当我的朋友西蒙·戴维曼（Simon Davidmann）近期阐述其“代理式人工智能”观点时，一个观察虽未如他提出的“创可贴式修复 versus 彻底重置”标题那般引人注目，却值得更多关注：客户正自行动手。超大规模企业与半导体厂商并未坐等供应商交付成品AI产品，而是基于已授权的仿真、形式验证、实现与签核引擎，自主构建自身的编排系统、智能代理及模型。EDA工具由此转变为底层引擎，而其上层的智能层则日益归属于用户自身。
正如西蒙所指出，三星、英伟达及其同行正在内部搭建AI技术栈，将供应商工具视为底层引擎，之上叠加面向特定领域的智能层。但他附带了一个尖锐的警示：由于此类工作均在企业防火墙内进行，它“高效却目光短浅”。各巨头各自私下重复构建相似集成方案；经验教训无法向行业其余部分传播——更糟的是，这些巨头得以利用全部自有数据进行学习，而墙外企业只能望洋兴叹。这正是第一部分中“戴维曼困境”的最纯粹体现：每个参与者理性行事，整个生态系统却因此集体受损。
若想确认DIY人工智能已从超大规模企业的专属实践，转变为行业主流操作——且与西蒙的警示相反，部分经验正开始公开传播——那么DAC 2026工程 Tracks（工程专题）堪称最有力证据。需坦诚说明：最隐秘的巨头仍未登台亮相——你不会看到英伟达、Meta或OpenAI公开其内部设计AI架构；部分行业最先进用户视其流程为知识产权，干脆缺席会议。工程Tracks所呈现的，仅是冰山露出水面的部分。但这一可见部分已显著扩大。
工程Tracks是DAC大会中的“用户大会”——由一线工程师展示已部署成果，并经同行工程师评审——今年内容俨然一份DIY人工智能的普查报告。下文将带您巡览这股DIY AI浪潮，并有意将其与另一现象并置呈现：用户采纳并审验厂商AI方案。两者同时真实存在，其间张力恰是西蒙框架价值所在。
www.eic.net.cn 易IC库存管理软件
案例一：三星训练强化学习代理优化SoC性能
以周一上午三星电子工程师朴亨泰、吴莉拉、金相九、禹贤宰与金英锡发表的《基于对偶双深度Q网络的SoC自适应QoS优化》为例，该研究足以向怀疑者阐明整股趋势。问题在于：现代SoC暴露大量服务质量（QoS）调节旋钮——仲裁机制、优先级设定、多主设备间带宽分配等，手动调优跨场景组合已不可行。三星的对策是：构建预流片阶段的SoC执行环境（即仿真平台），并部署强化学习（RL）代理于其中。该代理采用深度Q网络（含对偶结构与双DQN增强）、优先经验回放等现代RL全套技术，在吞吐量、延迟与功耗构成的奖励函数驱动下探索设计空间，最终发现的QoS配置显著优于人工方法。
请注意其架构本质——并留意第一部分中关于模型光谱的讨论：此处并无大语言模型（LLM）身影。这是一个用户自训的优化模型，而非封装好的聊天机器人。支撑探索可信度的执行基础设施来自EDA领域；而利用该设施的智能层则由三星自主构建，专为其架构与性能目标服务，即所谓“系统性能验证”。这种分工模式——厂商引擎在下，用户智能在上——正是西蒙观察的具象化方法论论文，且在整条Tracks中反复出现。
DIY人工智能普查报告
IBM将智能代理投入验证调试，甚至用于工具开发本身。在IBM Z硬件验证中，代理化流程现已自动化故障分类与根因分析，整合设计规范、HDL代码、波形图、覆盖率数据及历史问题，通过模型上下文协议（MCP）服务器协同运作；定制化代理提取影响锥逻辑并关联事务，据称在该流程中最依赖专家经验的环节，人工投入减少15%至40%。
第二篇IBM论文更进一步：一套代理框架，能依据用户需求规格，利用可复用MCP模块自动生成EDA实用工具，将某结构性验证工具的开发周期从预估4人周缩短至不足30分钟。注意MCP两次出现——作为第一部分所述“数据与粘合层”的连接标准（其中Perforce将其与RAG结合以提供设计数据上下文），该协议在问世仅一年后便频繁见于用户方法论文中。粘合层正在落地。这也引出西蒙直接向我提出的问题，值得带入周二“自建vs采购”圆桌论坛：为何大型EDA厂商尚未推出此类工具？为何IBM等用户宁可自建，也不向邻近初创企业采购？
本地部署大语言模型监管仿真回归测试
三星某旗舰SoC团队提出一种无人值守的预流片仿真软件测试框架，结合快速启动虚拟化与本地部署大语言模型（LLM），后者可读取内核崩溃日志并判断：属真实软件缺陷，抑或非关键启动异常？关键细节在于“本地部署”——半导体设计的保密要求决定了用户的DIY AI必须运行于企业内部，架设于厂商仿真平台之上。另一团队则提出本地化多代理“专家团队”流水线——分类代理路由至专用子代理，分别负责UVM代码生成、日志解析及JEDEC、LPDDR与HBM文档规范检索——采用RAG与微调技术，确保无任何设计数据流出企业边界。
