“过去一年，我和团队一直在讨论未来10年、20年，新思在中国应该扮演什么角色？中国已经展现出很强的产业创新能力，也正在形成自己的技术创新生态。因此，新思科技中国最终形成了一个明确的定位：在中国，连世界。”新思科技全球副总裁兼中国区总裁姚尧在2026年新思开发者大会的开幕致辞中如是说。
一年一度的新思科技开发者大会如期举行，值得关注的是，新思科技总裁兼首席执行官盖思新（Sassine Ghazi）来到了中国现场，而在今年3月，他还访问了北京大学，足以见得新思科技对于中国市场的重视程度。
那么，CEO此次再次访华有何分享值得关注？新思面对当下行业新技术和趋势有何战略？EEWorld和一众媒体和CEO进行了深度对话。
AI和EDA，如何充分融合？
盖思新表示，AI EDA需要在多个层次上进行创新，最底层是模型，其上是模型运行所需要的上下文，再往上是执行具体任务的工具。
目前新思看到的情况是，客户可能使用自己的模型，也可能采用开源模型或前沿实验室提供的模型。这些模型需要结合客户自己的数据进行训练，因此也会带来更多EDA软件的使用需求。新思科技目前已经拥有30多个任务智能体，这些智能体可以由客户自行编排，也可以采用新思科技提供的编排方案。
从实际应用来看，AI已经带来了比较明显的效率提升，其中变化最明显的是设计前端。新思科技已经与多家客户展示了从规格说明到经过验证的RTL的自主设计流程。随着AI能力不断提升，这类应用的发展速度还会继续加快。
AI智能体，如何保证可靠性？
不过，很多人仍然关注AI智能体在芯片设计是否可靠。对此，盖思新认为，在工程领域，结果必须是确定的。AI生成的结果不能仅仅因为“看起来足够好”就进入制造环节。在真正进入制造之前，仍然必须经过完整的验证和签核流程。
新思的优势之一是拥有完整的签核工具体系，包括时序、功耗、热、机械、流体和电磁等方面的验证能力。随着AI智能体越来越多，检查智能体工作结果的需求也会越来越重要。因此，AI不会绕过现有的验证流程。智能体可以与工程师并行工作，完成一些更适合AI处理的任务，但在进入下一阶段之前，仍然需要经过验证和签核。
例如在芯片验证中，当传统方法达到一定覆盖率之后，继续提高覆盖率会变得越来越困难。AI智能体可以在更大的空间里寻找新的验证机会，帮助提高覆盖率。但即便如此，智能体产生的结果也不能直接进入下一阶段，仍然需要确认其满足性能、功耗、设计规则和制造要求。
在新思看来，未来AI在EDA中的发展仍然需要“模型+上下文+工具”的组合。模型本身并不足够，智能体还需要理解设计规则、工具能力以及整个设计流程。
在AI智能体的可靠性和客户接受度方面，盖思新表示，目前采用的是逐步推进的方式。每一个现有产品都需要一个人类用户，如果能够把这个产品的使用方式交给智能体，让智能体独立完成一个具体任务，就可以形成一个任务智能体。
目前，单任务智能体已经能够很好地完成一些工作。真正困难的是多个智能体之间的编排。多个智能体协同工作时，需要有人根据输入和中间结果判断下一步应该执行什么，这仍然需要人类工程师参与。
新思已经与微软、AMD、英伟达等合作伙伴展示了多智能体自主编排能力。不过在实际工作流程中，每一个智能体完成任务后，仍然需要经过签核和检查，确保结果满足性能、功耗、设计规则和制造规则。
AI智能体的出现，正在改变行业格局
“AI正在改变客户与竞争对手之间的关系。过去很多传统EDA任务由工程师通过固定流程完成，现在客户可以自己开发智能体来完成这些任务。新思并不把这种情况简单视为竞争，而是认为这代表芯片设计方式正在发生变化。”盖思新向EEWorld强调道。
未来一两年，设计工程师和传统芯片设计公司的定义都可能发生变化。
系统公司可以提供规格说明，也可以利用AI进一步生成RTL。随着模型继续发展，系统公司甚至可能进一步完成部分物理设计，再把结果交给芯片公司完成制造、封装、组装和测试。真正不会改变的是签核。无论设计由人完成，还是由AI完成，在进入制造之前，都必须经过严格的验证。
未来的工程团队会逐渐形成“人类工程师+智能体工程师”的组合。过去，工程师需要花大量时间阅读工具手册、学习工具配置方法，并编写大量脚本。智能体可以读取完整的工具文档、设计规范和最佳实践，从而承担大量这类工作。
