從芯片到系統，重構工程創新 | 新思科技中國30周年暨2025新思科技開發者大會回顧

在新思科技中國30周年暨2025新思科技開發者大會上，新思科技總裁兼CEO蓋思新（Sassine Ghazi）先生在主題演講中，重點闡述了新思科技在2025年的戰略轉型和未來發展方向。他指出2025 年是新思科技意義非凡的一年，通過完成對Ansys的收購，公司正式確立“從芯片到系統”工程解決方案全球領導者地位。

蓋思新先生詳細介紹了新思科技在三大關鍵領域的引領技術突破：系統級設計、芯片設計升級與AI智能體。這些突破正在重塑從芯片到系統工程設計的范式，終極目標是賦能全球創新者，大幅降低復雜創新的門檻與周期，從而與客戶及合作伙伴攜手，共同推動人類社會向智能未來的堅實邁進。

以下為演講實錄：

各位上午好，歡迎來到新思科技中國開發者大會。

我在開發者大會上做過四次演講，這次是首次以現場形式呈現。所以，我十分期待能感受到大家的熱情與活力——畢竟今年對我們公司而言，無疑是具有變革意義的一年。

新思科技在中國市場已深耕30年。40年前，新思科技就革新了芯片設計的方式，以應對當時行業發展中日益增長的復雜性與規模挑戰，期間我們有諸多里程碑值得慶賀。能加入這樣一家始終以客戶成功與支持為核心、同時深耕創新的公司，我深感榮幸。

另一個值得分享的好消息是——我此前提到，2025年將是新思科技發展史上具有變革意義的一年。我們正致力于將新思科技打造為“從芯片到系統”工程解決方案領域的領導者。在接下來的演講中，我會為大家詳細解讀“從芯片到系統”工程解決方案的具體內涵。

戰略轉型：從芯片到系統創新的全面布局

各位作為新思科技的客戶，正全力投身創新，為市場推出智能系統與智能產品。為支持大家的這一轉型進程，我們現有解決方案也需不斷演進。

幾個月前，我們完成了對Ansys的收購。如今，我們正積極構建“從芯片到系統”的一體化解決方案，不僅服務于半導體企業，也為那些致力于創新、打造智能產品的系統公司提供支持。

在深入介紹解決方案之前，我想先簡要介紹當下的新思科技。

目前，新思科技在電子設計自動化（EDA）領域穩居全球第一，在IP領域排名全球第二。其中，在接口IP與基礎IP細分領域，我們更是處于領先地位。同時，我們在仿真與分析領域也位列全球第一。這正是我們為芯片與系統領域打造的三大核心解決方案。

上個財年，新思科技全球營業收入已攀升至約90億美元，這一規模使新思科技在全球軟件企業營收排名中位列第12位。能取得這一里程碑式的成就，離不開各位對新思科技的信任，我們對此心懷感激。此外，公司將25%的營收投入研發。在我們行業，研發與創新是核心驅動力，唯有如此，我們才能攜手攻克復雜挑戰，抓住發展機遇。

關于當前的解決方案，無論是EDA領域的一體化融合解決方案、IP領域的市場變革趨勢，還是仿真與分析領域的技術應用，我都會為大家講解相關解決方案及整合思路。

或許大家會問，我們為何要推動這一轉型？為何要著力打造“從芯片到系統”的解決方案？

若大家思考當下的產品形態，以及未來3年、5年乃至10年的發展方向便會發現，未來我們接觸的大多數產品都將是人工智能驅動的產品（即我們所說的“智能系統”）。隨著智能系統的普及，從芯片層面到應用或系統層面的全鏈路優化，將變得至關重要。

