在生成式 AI 与算力需求快速增长的背景下，半导体产业正经历从芯片到系统的深度重构。设计复杂度指数级上升、研发周期持续压缩、工程资源日益紧张，AI 正以前所未有的深度融入工程流程，逐渐成为推动芯片与系统创新的关键引擎。
在此背景下，新思科技于 2026 年 1 月 22 日在上海举办 2026 AI 技术开发日（AI Tech Day），汇聚来自新思科技、NVIDIA、小米等全球领导者的技术专家与实践者，与现场数百名开发者一起，从战略视角、工程实践到一线案例，系统性展示 AI 在芯片设计、验证、仿真及系统级创新中的最新技术进展与落地成果，全面呈现了 AI 驱动工程效率跃迁的现实路径。
AI 超级周期下的芯片与系统重构
新思科技产品管理资深副总裁 Sanjay Bali 在开场演讲中，从宏观产业角度系统阐述了 AI 正在驱动的新一轮“半导体超级周期”。他指出，生成式 AI、Agentic AI 和多模态模型的发展，正在推动算力需求呈指数级增长，这一变化不仅体现在数据中心端，也正快速扩展至边缘计算、汽车、移动终端等广泛场景。由此带来的直接影响是：硬件架构复杂度激增、设计周期不断压缩，而市场对每一代芯片的性能、能效和上市节奏要求却持续提高。
在这一背景下，传统依赖人工经验和反复迭代的芯片设计方法已难以为继。EDA 软件正从“设计工具”升级为“半导体价值链的生产力平台”，而 AI 是实现这一转变的核心引擎。
在生态层面，他强调新思科技正在不断加强与 GPU 厂商和头部客户的深度协作，加速把这些能力“产品化、规模化、工程化”。
新思科技 AI 技术方法论、技术栈与路线图
新思科技研发副总裁 Thomas Andersen 从研发和技术落地视角，对新思科技 AI 能力的发展路径进行了系统拆解。他回顾了公司自 2017 年起在机器学习和强化学习领域的持续投入，并重点介绍了以 DSO.ai 为代表的 AI 优化技术，如何在物理实现、验证和测试阶段帮助客户解决大规模参数空间探索这一长期难题。
在此基础上，他深入讲解了新思科技 Copilot 的整体架构，包括 Knowledge Assistant、Workflow Assistant 和 Run Assistant。这些能力通过将内部最佳实践、方法学和工具知识系统化，引入自然语言交互，让开发者能够在具体设计上下文中快速获取建议、生成脚本或定位问题，大幅降低学习门槛并提升效率。
Thomas 进一步描绘了新思科技向 Agent Engineer 和多智能体系统演进的长期愿景。在这一模式下，AI 不再只是“给建议”，而是能够围绕明确目标进行规划、执行、迭代和验证，逐步接管高重复性、高复杂度的工程任务，为开发者释放更多精力用于架构设计和创新决策。
从硅基到系统：加速计算与 Physical AI 的工程协同
作为特邀嘉宾，NVIDIA AI 解决方案架构师及技术专家付少童，从算力平台与生态协同的角度，分享了英伟达与新思科技在 EDA、系统仿真和 AI 平台层面的深度合作实践。他指出， EDA 和 CAE（计算工程）软件的核心均依托于大规模数值计算，而 GPU 天然适配这类高并行、高吞吐的计算模式。
分享中还介绍到，CUDA 生态、GPU 加速数学库及 Python 友好框架已在新思科技产品体系中落地，帮助客户在仿真、验证和分析任务中实现数量级的性能提升。同时，分享现场还重点阐释了 AI Physics 的理念，即将物理求解器与数据驱动的 AI 模型相结合，在保证精度的同时显著提升求解效率、降低计算成本。
在更高层面，付少童展示了 Omniverse 平台在数字孪生和 Physical AI 领域的应用前景，通过将芯片、系统和物理世界的仿真结果进行统一可视化和实时交互，为半导体、工业、汽车等行业打造全新的工程范式。
GenAI 助力芯片设计与验证效率跃升的实践
来自小米玄戒的特邀嘉宾、人工智能验证技术专家高浩雄，从一线客户实践出发，分享了小米玄戒在过去一年中将生成式 AI 引入芯片设计和验证流程的探索路径。他指出，AI 与芯片设计形成了显著的“正反馈”：AI 技术需要更强算力、更高带宽、更高能效比的芯片作为基底，而 AI 技术反过来又帮助芯片研发团队更快速度、更高质量、更低成本地完成设计。
在具体实践中，小米与新思科技紧密合作，实现了对新思科技 GenAI 工具的本地化安全部署及卓有成效的应用。首先是建立了面向全流程芯片开发的智能知识助手系统（Knowledge Assistant），帮助工程师在不用反复查阅海量文档的情况下轻松解答工具/流程使用方面的问题，效率提升 4x 以上。在形式化验证方面，引入新思科技 Formal Advisor 来通过 Spec 作为输入高效生成断言，进行形式化验证，将数小时的断言开发过程缩短到几分钟。 另外，小米设计团队也首次使用新思科技 Lint 智能检查工具 Lint Advisor，实现自然语言的 lint 自定义来检查设计中难以发现的连接性问题，在数万行代码中快速找到隐藏的连线问题。后续双方还会在代码生成、自动化 Debug 等方面进行更多合作与探索，让 AI 真正成为工程生产流程中的常态化能力。