人类工程师需要承担的工作会逐渐发生变化。一个重要能力是定义产品规格，并对智能体进行指导和监督。当多个智能体同时工作时，还需要有人判断不同任务之间如何衔接，以及根据当前结果决定下一步应该由哪个智能体完成什么工作。随着AI承担越来越多具体任务，未来工程师需要更多系统级知识。芯片本身就是一个系统，因此工程师需要理解系统需求、架构以及物理限制。
AI带来的另一个变化，是芯片设计周期可能大幅缩短。但设计速度提高后，新的瓶颈可能转向制造。
如果未来一个芯片的设计时间从一年缩短到几个月，晶圆制造和供应链能否同步缩短周期，就会成为新的问题。因此，AI不仅会改变设计流程，也可能推动制造技术和供应链进一步发展。这也可能带来更多定制芯片。设计速度越快，客户就越有机会针对具体需求进行定制，并更快完成设计。
AI时代，EDA商业模式将会如何变化
对于AI EDA的落地，盖思新认为客户已经认可这项技术，目前最大的限制之一是计算成本。AI智能体需要大量算力，企业还要考虑使用开源还是闭源模型、是否自建模型和智能体，以及计算资源部署在哪里。
新思自身也在增加投入。公司FY27用于AI相关计算的预算将比FY26高出很多。目前已有30多个客户部署新思科技的AI智能体，但真正大规模用于生产的客户仍然较少，计算成本、投资回报和部署方式都是需要考虑的问题。
商业模式也会随之变化。盖思新表示，未来新思科技会采用“订阅+消费”的模式。客户可以订阅新思科技的AI智能体和AI平台，也可以使用自己开发的智能体，并按照实际调用新思科技EDA软件的情况付费。这样一来，AI智能体用得越多，对EDA软件资源的调用也会增加。
他补充道，智能体执行任务时，虽然可以在更短时间内完成工作，但需要在短时间内调用更多EDA软件资源。因此，客户可以通过订阅方式获得智能体，也可以按照智能体实际调用软件的情况进行消费。这种模式可以给客户更多选择。客户如果愿意使用新思科技的智能体，可以直接订阅。如果客户希望使用自己开发的智能体，也可以继续使用新思的软件，并按照实际使用量付费。
英伟达和新思，合作边界正在发生变化
2025年11月，NVIDIA斥资20亿美元投资Synopsys，双方围绕Agentic AI、数字孪生、云端EDA等领域展开合作，在Grace Blackwell平台支持下，EDA工作负载预计可提升30倍性能。这一合作引发了行业巨大关注。
值得注意的是，2026年DAC Chips to Systems上，新思的方案也提及了英伟达，其不仅提供推理层（Nemotron 3 Ultra）、治理层（OpenShell）和求解器（CUDA-X），更通过自研Vera CPU直接切入吞吐量极大、过去高度依赖传统CPU的EDA验证服务器集群（Farm）。
谈到新思科技与英伟达的合作时，盖思新面表示，随着AI的发展，客户、竞争对手和合作伙伴之间的边界正在发生变化，双方的合作主要分为三个层面。
第一层是GPU加速。双方已经梳理出新思科技产品中适合GPU加速的部分，并通过联合研发，让相关软件更好地适配英伟达GPU架构，从而缩短运行时间。
第二层是AI平台。英伟达正在投入AI模型、工具链以及芯片设计所需要的上下文能力，新思科技则拥有大量EDA软件和设计流程，两家公司可以在AI芯片设计平台上进一步合作。
第三层则是面向Physical AI的数字孪生。英伟达在Omniverse等数字孪生技术上进行了大量投入，而新思科技拥有丰富的物理仿真能力。随着AI从数字世界进入物理世界，两者可以结合起来，对最终产品进行更加高保真的物理仿真。
物理AI，中国市场的机会
关于新思在中国的业务，盖思新表示，公司第三季度业绩表现良好，并上调了全年指引。增长主要来自新的芯片设计项目，尤其是高性能数据中心芯片。
越来越多客户开始设计新的高性能芯片，这意味着更多EDA软件、IP以及硬件辅助验证需求。相比之下，移动、汽车和消费电子市场的设计项目虽然保持稳定，但增长没有数据中心那么强。
他强调，中国目前约占新思科技全球收入的11%至12%，今年中国业务增速与公司整体增速基本一致。