關于這一趨勢的具體體現，有諸多案例可分享。在此，我以一款機器人為例，它具備視覺感知、物體識別能力，能通過自然語言與用戶交互，還可自主學習并執行操作。

這款機器人能識別不同物體，判斷哪些應放入冰箱、哪些無需放入，并且能在使用過程中持續學習。看似簡單的功能，從工程設計角度來看，實則極具挑戰。

更重要的是，如何在控制成本的同時，加快產品上市速度，以實現這樣的創新目標？

正如我所說，人工智能驅動的智能系統案例還有很多，例如智能汽車、搭載邊緣人工智能（Edge AI）的智能手機，以及能自主完成手術的醫療設備等。

然而，這些機遇背后，是產品設計過程中急劇增加的工程復雜度。一方面，技術復雜度不斷疊加；另一方面，產品交付速度的要求也達到了行業前所未有的高度。

對于長期深耕行業、關注摩爾定律的各位而言，半導體行業向來以“快節奏”著稱：過去，每18至24個月就會基于新的技術節點推出新一代芯片。而如今，為高效抓住發展機遇，行業對芯片優化與定制的周期要求已大幅縮短。

因此，傳統的產品設計方法必須革新。這正是我們所說的：如何重新設計傳統工程方法，以實現“從芯片到系統”的產品研發。

重構系統設計：構建數字孿生，實現跨物理域協同創新

接下來，我的演講將圍繞三個部分展開：第一，如何為智能系統重構工程設計體系？我們將從系統層面切入，隨后探討芯片層面的工程重構，以及如何在全技術棧中運用人工智能，提升終端產品工程設計的效率與效果。

要實現這一目標，必須“結合場景進行設計”。以芯片設計為例，當前行業（尤其是數據中心及其他應用領域）正呈現出顯著趨勢，針對特定工作負載定制芯片成為重點方向。

而要實現芯片與特定工作負載的匹配，就必須掌握軟件層面的知識，這一點至關重要。否則，產品不僅會延遲上市，成本也會大幅增加。

Ansys的優勢在于提供系統層面的產品定義能力，而新思科技則擅長結合軟件與人工智能場景進行芯片設計，雙方的協同將為行業帶來全新價值。

接下來，我將通過一個案例，具體說明跨領域優化的復雜性。以自動駕駛汽車為例，其最高層面的定義始于車輛所需的智能水平，核心即人工智能模型。這一層面是用戶（或乘客）與車輛交互的關鍵：無論是規劃從A點到B點的路線，還是讓車輛識別物體（區分路邊的樹木與行人）并判斷應發出何種警報、采取何種操作，都需在系統的智能需求層面進行定義。

要將這些智能需求落地，需要海量軟件提供全層級的控制與執行能力，例如車輛電池續航管理、各類操作控制等，都依賴軟件實現。

再往下便是芯片研發環節，芯片需處理人工智能與軟件層面設定的所有任務，但這僅僅是汽車的電子部分。

隨后是電氣系統設計：需要通過印制電路板（PCB）等部件，連接電機、電池等硬件，這是當前工程師需攻克的又一領域。

當汽車運行時，轉子等部件會產生熱量，因此必須進行熱管理；同時，還需考慮機械設計，例如選擇何種材料，以及如何優化空氣動力學設計以提升燃油效率（傳統燃油車）或續航里程（新能源車）。

