据今年最新发布的西门子集团第三财季财报显示，西门子EDA业务实现了30%的强劲增长。8月13日，西门子 EDA 全球副总裁兼中国区总经理凌琳在2026 年度 Siemens EDA Forum开幕演讲中表示：“软件定义、芯片赋能与 AI 加持，正在共同推动电子产业进入新的创新阶段。西门子 EDA 集成电路产品事业部执行副总裁 Ankur Gupta表示，AI 原生设计旨在将 AI 深度融入从芯片、封装、电路板到系统的全生命周期开发流程。西门子 EDA 正依托 AI 智能体、GPU 加速计算、全面数字孪生和基于物理的 EDA 软件验证等能力，帮助工程团队打造更快的工程引擎、实现更智能的执行并交付可信的设计成果。
此次Siemens EDA Forum传递出一个清晰的信号：AI原生设计正从概念走向工程实践，开始在成本、设计周期和算力消耗三个维度上重新定义半导体行业的效率边界。
提升一次性流片成功率，AI原生EDA破解成本攀升困局
当前，四大关键趋势正叠加驱动着行业发展，这也是西门子EDA业务必须应对的核心命题，首先，芯片内置AI加速器已成标配。预计到2028年，78%的芯片都将集AI加速功能；其次，软件定义产品全面普及。无论是软件定义汽车、数据中心，还是各类手持设备和物联网终端，软件定义已成为主流驱动力；第三，异构集成推动超越摩尔定律。通过将不同类型的芯粒封装在一起，我们得以在单个先进封装内持续增加晶体管数量。业界预测，到2030年，得益于异构集成技术，单个先进封装内的晶体管数量将达到1万亿个；最后，无论处于设计流程的哪个环节，客户都期望我们的产品能提供极高精度的输出。毕竟在半导体行业，芯片流片失败的成本极其高昂，制造涉及3纳米晶圆的成本就高达约5亿美元，因此功能性缺陷带来的代价是不可承受之重。
AI原生EDA正是为了破解这一困局而生。
为了满足上述需求，西门子EDA提出了“更快的引擎速度”，而这正是智能体AI大显身手的地方。智能体AI不仅优化芯片级工作流，更贯穿从芯片到系统、再到系统集群的全链路。最近，西门子EDA宣布推出具备自验证能力的智能体AI工作流。这意味着执行不同任务的AI智能体之间可以相互通信、自动验证结果，并自主完成原本耗时漫长的复杂流程。
Ankur Gupta以西门子EDA的定制IC产品Solido为例介绍， Solido有两个亮点：一是特征化速度提升10倍；二是Token成本降低10倍。这是一个基于自然语言的智能体系统示例：工程师只需在顶部输入提示词，例如“对所有单元进行特征化”，即便库中包含数千个单元、覆盖多种PVT（工艺、电压、温度）角点，系统也能自动处理。工程师下达指令后便可安心休息，无需人工干预。系统会自主运行仿真、调试结果、修复错误并完成全部复杂任务。
Ankur Gupta表示，AI智能体的核心价值之一就是帮助客户“大幅降低人工介入成本”。以物理验证领域的Calibre产品线为例，西门子已将强化学习和机器学习算法深度集成，显著提升一次性流片成功率。在可测试性设计方面，Tessent系统同样通过AI算法提升缺陷检测效率。
从18个月到9个月，AI原生EDA实现速度革命
如果说成本是芯片设计的“天花板”，那么时间就是“生命线”。当前，客户端的普遍需求是把产品上市周期缩短一半：过去需要18个月的设计周期，现在希望压缩到9个月。
AI原生EDA正在让这一目标成为现实。Ankur Gupta介绍，通过多智能体AI的协同工作，部分芯片设计任务的执行效率最高可提升10倍。在特定的工作负载下，相关加速技术最高可达1000倍的效能提升。以验证环节为例——这一环节通常占据芯片设计周期高达70%的时间。西门子EDA推出的Questa One Agentic Toolkit允许用户利用智能体自动生成验证计划和测试用例并自动执行。在定制IC设计领域，Solido方案中的AI代理实现了元件库特性流程自动化，将特性周期缩短逾10倍。意法半导体（STMicroelectronics）的实测反馈显示，该工具成功帮助其团队将复杂模块的调试时间缩短数周。
在硬件加速方面，西门子与NVIDIA的合作同样成果显著。利用FPGA原型验证方案配合NVIDIA的多万亿周期仿真能力，引擎速度提升1万倍，可在芯片流片期间提前进行软硬件协同设计。Arm最近发布的Arm AGI CPU，正是基于西门子Veloce Strato CS仿真平台与Arm的合作，在流片前完成了大规模验证。
从更宏观的视角看，行业正将芯片设计周期从12至18个月压缩至6至9个月。这不仅是工具效率的提升，更是设计方法论的底层革新——从“人工驱动”转向“AI原生驱动”。
最多可降低10倍，AI原生EDA显著降低Token使用成本
在AI驱动设计的新范式下，“代币成本”（Token Cost）成为一个全新的效率维度。大型语言模型的推理需要消耗大量Token，而Token预算已成为许多企业不可持续的高昂支出。
西门子EDA通过与NVIDIA的深度合作，在这一领域取得了突破性进展。基于NVIDIA NeMo Gym函数库优化AI代理，使其具备自主学习与验证能力，显著降低了Token使用成本。结合NVIDIA Nemotron模型与Switchyard技术，Token成本降低了约5至10倍；而基于NeMo Gym的优化又额外带来了25%的成本削减。Ankur Gupta给出了一个具体的分解：在Solido的特征化流程中，配置准备时间从数小时缩短至几分钟；数据清洗从数天降至几小时；完整流程的运行时间从数周压缩至短短几天。综合计算下来，对于此类长时运行任务，整体Token成本降低了10倍。
这一突破的意义不仅在于省钱。更低的Token成本意味着企业可以更自由地运用AI能力进行更广泛的设计空间探索，而无需受制于算力预算的约束。正如西门子EDA所强调的，其Fuse系统支持“自带模型”（BYOM）功能，让客户在自有环境中进行数据训练和微调，所有流程均部署在客户的安全环境内。这种架构既保障了数据隐私，又从根本上优化了Token的使用效率。
从5亿美元的流片成本，到18个月的设计周期，再到指数级增长的Token消耗——半导体行业正面临三重效率瓶颈的叠加挤压。AI原生EDA给出的回应不是渐进式改良，而是系统性的效率重构。西门子 EDA 全球副总裁兼亚太区技术总经理 Lincoln Lee 表示：“面对 AI 计算、先进制程、异构集成与系统级验证带来的芯片设计挑战，行业寻求的已不仅仅是更快的单点工具，而是设计方法论的底层革新，从根源上释放工程师生产力。西门子 EDA 将持续迭代技术方案与服务体系，帮助客户高效应对上述挑战，让前沿技术真正转化为可落地的产品竞争力。”