所全自动AI芯片设计系统“启蒙”，并指出中美博弈的趋势下，AI+EDA将为国产EDA注入更多的机遇。

引导发言

论坛邀请了学界和业界的三位引导嘉宾，他们基于自身的丰富经验，分别从EDA行业发展现状、AI赋能芯片设计的应用场景与关键技术以及AI技术在电路设计中的具体应用案例等多个角度，带来了精彩的引导发言，也为后续的思辨环节奠定了坚实的思辨基础。

赵康（北京邮电大学教授，集成电路学院EDA中心负责人）分享了如何在EDA工具中应用结合人工智能技术。他首先从系统级设计、高层次综合、逻辑综合、版图布图、ASIC布局以及物理验证等方面，介绍AI赋能EDA的案例以及技术方法。接着，介绍了AI在EDA领域的四种主要应用方式：跨阶段预测与优化、黑盒组合优化、多目标优化以及基于大模型的电路生成。最后，他指出成功应用到实际芯片设计的AI方法屈指可数，主要落地难点在于EDA工具需要确定性输出以及满足特定工艺约束的确定性规则，而AI技术内在的不确定性，可能导致同一输入在不同运行下产生不同结果。另外，AI在产业应用中多处于前端设计，尚未深入到版图验证、DRC校验等关键环节，这也限制了其在实际生产中的广泛应用。另外，芯片设计还需要考虑延时以及资源利用率等多个目标，赵康也提出了使用AI解决多目标优化问题的挑战与思考。

钱超（南京大学教授、院长助理、国家级青年人才）介绍了在黑盒优化领域的研究成果及其在芯片设计自动化中的应用。钱超专注于芯片布局，芯片布局是一个典型的黑盒优化问题，例如目标函数黑箱、评估昂贵、优化目标多样以及芯片元件规模庞大。针对芯片布局问题，钱超团队利用演化学习技术，并结合专家知识，设计了一系列芯片自动布局算法，在计算效率以及最终的优化指标上显著优于已有的芯片布局算法，成果已落地应用于华为。随后，钱超介绍了现有AI技术应用于EDA过程中存在的泛化性问题，即AI模型设计大都聚焦于一款芯片，无法将AI模型有效迁移至其他类型芯片，并且分享了他们团队在提升AI模型泛化性的研究探索。最后，钱超结合华为难题揭榜的经验，强调了AI技术应用落地的重要性，通过跨领域合作，能够产生更大的应用价值。

陈熙（南京星火技术有限公司总经理）介绍了射频电路行业及其与AI技术的融合工作。射频电路因其特殊的电路结构和耦合需求，对人工设计依赖度高，AI技术的引入能够显著提升设计效率和减少人力成本，射频电路行业和AI技术的结合具有广阔的市场空间和应用前景。接着，陈熙介绍了团队自研的射频电路领域的大语言模型，并且演示了整合射频工具链、AI大模型以及射频标准数据平台的统一平台，该平台旨在解决射频电路设计多EDA工具组合的问题，通过统一数据格式，打通不同EDA工具之间的数据壁垒，实现AI与EDA工具的双向数据交换。

观点思辨

在中美博弈EDA软件断供的大背景下，AI赋能芯片设计自动化其能否真正成为产业升级的核心引擎？能否助力芯片产业的国产化实现关键突破？针对AI赋能芯片设计自动化的机遇与挑战，本论坛围绕以下核心思辨点展开讨论：

思辨议题一：如何采用AI技术赋能芯片设计的各个环节？技术难点在哪？自动化程度、设计质量、泛化能力究竟能达到何种水平？

思辨嘉宾杜力（南京大学集成电路学院副院长，国家级青年人才）首先指出在AI赋能芯片设计领域，迫切需要客观的开源评测数据集和评测标准，公平地去衡量不同AI算法的好坏，并且能够实现和人工经验的比较。而且，学界所采用的开源数据集大都是EDA竞赛数据集，数据规模和多样性较低，和业界实际应用场景差距较大，需要建立EDA领域的“ImageNet”，推动AI在芯片设计领域的发展和应用。

在思辨嘉宾的启发下，与会嘉宾积极思辨发言，观点提炼如下：

• 观点1：与大语言模型训练不同，芯片硬件代码生成大模型缺少高质量的训练数据集。一方面是开源硬件的概念出现较晚，开源的硬件代码（如RTL代码）本身数据量就比较少。另一方面是数据质量问题，RTL代码的验证需要耗费巨大的人力，而且专业性高。