由此可見，即便是一輛自動駕駛汽車，其跨領域工程優化的復雜度也極高，涵蓋電子、電氣、熱學、機械、流體等多個領域。

眾所周知，當前行業最大的挑戰在于：如何設計這樣的系統？如何構建必要的數字孿生模型？唯有解決這些問題，才能以最短時間、最低成本完成汽車研發。

因此，要在該市場中保持競爭力，跨領域設計至關重要。而這一邏輯，不僅適用于自動駕駛汽車，也適用于我此前提到的機器人，以及未來3至5年內將廣泛普及的眾多應用場景。

談及跨領域設計，就必須考慮模型的精度，針對每個領域，都需構建相應的數字孿生模型，以便系統工程師全面把握產品形態，明確優化方向。

如今，我們與客戶交流時發現，大家面臨的核心挑戰之一是：在每個領域的設計中，都需預留大量冗余，而這些冗余往往會增加研發時間與成本。

基于此，新思科技的愿景是構建“數字孿生架構”，將芯片虛擬化技術融入其中。這樣，當系統工程師研究車輛動力學或其他物理世界相關特性時，也能在系統層面完成相應建模。

不妨試想，當前設計一個不涉及物理世界的大語言模型（LLM），已需應對構建高精度前沿模型的復雜挑戰，確保用戶提問后能獲得可靠回答。

而若要讓此類模型應用于物理世界，就必須考慮物理世界的動態特性。

實踐路徑：跨領域優化與數字孿生

在此，我想分享一個新思科技與汽車行業合作伙伴聯合打造的演示案例：我們通過自主研發的Virtualizer產品實現芯片虛擬化，并與提供物理世界（車輛行駛環境）模型的IPG公司合作，構建了完整的虛擬仿真模型，可實時模擬車輛在物理世界中的運行狀態。這意味著，在芯片完成流片與制造前，工程師就能通過虛擬模型了解芯片性能，提前啟動軟件開發與人工智能模型研發，無需等待實體芯片落地。

這只是一個簡單案例。當我們談及設備在物理世界中的應用時，必須考慮結構、機械等多方面因素。而在這些領域，Ansys的技術將發揮關鍵作用。其結構解決方案能精準呈現機械物理特性，并提供建模與仿真能力。

Ansys的多款產品已成為行業標準，例如Ansys Mechanical與LS-DYNA。在此，我以LS-DYNA為例：它可用于模擬碰撞測試，無需進行實體碰撞實驗，只需通過傳感器數據就能分析機械沖擊對所選材料的影響。

如今，通過建模與仿真，也就是即數字孿生技術，這類測試已能以更高效的方式完成。將這些技術整合后，還需考慮多物理場因素。再以流體動力學為例：調整汽車車身曲線設計，會如何影響空氣動力學特性？進而如何改變續航里程或燃油消耗？

這些正是Ansys通過物理建模與仿真技術所能解決的問題。此外，對于物理設備在實際使用中的完整性、維護需求等，也可通過前期建模提前規劃。因此，在系統層面進行產品設計時，必須重構工程體系，以應對跨領域的復雜挑戰。

我相信，在座各位大多是半導體芯片設計師。接下來，我將深入探討芯片設計的發展趨勢，以及其自身所需的工程重構。

革新芯片設計：融合AI與多物理場，驅動PPA極限

大約10年前，新思科技就革新了芯片設計的快速收斂方法，推出了Fusion設計平臺。該平臺的核心目標是：在設計階段減少簽核前的迭代次數；將簽核技術提前融入設計流程，確保在綜合時序分析、提取等環節就能構建一致的設計體系，后續經過布局布線，最終順利完成簽核。

如今，新思科技在該解決方案領域已確立絕對領先地位，Fusion設計平臺通過高度融合的方式，整合了設計流程的各個環節。大家現在看到的，正是當前實現高效芯片設計所必需的流程。

在此基礎上，若融入人工智能技術，又將如何？我們可在設計的每個環節運用人工智能，以更快速度實現更優的功耗、性能與面積（PPA）指標。核心目標始終是：應對復雜度挑戰，構建收斂、可預測的設計流程。

與汽車、機器人設計類似，芯片設計也需應對機械相關問題。如今，芯片上集成的器件和晶體管數量越來越多，而尺寸卻不斷縮小，這就導致熱管理問題日益突出，如何為芯片散熱？將芯片封裝后，在實際運行過程中，是否會因性能需求或軟件負載而出現翹曲、開裂等機械問題？

這些挑戰與系統層面的問題極為相似，芯片設計不僅是電子工程問題，還需結合物理場分析。

而解決這些問題的關鍵在于：如何將Ansys的技術（如同我們在時序、功耗、提取領域所做的那樣）提前融入芯片設計階段？如何在設計初期就考慮熱管理、機械應力等物理場因素？最終目標仍是減少迭代次數，提升設計質量。

以下是Ansys在多物理場領域的部分解決方案，已廣泛應用于芯片設計階段。例如，大家熟知的RedHawk，已成為行業內分析電壓降（IR drop）的標準工具。

此外，如何考慮電磁效應，如何在電壓降分析中兼顧電遷移問題，以及信號完整性（SI）、電源完整性（PI）等？當前，這些分析大多在設計后期進行，導致工程師需在設計中預留大量冗余。而理想的流程是：在設計初期就融入這些分析，避免后期因優化需求而延長迭代周期。