下一代 AI 调试智能体与调试生产力革新
新思科技高级资深应用工程师凌怀奇围绕芯片调试这一高复杂度、重人力投入的关键环节，系统介绍了新一代调试智能体 Verdi Assistant 的总体架构与核心能力。随着设计规模与复杂度持续攀升，传统依赖大量人工操作与脚本的调试模式已难以高效应对。
Verdi Assistant 将大语言模型与多智能体架构深度融入调试流程，能够理解自然语言意图，自动完成波形与日志分析、断言诊断和设计探索等任务。通过多智能体协同编排，实现从问题描述、任务分解到定位与结果解释的完整闭环，未来还将扩展自动生成调试文档、开展假设检验并给出修复建议，进一步构建智能化的闭环调试体系，显著提升效率并有效降低工程师的学习门槛。
AI 驱动设计实现与生产力跃升
新思科技首席应用工程师倪敏璐重点介绍了新思科技在数字设计实现阶段的 AI 驱动优化能力，尤其是 Fusion Compiler 中的 AI Fusion 技术。AI Fusion 将强化学习能力深度嵌入数字实现流程，帮助用户在有限计算资源下完成高效的 PPA 探索，并在多个工艺节点和应用领域中实现稳定收益。
同时，她分享了新思科技 Copilot Workflow Assistant 在脚本开发和脚本优化方面的实践效果。通过自然语言生成、总结、修复和注释脚本，开发者可以显著降低编写复杂脚本的时间成本，从而更快的速度、更高的效率 得到解决方案，提高芯片设计的整体生产力和创造力。
AI/ML 与多物理场完整性分析的融合
新思科技应用工程技术总监张书强从多物理场分析角度，阐述了 AI 在功耗完整性、可靠性和系统级分析中的关键价值。当前芯片设计已从单一目标走向多约束耦合：电源完整性、IR/EM、热与应力彼此牵制，系统规模更大、封装更复杂。传统做法不仅计算慢、试错多，还高度依赖少数专家经验。AI 的价值不在“取代求解器”，而在于把经验结构化、流程自动化、风险前置化，让团队更早看清系统级问题，更快做出有把握的权衡。
通过模型学习、多智能体协作和 AI 驱动的资源预测与仿真加速，新思科技正在帮助开发者更早、更快地理解设计风险，并在多种约束间做出更优权衡。这种能力不仅提升了分析效率，也为复杂系统架构探索提供了更广阔的空间。
模拟设计进入 AI 智能时代
新思科技资深技术总监匡一宁分享了 AI 在模拟设计领域带来的深刻变化。模拟设计长期依赖专家经验、人工调参和反复仿真，生产效率提升空间巨大。通过模型学习、强化学习以及生成式 AI，新思科技正在推动模拟仿真、参数优化和版图迁移的高度自动化。随着AI 在模拟领域的落地，工程师可以把更多精力放到电路意图与鲁棒性把控上，而重复繁琐的交互，迭代，收敛环节则由工具自动完成。
在多个实际案例中，AI 技术帮助客户将模拟设计周期从数月缩短至数周甚至数天，同时在性能和可靠性上取得更优结果。这一趋势正在重塑模拟设计的工程范式，使其逐步具备规模化和可复制能力。
硬件辅助验证推动下一波人工智能创新浪潮
新思科技首席应用工程师黄进围绕 AI 芯片复杂度持续攀升所带来的验证挑战，介绍了硬件辅助验证（Hardware-Assisted Verification, HAV）在当前芯片开发与验证中的关键价值。丰富的 AI 应用场景与高速增长的 AI 扩展需求，催生了复杂的 AI 芯片架构及其软件，AI 芯片正在快速走向多 Die、异构计算与高速互联，系统规模接口复杂度大幅攀升，单靠软件仿真已难以覆盖真实运行场景与系统级联动问题。要想在更短窗口内保证质量与进度，验证必须“左移”，把系统级风险尽早暴露与解决。
通过引入仿真加速与原型验证相结合的 HAV 技术，新思科技应用模块化 HAV，EP-ready 等先进的验证方法学，帮助客户实现从 IP、子系统到整芯片乃至系统级的端到端验证覆盖，实现底层与上层应用软件在流片前的提前验证。HAV 能有效推动验证流程左移，缩短从芯片设计到系统 Demo 的整体周期，保障功能，功耗与性能满足设计要求，加速 AI 芯片产品的落地与创新。
结语
本次 AI 技术开放日现场还设置了 GenAI 技术应用现场展示，让现场开发者沉浸式体验新思科技 GenAI 技术带来的效率和生产力提升，为未来创新提供更有力的支撑。在新思科技与生态伙伴的持续投入下，AI 正推动芯片工程进入一个更加智能、高效、可持续的新时代。