• 观点2：芯片硬件代码生成大模型缺少开源的而且具有一定挑战性的Benchmark，现有的RTLLM Benchmark复杂度较低、模型输出结果缺少更准确的验证，需要复杂度更高、挑战性更大的开源Benchmark，能够更全面地验证模型的性能和适用性，推动硬件代码生成大模型的发展。

• 观点3：芯片行业是一个高价值行业，而且一些数据（如代工厂的PDK，Process Design Kit）本身就涉密，由于利益和版权问题，企业不愿分享数据，而且不同厂商的数据格式也不统一，导致构建大规模开源数据集难度很大，需要通过EDA国创中心、国家“芯火”双创平台以及EDA开放创新合作机制（简称EDA²）等平台牵头，联合高校和EDA企业，通过竞赛以及合作共赢的方式，共同打造高质量的开源数据集。

• 观点4：由于不同厂商的工艺和设计工具（如PDK）的差异，建立通用的数据结构和模型存在难度，能够通过AI技术直接指导芯片设计的底层工艺，从而跳过现有晶圆厂PDK工程文件的限制，以降低试错成本并提升设计效率，这是AI赋能EDA的一个潜在方向，并且具有很好的落地应用价值。

• 观点5：芯片设计领域的验证成本较高。由于AI模型存在不确定性，目前AI还无法替代专业工程完成芯片设计工作，更多的是辅助作用。也可以探索一些利用大模型自动生成RTL代码文档的应用场景，这样的应用场景能够更快落地。随着AI能力的增强，逐渐实现协助甚至部分替代设计工程师完成一些基础工作，比如代码自动生成和参数调优，从而降低人员投入的时间成本。

• 观点6：EDA软件的安装部署非常繁琐，而且需要配置大量的参数。一方面，可以采用EDA上云的方式提升部署效率，但是需要解决数据隐私的问题。另一方面，也可以探索基于AI的参数搜索方法，降低参数配置的技术门槛，实现降本增效。

• 观点7：芯片设计阶段的仿真性能和实际流片后性能存在差异，可以构建AI模型，预测实际流片后的性能，从而更好地指导芯片设计过程，提高流片成功率。这种AI模型可以交由芯片代工厂开发，因为芯片代工厂掌握的数据更为全面，包括芯片版图数据以及实际流片后的性能数据。

• 小结：AI赋能芯片设计仍存在数据壁垒、评估标准缺失、泛化能力差等落地难点。首先，高质量训练数据稀缺，开源硬件代码量少且验证成本高；厂商数据（如PDK）涉密且格式不统一，阻碍数据集构建。其次，缺乏接近工业场景的复杂Benchmark，现有评测数据集规模小、多样性不足。另外，受限于AI的泛化能力以及高昂的验证成本，AI还无法替代专业工程师，更多的是辅助作用。未来，可通过国家平台（EDA国创中心、EDA²）联合高校/企业，以竞赛与合作构建开源数据集；优先落地低风险场景，逐步向代码生成、设计优化延伸；进一步探索AI驱动的参数搜索和性能预测技术、云端EDA工具，降低使用门槛与试错成本。

思辨议题二：AI赋能芯片设计自动化的产业落地现状如何？存在哪些现实壁垒？

思辨嘉宾董伟（中科麒芯智能技术（南京）有限公司董事长）指出芯片设计流程复杂，利用AI技术实现芯片设计全流程自动化几乎不可能，可以在某个点工具（如EDA智能问答、硬件代码生成、版图布局布线）引入AI技术。芯片设计需要构建EDA工具链，通过多款EDA工具协作完成。目前，芯片设计产业最大的痛点在于如何串联不同的国产EDA工具，实现一颗基础款芯片的设计。国内产业界还很难做到，不同国产EDA工具的数据格式不统一，需要打通不同EDA工具之间的数据孤岛，通过串链补链，把EDA工具链打通。

在思辨嘉宾的启发下，与会嘉宾积极思辨发言，观点提炼如下：。

• 观点1：国产EDA的生态环境亟需培养和完善，目前国产EDA要培养用户，可以从学校做起，通过竞赛和免费试用的方式，让用户用起来。然后，再通过用户的反馈，对工具进行迭代优化。

• 观点2：国产EDA工具生态不完善，从科研和AI算法研究的角度来看，AI赋能芯片设计自动化在短期内可以避开国产EDA工具，从而能够更高效地验证AI算法的性能，然后再逐步过渡到全面国产化。