這正是新思科技當前的創新方向——我們持續投入研發，致力于在芯片設計流程中融入物理場分析能力，讓工程師在設計階段就能應對熱管理、機械應力等挑戰。

在加速芯片研發的過程中，IP也扮演著關鍵角色。如今，針對不同應用場景， IP領域已形成眾多標準。無論是消費類系統級芯片（SOC）、移動設備、汽車電子還是數據中心，在IP設計中都需滿足高效、高帶寬的接口需求，并確保及時交付。

新思科技在各應用領域、各代工廠的接口IP領域均處于領先地位，這為客戶提供了更多選擇，助力大家在最短時間內打造具有競爭力的芯片。同時，我們的安全IP與基礎IP也能深度融入SOC設計流程。

當前，隨著SOC復雜度不斷提升，客戶向我們提出了新的需求：能否不再僅提供單一接口標準IP，而是整合相關IP，提供完整的子系統解決方案？

基于此，我們已與多家客戶展開合作，推出子系統服務：整合各類IP，添加邏輯與測試結構，承擔基礎研發工作，讓客戶能專注于核心差異化IP的開發。

這正是市場的發展方向，也是行業創新與需求的集中體現。

從芯片到系統，AI智能體工程師重構工程創新范式

談及人工智能，許多人認為它是未來的技術趨勢。但我想強調的是：如今，芯片設計領域已有多款成熟的人工智能產品投入應用，客戶通過這些工具，能有效降低復雜度，實現更優設計效果。

新思科技早在2017年就啟動了“人工智能驅動EDA”的研發投入。可以自豪地說，我們是“人工智能賦能芯片設計”領域的開拓者。

2017年前后，我們開始思考：哪些前沿技術可應用于EDA與芯片設計，以在保證功耗、性能、面積（PPA）指標的同時，大幅縮短研發周期？

基于這一目標，我們推出了首款產品：DSO.ai。我們選擇從設計流程中最復雜的布局布線環節入手：在布局布線階段，需設置大量參數以運行Fusion Compiler，最終實現最優PPA，而參數組合的復雜度極高。

我們最初采用強化學習技術，于2017年啟動相關研發，并在2020年推出首款產品DSO. .ai，這款基于強化學習的工具可與Fusion Compiler無縫協作。

此后，我們將該技術逐步拓展至芯片設計的其他環節，通過強化學習實現全流程優化。例如，我們將其應用于驗證環節，推出VSO.ai，應用于時序分析環節，推出了TSO. Ai，在物理分析環節推出了ASO.ai，以及3DIC設計環節的3DSO.ai 。所有這些工具均采用強化學習技術，確保輸出結果可靠，可直接用于芯片流片。

除了在各產品中嵌入強化學習功能，我們還整合了設計、驗證與制造環節的數據分析能力。這樣，從綜合到硅后優化的全流程，都能通過數據驅動實現持續優化。以下是DSO.ai、VSO.ai、TSO.ai與ASO.ai的部分應用成果。不難發現，這些工具在功耗、性能、面積（PPA）指標上的表現，均顯著優于人工優化結果。

因此，正如我開篇所言，若大家尚未嘗試在芯片設計中運用強化學習或人工智能技術，我強烈建議開發者多多了解，這些技術已進入量產應用階段，其效果正如大家所見，十分出色。

以上是我們在強化學習領域的探索歷程。而大約3年前，市場上出現了一項極具影響力的技術，ChatGPT。這類前沿模型支持自然語言交互，不僅能幫助用戶快速獲取洞見，還能加速初級工程師的成長。

基于此，新思科技結合客戶需求，選擇合適的前沿模型，融入自身技術知識并進行訓練，最終打造出能與用戶高效交互的工具。無論是在工作流程中查詢結果，還是生成TCL腳本等各類代碼，用戶都能通過自然語言快速實現。例如，資深開發者完成一次設計運行后，可通過該工具查詢：基于當前設置，是否已實現最優PPA？工具還會提供優化建議。