知识层走向形式化
三星团队展示一种本体驱动的知识图谱，将数百页相互关联的设计文档转化为可查询图谱，供Graph-RAG聊天机器人调用——这正是第一部分前端阶段“规范工程”线程的用户实践版。在POWER处理器验证环境中，机器学习驱动的分析将测试组件与覆盖率事件关联，生成“超级测试”，覆盖86%难触发场景的推荐测试用例。
实现与模拟环节亦加入AI行列
德州仪器介绍一款深度强化学习模拟电路尺寸优化工具——具备定制化奖励函数，覆盖所有PVT与蒙特卡洛工艺角——已规模化部署，逾100个电路优化至签核质量。瑞萨汽车SoC团队提出一种随机森林框架，依据设计规格预测芯片面积，在1,800个RTL模块上R²高达0.95。在Gladiator舞台，三星团队利用LLM解析网表并聚类DRAM外围单元以辅助布局——将专家结构知识转化为自然语言提示，而非规则代码，使设计规则违规减少80.6%；三星的边成秀则应用梯度提升模型，针对RedHawk报告的电压波动优化开关单元。Cadence提出的神经符号框架“Auto-Chk”，将自然语言签核意图编译为确定性检查器——生产环境中已部署120余项检查清单，检查器开发效率提升20倍。形式验证亦获赋能：AI生成的“辅助”不变式，将有界证明转化为完整闭包。另有一篇论文将AI反向应用于基础设施本身，利用图神经网络与强化学习预测EDA算力需求，削减云资源过度配置60%至80%。
综上可见清晰模式：强化学习代理、本地LLM、知识图谱、多代理流水线、神经符号编译器——均由用户构建，运行于厂商引擎之上，且均附带实际部署数据而非空泛愿景。逐项对照戴维曼检验标准，普查结果更显深意：多数方案显著加速既有验证任务——效果真实、数据确凿；少数方案（如将有界证明转为完整闭包的不变式、人类团队无法穷尽搜索的QoS探索）则触及验证能力边界的拓展。
www.eic.net.cn 易IC库存管理软件
并置视角：厂商AI被采纳与公开审验
现在转向另一面，因同一Tracks既记录DIY AI浪潮，也记录用户对厂商AI的采纳与公开审验。
一篇用户方法论文详析Cadence Voltus InsightAI在电源网格强化中的应用——并做出难得坦率之举：详述该工具能力边界与局限性下的设计影响分析。此句浓缩了工程Tracks的核心价值。博通APD AI团队与Synopsys RedHawk-ET团队联合发布早期3DIC热分析流程，实测硅片温差误差控制在3°C以内（第三部分将深入探讨）——厂商AI与用户专长共同开发，而非简单采购。英特尔基于西门子Solido Crosscheck构建其库质量保证框架，原生检查与定制检查协同微调。一项AI驱动的热感知布局方法，探索数百种约束条件下的3D芯粒堆叠方案。特别环节中，闪迪Mariana Shenker展示规范驱动开发的生产级AI工作流——恰为“Spec-Tacular!”初创企业路演环节的用户体验对应版本。
那么答案究竟是用户自建，还是采纳厂商方案？Tracks的回答是：二者并存，取决于智能所需驻留位置。若问题高度专有——如SoC QoS行为、企业内部调试经验、机密故障日志——AI必为自研且本地部署; 厂商引擎仅提供物理模型与仿真真值。若问题具普适性——如IR压降闭合、库质量保证、热分析——嵌入平台的厂商AI则更具经济性。我推测，这两类区域间的边界，将决定未来五年EDA商业模式走向。西蒙所倡导的整体重置，若要实现，必须兼顾此两端；周一DAC展馆圆桌“EDA中的代理式AI：谁掌控主导权？”、周二“自建vs采购：明日芯片背后的智能归属何方？”均直指此核心命题；西蒙本人亦参与周三参展商论坛“AI赋能SoC验证：颠覆性还是协作性？”——完美收束本文论点，现场交锋。
作为用户故事的初创企业补充，周一Veriest主办的参展商论坛“超越炒作：芯片设计与验证中的AI创新”，正展示第一部分所述“代理层”如何为上述用户构建解决方案。
行程终章
三部分，一脉络：第一部分描绘“谁在行动”的格局；第二部分聚焦用户悄然在其行业引擎之上构建自有智能；第三部分则转向AI芯片制造专题——整条产业链存在的终极目标。
若第一部分的Expedia类比未能说服您，再试一道烹饪比喻：将DAC Explorer视作大会AI副厨。递上您偏好的食材——例如强化学习基底、若干本地LLM与少许MCP——它即为您找出配方：个性化会议日程，已分盘备妥，随时导出。无需预订，但热门场次座位确实抢手。
注册请访问dac.com，文中提及所有会议均收录于官方DAC 2026议程。