• 观点3：EDA断供的中美博弈大背景下，依赖国外生态链做AI赋能和技术创新已不再可行。AI+EDA是发展趋势，也是国产EDA软件实现弯道超车的机遇，就好比电动车换道。虽然国产EDA工具仍然存在较多的问题，但是未来的中国半导体产业一定要走国产化之路，包括国产算力、国产工具和国产工艺（3C），这是一条无法选择的道路。国内AI研究团队一定要和国产EDA工具开发团队联合攻坚，尽早地和国内EDA公司建立联合团队，帮助国内EDA公司解决问题，这对AI研究团队来讲，也是一个很好的切入机会。

• 观点4：目前在芯片产业界，一些大企业会积极推动AI赋能，比如说EDA国际三巨头、大型半导体设计公司以及芯片代加工厂，因为这些企业拥有非常多的数据。但是，这些企业构建的AI模型大都是私有化模型，主要服务自身的产品和业务。尽管这些大企业在推动AI赋能芯片设计，但是也都是刚刚起步，在应用效果和成熟度方面还存在很多不足，这也是国内半导体行业的机遇。

• 观点5：国内在短期内很难产生EDA巨头，基于AI赋能的EDA点工具插件化是一个很好的商业探索模式。例如基于黑盒优化的自动布线算法，就可以当作芯片布局布线EDA工具的外部模块。一旦这个外部模块具有良好的泛化性和通用性，就可以服务于整个芯片设计产业。但是，EDA点工具如何推广落地、如何形成商业闭环，也是需要进一步考虑的问题。

• 观点6：AI赋能EDA的工具要尽可能打造成通用工具，这样全产业链都将受益于AI技术的发展，可以打造多方参与的协作平台，通过服务更多客户，让每个参与平台的工具提供商都能够收益。

• 小结：当前AI赋能芯片设计自动化聚焦单点工具突破（如硬件代码生成、版图布线），但全流程自动化尚未实现。主要壁垒在于：国产EDA生态割裂，工具链未打通，数据格式不统一形成“孤岛”，EDA工具串联困难；技术自主困境，中美博弈下依赖国外生态不可行，亟需构建国产算力、工具与工艺（3C）体系；商业化瓶颈，国际巨头私有AI模型封闭，国产点工具（如插件化布线算法）缺乏推广路径和盈利模式。未来可从以下方向进行破局：EDA点工具优先，以AI插件形式降低门槛，服务全产业链；生态共建，通过高校竞赛培养用户，联合AI团队与国产EDA企业攻坚，依托国家平台打通工具链；开放协作，打造通用平台实现多方技术共享。短期以点工具切入市场，长期借“3C自主”实现国产化换道超车。

思辨议题三：如何通过多方协同创新，跨越AI赋能芯片设计自动化技术与工程化落地之间的“死亡之谷”，为我国芯片产业发展带来新机遇?

思辨嘉宾王翕（东南大学集成电路学院副教授，国家集成电路自动化设计技术创新中心iDebug项目组负责人）指出AI赋能EDA将为传统EDA行业带来新的机遇，与EDA国产替代不同，AI+EDA存在很多从0到1的创新空间，将会影响整个集成电路行业。然而从学术研究、技术研发到商业化落地，存在很大的鸿沟，需要证明从技术到生产的可行性。但是在EDA断供的大背景下，AI+EDA将会带来很多机会。国家顶层政策上也在积极布局AI+EDA，道路是曲折的，未来肯定是光明的，政策扶持和对未来产业的长远影响力让业界保持积极态度。

在思辨嘉宾的启发下，与会嘉宾积极思辨发言，观点提炼如下：

• 观点1：国产EDA目前存在两个比较大的问题，首先是生态问题，国产EDA不成熟，用户不愿意使用，没有用户的反馈，就很难对EDA工具进行优化。其次芯片设计需要组合多个EDA工具，然而目前国内EDA工具存在无法串链的问题，对于一个完整的芯片设计流程，不同EDA工具（如前端工具、后端工具、仿真工具等）无法串起来，这样导致国产EDA工具难以落地。

• 观点2：国际EDA三巨头经过几十年的发展，EDA工具链比较完善，而且全链条能够打通。然而，在芯片行业全国产化的驱动下，不同EDA工具厂商要“抱团”，在模拟、数字、射频等领域，结合具体的芯片设计需求，打破不同EDA工具之间的数据壁垒，构建EDA工具链，发挥合力，在推动国产EDA软件落地的同时，满足芯片设计客户的需求。