不難想象，這一技術將為應對當前復雜的設計挑戰帶來革命性變化。

在開發過程中，我們將這款“輔助工具”（Copilot）分為兩個階段：第一階段是“知識輔助型”，第二階段是“創意生成型”。

在“知識輔助型”階段，我們的所有產品現已支持通過大語言模型（LLM）進行交互。而在“創意生成型”階段，我們正處于初期探索，用戶可提供設計規范，要求模型（或輔助工具）自動生成RTL代碼；若已有RTL代碼，也可讓工具自動生成文檔或測試平臺（Testbench）——這將大幅提升設計流程的效率。

以下是“知識輔助”與“創意生成”兩個階段在提升設計效率方面的部分案例與數據。

在“輔助工具”（Copilot）的基礎上，行業正迎來一個更令人興奮的方向：智能體（Agents）。

我們能否將這一概念應用于芯片設計流程？例如，在設計的各個環節，能否將任務委派給智能體完成？我們將這類智能體稱為“AI智能體工程師”（Agent Engineers）。

接下來，我將介紹如何利用“AI智能體工程師”作為輔助工具，實現更優設計效果。

可以將其理解為一條技術路線圖：首先，需構建精準、全面的知識庫（這是基礎階段）；隨后，在此基礎上實現從“輔助工具”（Copilot）到“自動駕駛”（Autopilot）的跨越，讓人工智能從“助手”升級為“執行者”，用戶只需下達任務指令，智能體即可自主完成。

第一步，如前所述，是“知識輔助”階段：通過大語言模型整合知識，支持用戶交互；用戶可直接對接知識庫，獲取所需信息。

第二步，能否實現“自主學習與執行”？例如，構建任務專用智能體，用戶可向其分配特定任務并由其自主完成。舉例來說，若出現設計規則檢查（DRC）違規，或RTL代碼存在錯誤、需解決代碼靜態檢查（Linting）問題，能否基于知識庫向智能體下達明確任務，讓其自主采取行動并輸出結果？

我們將這類智能體稱為“行動型智能體”（Acting Agent）或“任務專用智能體”（Task-Specific Agent）。進一步思考：針對DRC錯誤或時序違規，當智能體識別問題后，能否與其他任務智能體協作，例如自動回溯設計設置與腳本，分析“若采取A、B、C三項措施，能否解決多個違規問題”？

第三步，是“規劃型智能體”：能否讓多個智能體通過自適應學習與推理協作，共同達成設計目標？

最終階段便是“自動駕駛”（Autopilot）：這是”AI智能體工程師”的終極應用愿景，人類工程師只需設定設計規范與需求，智能體即可自主協同、規劃，最終輸出子系統級、模塊級或芯片級的設計成果。

為方便用戶理解，我們借鑒了自動駕駛汽車的分級體系。大家或許記得，約10年前，行業提出了自動駕駛L1至L5級別的劃分標準——通過不同級別，逐步實現從輔助駕駛到完全自動駕駛的跨越。

在”AI智能體工程師”領域，我們也可參考這一邏輯：L1級為“知識輔助”；L2級為“行動型智能體”（可自主完成特定任務）；L3級為“多智能體協同規劃”；最終達到L5級“完全自主”，整個過程將依托推理與自適應學習技術逐步推進。

如今，相關技術已具備落地基礎。例如，我開篇提到的機器人案例，其模型已能實現推理、自適應調整與自主執行操作。

在芯片設計領域，我們今日可明確宣布：新思科技的”AI智能體工程師”已達到L2級水平，能自主完成特定任務；同時，在“多智能體協同規劃”（L3級）領域，我們已進入初期探索，可實現多個任務智能體的協同，以達成設計目標。

這是一個長期歷程，無法一蹴而就。但目前，我們已能為客戶提供L1級（知識輔助）與L2級（特定任務執行）的服務；在L3級（多智能體協同）領域，也已啟動早期部署與客戶合作。