展望未来，新思认为中国市场的重要机会之一来自Physical AI（物理AI）。中国在规模化制造、成本控制以及新能源汽车、机器人等领域拥有丰富的应用场景。Physical AI需要在真实世界中解决成本、规模和制造问题，这与中国的产业优势有较高契合度。
重新定义物理AI未来的工程
盖思新在开发者大会的主论坛上也重点分享了物理AI，他提出了一个关键词“Re-engineering the Future”。他表示，我们正在进入“普遍智能”时代。AI会进入越来越多的产品和系统，芯片和软件也需要随之发展。未来的机器人、无人机、智能汽车等系统，都需要从芯片一直优化到软件和AI模型。
其中，物理AI尤其值得关注。数字AI主要通过数字界面帮助人完成工作，而物理AI则需要在真实世界中感知环境、做出决策并执行动作。机器人面对的是开放且复杂的环境，其工程难度远高于传统数字AI系统。
以人形机器人为例，未来机器人可以进入制造、物流等场景，承担重复、危险或不适合人工作的任务。随着机器人能力不断提升，它们能够承担的工作范围也会扩大。
不过，物理AI要真正落地，还要解决功耗、延迟、安全和成本等问题。机器人需要实时感知和响应，系统又受到成本限制，因此必须从芯片、软件到系统进行整体优化。
围绕这些变化，新思科技提出了三个重点方向：Co-Design（协同设计）、Digital Twin（数字孪生）、Agentic AI（智能体AI）。
Co-Design：未来的系统越来越复杂，工程师需要同时考虑电子、电气、热、机械、流体等多个领域。过去主要针对芯片进行协同设计，如今这一方法正在向整个系统扩展。
新思希望通过电子设计、仿真和多物理场分析，将不同工程领域连接起来。这样可以在产品制造前发现问题，减少反复设计，提高产品开发速度。
Digital Twin：全球企业每年在产品研发上的投入约为1.7万亿美元，其中大量资金仍用于实体样机和失败验证。随着汽车、AI数据中心、机器人等系统越来越复杂，仅依靠实体样机已经很难满足研发速度要求。例如智能汽车需要同时建立电子系统、物理结构以及运行环境的数字模型。
通过数字孪生，工程师可以提前验证不同设计方案，并在虚拟环境中进行大量测试。新思今年还与英伟达展开合作，将新思科技的高精度多物理场仿真能力与英伟达的Omniverse平台结合，用于复杂系统的数字孪生设计。
Agentic AI：未来的工程团队将出现人类工程师与AI智能体共同工作的模式。新思正在为不同EDA工具开发任务智能体。智能体可以承担具体设计、验证和分析任务，人类工程师则负责提出要求、检查结果和进行决策。客户也可以将新思科技的智能体与自研智能体结合使用。
这种方式可以进一步发展成多智能体协作。不同智能体分别负责设计、验证、实现等任务，再通过更高层的智能体进行调度和协作。
盖思新特别强调了“上下文”的重要性。AI智能体能否完成任务，不仅取决于模型本身，也取决于它掌握的工具、技能和工程知识。新思科技希望提供一个开放的平台，让客户根据自己的需求选择不同的智能体和工具。
他还提到，AI智能体带来的一个现实问题是计算成本。智能体执行任务时，会在较短时间内调用大量EDA软件资源，因此企业需要关注Token消耗和计算基础设施成本。未来EDA软件的商业模式也可能更多采用订阅与按量使用结合的方式。
在盖思新看来，AI不会简单地取代工程师。工程师需要重新思考哪些工作可以交给AI完成，从而把更多精力放在设计、判断和创新上。
写在最后
AI带给EDA的变化，远不只是增加几个AI工具。无论AI把设计速度推得多快，有一件事仍然没有改变：工程结果必须经过验证，产品最终还要回到真实世界接受检验。
这或许也是盖思新此时讨论Co-Design、Digital Twin和Agentic AI的原因。EDA正在从“帮助工程师设计芯片”，走向“帮助工程师设计越来越复杂的智能系统”。AI负责承担更多具体工作，人类工程师则需要把更多精力放在定义问题、理解系统和做出工程判断上。
对于新思而言，未来竞争不只在EDA工具本身。谁能把AI、仿真、IP、验证和系统工程真正连接在起来，做成一个触手可及的平台，谁就会取得优势。
AI之后的EDA，真正发生变化的或许不是某一个工具，而是整个工程师的工作方式。
来源：电子工程世界（EEWorld） 作者：付斌
