近期，随着艾略特投资管理公司（Elliott Investment Management）对新思科技（Synopsys）增持股份，业界对其关注升温，焦点集中于人工智能如何从工程流程中的技术升级，转变为推动企业增长的核心驱动力。
从芯片设计到系统级仿真，AI已渗透至各环节，有望将原本需数年的开发周期压缩至数月。更快的设计周期与更高的迭代频次，不再仅是工程效率的衡量指标，更被视为未来增长潜力的关键信号。然而，当企业持续加大算力投入、尝试生成式设计与AI驱动仿真时，切实可见的生产力提升究竟体现在何处？更重要的是，当前展示的能力与可重复落地的实际效益之间，是否存在显著差距？
《电子工程时报》采访了新思科技创新高级副总裁、执行领导团队成员普里特·巴纳吉（Prith Banerjee）。该公司在完成对仿真巨头Ansys高达350亿美元的收购后，正将其芯片设计工具拓展至系统级仿真领域。巴纳吉曾任Ansys首席技术官，他表示，新思科技正押注于AI驱动仿真、生成式设计及所谓“代理式工程”（agentic engineering），以显著缩短设计周期并提升产品质量。
AI在哪些环节真正提升了生产力
目前AI最直接的收益体现在仿真与设计迭代环节——这些领域传统上工程周期漫长、成本高昂。
“一名汽车设计师若想降低空气动力学阻力，过去通常需耗费约100小时进行CAD建模，再投入10,000小时进行仿真验证，”巴纳吉指出，“而借助SimAI与GeoAI等AI工具，这些任务可在几分钟内完成。”
变革不仅在于速度，更在于规模。“工程师不再仅能评估两三个设计方案，而是可同时分析成千上万个方案。”
在近期公司声明中，新思科技表示其代理式设计工作流已显现可观成效：在复杂芯片设计任务中（传统耗时4至6个月），生产力提升达2倍，部分场景甚至达到5倍。这一回报正日益清晰可见：更快的仿真缩短了周期时间，生成式方法则大幅扩展了工程师可实际探索的设计空间。实践中，团队可在相同开发窗口内，从寥寥数次迭代跃升至数百乃至数千次。
新思科技正致力于构建更自主化的工程模式，即“代理式工程”。巴纳吉强调：“我们正从辅助型AI迈向更高阶的自主系统，这就是我们所称的代理式工程。”
在此模式下，AI代理将承担更大比例的工作流任务，代表工程师调用设计与仿真工具。上周，《电子工程时报》曾报道：“新思科技在Converge大会上发布了首个L4级代理式工作流。该流程可自动完成从架构规格到RTL代码生成、测试计划制定，并由多个专用任务代理分别处理形式验证、静态验证、覆盖率分析与调试等工作。”
其核心目标是超越仅协助单一步骤的工具，转向能以极少人工干预执行多步骤流程的系统。在另一次对话中，代理式AI初创企业Emergence AI联合创始人兼CEO萨蒂亚·尼塔（Satya Nitta）解释道：当前多数系统仍运行于迭代循环中，而非完全自主决策。“若一个模型95%正确，另一个也95%正确，二者组合无法达到100%准确率，”尼塔指出，“代理系统采用循环机制——由验证器进行校验；若置信度不足，则要求系统重试。”
这表明工程领域的自主化正以分层方式演进：生成与验证紧密耦合，而非彼此独立。随着工作流自动化程度提升，验证、可追溯性与信任问题愈发复杂，尤其在受监管行业更为突出。目前，绝大多数工程团队仍处于“辅助阶段”，AI用于支持决策，而非完全替代人类执行。
数字孪生：实用但尚未完全可信
数字孪生常被视作减少物理测试依赖的路径，但其在实际生产流程中的角色仍在演变。“目标是实现极高精度，但永远无法达到100%，”巴纳吉坦言，“当前我们可能处于90%精度水平，正努力向95%乃至99%迈进。”
新思科技正推动集成芯片设计、软件行为与全系统验证的数字孪生平台。在汽车应用场景中，此类平台可在硬件尚未就绪前完成高达90%的软件验证。此时，数字模型可用于探索不同场景、缩小设计选项范围。“你可以在不进行实体测试的前提下，运行大量不同工况模拟。”他补充道。
然而，物理验证并未消失。巴纳吉指出，“约75%的研发投入仍用于物理测试与原型制作”，反映出工程实践对真实世界验证的高度依赖。
最终形成一种混合模式：数字孪生日益用于减少物理迭代次数，但无法完全取代实体验证，尤其在汽车、航空航天等安全关键领域。
对工程师而言，这一区分至关重要：数字孪生擅长预测与快速迭代，但最终验证仍需依托物理系统、法规要求与安全标准。
该局限并非仿真模型独有。整个行业亦正应对AI系统本身的概率性本质。尼塔强调：“在许多场景下，99%的准确率仍不可接受。你不能仅依赖概率性系统……必须引入确定性系统来强制执行规则。”
这对数字孪生与AI驱动仿真的部署具有现实影响：模型虽可缩小设计选择范围，但最终决策——尤其在受监管行业中——仍需确定性验证与结果一致性保障。
AI算力与基础设施挑战
AI带来的生产力提升，伴随另一类成本。“AI确实需要大量计算资源，”巴纳吉表示，“某些模型参数量达万亿级，需强大算力支撑。”
为仿真训练与部署AI模型，与运行传统工程负载截然不同。它催生了对高性能计算（HPC）基础设施的强依赖，特别是GPU，并使成本重心转向数据处理与模型训练。
对企业而言，权衡不再仅限于工具与人才，更涉及软件效率与基础设施投入之间的分配。实践中，过去用于许可证与人力的预算，正越来越多地分流至算力基础设施。
新思科技与AMD、微软等算力生态伙伴紧密协作，推动EDA工具在云平台运行，凸显工程工作流与大规模算力基础设施的深度绑定。
其他行业尝试通过部署小型化、任务专用模型以降低HPC依赖，尤其在推理密集型企业环境中。
AI尚未取代什么
尽管自动化浪潮汹涌，巴纳吉明确划出边界：“AI并未取代工程判断力。工程师能力将更强，但责任仍由其承担。”
他类比编程演进史：从底层编码，到高层抽象，再到如今的代码生成工具——工程师角色变化，但问责机制不变。
这在安全、认证与责任归属领域尤为关键。无论工作流自动化程度多高，设计决策与系统性能的责任，始终归属于人类工程师及其所属组织。
当前热潮虽集中于应用层与数字基础设施，但深入系统级工程需跨越软件范畴，涵盖硬件设计、算力基建与规模化产品开发能力。
AI已切实缩短设计周期、减少迭代次数、提升产品质量。但收益分布不均，高度依赖算力投入，且在各行业尚处演进阶段。真正改变的是预期水平：随着新思科技等企业面临将AI能力转化为可持续增长的压力，工程生产力与商业绩效的关联正变得前所未有的直接。
工程团队如今不仅需决定是否采用AI，更要精准识别其可量化价值所在，以及哪些环节仍建立在尚未大规模验证的假设之上。
www.eic.net.cn 提供的易IC库存管理软件，可有效协同研发与供应链环节，助力企业在AI驱动的设计变革中实现全流程高效协同。
