DTCO是通过设计与制程技术协同来寻求整合式的优化，改善效能、功耗效率、电晶体密度、良率及成本。随着芯片设计及工具越来越复杂，需要从设计阶段就要系统性考虑后续流程，越来越多的EDA厂商参与定义DTCO的流程方法。

鸿芯微纳CTO王宇成认为， “即使开发出了国产可用的工具，客户只在万不得已的情况下才会选择购买。这对于本土初创EDA公司来说，生存的难度很大。”

因为工艺在不断发展演变，且存在分岔，使得工具与工艺之间的匹配度将大幅下降。从EDA的角度来看，虽然各种工具看上去相差无几，但细节上的差别却可能影响到10-15%的PPA差异。

“从这个角度来看，国内的EDA工具要摆脱替代思路。如今，工艺日益复杂，与以前的平面工艺相比有着巨大的差异， DTCO可以深入挖掘工艺潜能，实现更多的PPA提升，这也是为什么国产EDA需要参与DTCO设计流程的逻辑所在。”

EDA工具必须紧密跟随工艺发展，抓住机会，并提供更好的适配和协同优化。王宇成重点提到了布局布线工具是DTCO的关键环节，鸿芯微纳布局布线Aguda已具备成熟的量产经验。

王宇成指出， EDA的发明创造进程相对缓慢，主要是在原有流程上进行不断的迭代与增强。“在过去的几年中，我们有机会参与了一些合作流程，包括在现有框架内持续打磨和优化，这些经历让我们在工具算法层面取得了显著的改进，为客户带来实实在在的收益。”

至于国内EDA全流程的补强，王宇成认为不应该盲目追求大而全，而应该注重单点突破。“一旦某个点取得了突破，就可以以此为起点，逐步推动全流程的完善。因此，鸿芯微纳目前主要工作重点是针对现有工具进行补强。”

在AI技术的投入方面，鸿芯微纳保持谨慎的态度，行业企业在侧重核心技术竞争力的同时不能放弃对AI的投入。自去年以来，鸿芯微纳虽然在AI outside上取得了一些成果，基本达到了预期的设计效果，但在客户应用中仍存在难度。

王宇成指出，挑战主要集中在两个方面。一是算力需求大，通常需要当前的10倍以上，导致部分客户因算力受限而仅在必要时才使用该技术，限制了其广泛应用。二是AI目前偏向提升工作效率，对工具性能的提升相对有限，若原有工具竞争力不强，叠加DSO功能后，其能力仍受限于原有工具的上限。

“目前，我们在这方面仍在持续探索，并保持谨慎态度。”鸿芯微纳在AI inside方面进行了研究，并在精度和Run tunnel方面取得了一些成果，并申请了专利。“目前，我们正在对产品进行认证，以将技术开发转化为实际产品。”

从实际工程角度来看，AI方法如何更好地融入现有的EDA工具与芯片设计流程还面临着很多挑战，需要研究者和工业界共同合作探索。