布局技術前沿：驅動工作流程、引擎與算力的根本性變革

這無疑是一個令人振奮的機遇。究其原因，在于當前芯片設計的復雜度正急劇提升，在座各位大多面臨這樣的挑戰：不再是設計通用芯片并推向多個市場，而是需針對特定工作負載定制芯片。這意味著，在工程師數量不變的情況下，大家需提升5倍、10倍甚至100倍的效率。

正因如此，我們對”AI智能體工程師”推動芯片設計流程簡化的前景充滿信心。更重要的是，”AI智能體工程師”的應用范圍不僅限于芯片設計，還可覆蓋所有工程領域。

此前我提到的跨領域協同優化（機械、流體、結構分析、計算流體動力學等），未來均可通過智能體實現。屆時，在系統層面，工程師將能更高效地把握優化機遇，實現最優設計效果。

最后，我想對本次演講進行總結。若從新思科技的技術創新與投入角度來看，可將未來機遇分為三個方向：

第一個方向是“工作流程革新”。當我們開始探討”AI智能體工程師”時，芯片設計流程的變革便已提上日程。正如葛群所提到的，40年前，綜合技術（Synthesis）改變了芯片設計方式；此后，行業雖不斷創新，但工作流程的核心邏輯始終未變。

即便我們通過Fusion平臺整合了設計流程的多個環節，減少了迭代次數，工作流程本身仍未突破傳統框架，從設計規范到RTL代碼編寫，再到綜合、布局布線等，步驟始終固定。

而”AI智能體工程師”將徹底改變這一現狀。具體會如何改變？目前我們尚無法完全預見，但可以確定的是：一旦“任務智能體”投入應用并實現協同規劃，人類工程師的角色將發生根本性轉變，工作流程也將隨之革新。

第二個方向是“核心引擎升級”。這里的“引擎”，可理解為各類求解器（Solver）。無論是多物理場分析（流體動力學、結構力學、熱學等），還是芯片設計中的時序、功耗、提取分析，其背后的求解器都經過了數十年的技術積累，具備極高的精度與可靠性。

新思科技將持續加大在“引擎”層面的投入，因為未來的”AI智能體工程師”不僅將在產品層面發揮作用，還將深入到引擎與求解器層面，以實現對物理場、時序、功耗等設計要素的精準控制，達成最優設計效果。

而這也正是數字孿生技術在跨領域設計與系統優化中不可或缺的原因，通過減少設計冗余，實現更高效的優化。

第三個方向是“計算效率提升”。當前，我們所處的時代對計算能力的需求極高，部分設計任務的運行時間長達數天，有時點擊“執行”按鈕后，需等待一周才能獲得結果。如何通過強化學習、人工智能技術及計算架構革新，縮短結果交付時間？

目前，我們的所有產品均支持在CPU上運行（包括x86、ARM架構，部分產品還可根據客戶特定需求定制）；同時，我們已實現GPU加速，部分場景下效率可提升10倍、15倍甚至20倍。

以Prime Sim為例，作為一款高精度快速SPICE仿真工具，它在保證仿真精度不妥協的前提下，能大幅縮短結果交付時間。對比CPU與GPU運行效果，其效率可提升10至12倍。

下一步，我們將探索AI加速器的應用，目前已與部分客戶展開合作，針對運行時間長、資源消耗大的產品，通過定制化計算架構進一步優化效率。

未來，我們還將啟動量子計算領域的早期研發，探索其在特定任務加速中的應用潛力。

攜手同行：以信任為基，共筑智能未來

新思科技的使命是“賦能創新者，推動人類進步”，我們始終以嚴謹的態度踐行這一使命。歸根結底，我們的核心目標是為大家提供先進技術，助力更多開發者實現創新，而這一切，都離不開大家對新思科技的信任。

因此，在演講即將結束之際，我想再次感謝大家的信任與支持，更感謝我們之間的緊密合作。正是這份合作，讓我們能夠攜手突破極限，引領行業發展步伐，共同推動萬物智能未來的實現。

謝謝大家！