• 观点3：针对新建的工艺线缺少IP（知识产权）的问题，可以探索通过AI技术直接从物理测试数据生成IP，以满足工艺线用户的需求。

• 观点4：在芯片设计自动化的各个环节，如硬件代码生成、版图布局布线以及晶圆厂商PDK的构建等，都存在大量和AI结合的空间和机遇，科研力量一定要主动结合产业，“产学研用”过程中要重点突出“用”，从“用”出发，了解产业实际需求，从产业痛点和产业实际需求切入，进行更有针对性的研究。另外，企业也可以通过竞赛或者揭榜挂帅的方式把问题抛出来，和科研团队协同攻关。

• 观点5：未来5到10年是科技创业的黄金时期，在AI+EDA这个新赛道，将会诞生一批科技含量高的初创企业，尤其在EDA断供的背景下。高校、科研院所和EDA企业要加强联动，加速推动科技成果转化。

• 观点6：EDA国产化是大势所趋，国外EDA三巨头的经验无法在中国复制。虽然国产EDA工具存在不成熟、生态欠缺等各种问题，但是我国要发挥举国体制优势，国家牵引，借助国家“芯火”双创平台以及EDA²等平台，实现EDA工具链的全流程打通，以及设计公司、IP公司、EDA公司、晶圆厂的全产业链协同。另外，要通过创新的商业模式实现多方盈利，只有盈利的模式才能持久发展。

• 小结：AI赋能芯片设计自动化技术与工程落地断层较为明显，主要原因在于国产EDA生态薄弱（工具链未打通、用户反馈缺失）及商业模式不成熟。国产EDA厂商需“抱团”打破数据壁垒，构建全流程工具链，并依托国家平台（EDA²、“芯火”双创）推动设计公司、晶圆厂、IP企业全产业链联动。另外，产学研用需要深度融合，科研需以产业痛点为导向，通过竞赛揭榜、企业命题加速技术转化，可探索AI在PDK构建、版图布线等环节的应用，强化“用”的闭环验证。未来，发挥举国体制优势，政策牵引国产替代，以“技术-产业-商业”三维协同跨越鸿沟，开创AI+EDA国产化创新范式。

论坛总结

历经四小时的热烈讨论，与会嘉宾一致认为AI赋能芯片设计为传统EDA行业带来新的机遇，而且有助于国产EDA行业实现“弯道超车”，将影响整个集成电路行业。但是，机遇与挑战并存，国产EDA行业仍任重而道远，需要加强高质量数据集建设，加大国产EDA生态培育的力度，同时通过产学研用深度融合，紧密联动，多方协同，将AI技术能够有效应用到实际的芯片设计流程中，解决我国芯片行业的“卡脖子”问题。

参会人员

赵 康 北京邮电大学集成电路学院教授、重点研发项目首席、北京市高端领军人才研究员

钱 超 南京大学人工智能学院教授、院长助理、国家级青年人才

陈 熙 南京星火技术有限公司经理、全国工商联人工智能专委会副秘书长

杜 力 南京大学集成电路学院副院长、国家级青年人才

王 翕 东南大学集成电路学院副教授、EDA国创中心iDebug项目组负责人

董 伟 中科麒芯智能技术(南京)有限公司董事长

陈 辉 上海燧原科技 江浙区域总经理

杜 源 南京大学电子科学与工程学院 副教授

韩 宇 中国计算机学会（CCF）合作发展部

孔祥顺 南京大学电子科学与工程学院 副研究员

李 博 西安电子科技大学杭州研究院 副教授

刘 梓 沐曦集成电路(南京)有限公司 高级架构师

毛 成 南京大学电子科学与工程学院 副研究员

时 霄 东南大学计算机学院 副教授

袁泽世 华泰证券研究所AI行业分析师

CCF YOCSEF南京AC（学术委员会委员）

朱光辉 南京大学计算机学院 特聘研究员

吴天星 东南大学计算机学院 副教授

蔡 惠 南京邮电大学计算机学院 副教授

沈 杰 江苏德泰数智智能科技有限公司 总经理

王 帅 南京乾联科技有限公司 总经理

袁海建 罗德与施瓦茨 销售经理

孟 凡 南京信息工程大学人工智能学院 助理教授

撰稿：朱光辉、杜源

审核：朱光辉

编辑：孟凡