2026年8月13日，上海浦东嘉里酒店，2026 Siemens EDA Forum 在此拉开帷幕。从芯片到系统，从验证到封装，从工具到智能体，这场年度行业盛会汇聚了来自制造、封测、设计等产业链各环节的技术专家与媒体。

西门子EDA全球副总裁兼中国区总经理凌琳、集成电路产品事业部执行副总裁Ankur Gupta、全球副总裁兼亚太区技术总经理Lincoln Lee三位核心高管悉数出席，并在媒体沟通会上就AI原生EDA的技术路径、产品落地、数据安全与行业生态等议题深度交流。

过去几年，“EDA+AI”一度成为行业热词与风口。但在西门子EDA看来，AI与EDA的融合绝非一场宣传运动，而是一次涉及底层方法论的系统性重构——如今，这场重构已经进入实质性落地阶段。

“AI原生”不是噱头，是方法论的底层革新

在论坛开幕演讲中，Ankur Gupta以“AI原生设计：塑造未来芯片与系统”为题，开门见山地抛出了当前行业面临的核心矛盾：设计复杂度正在从芯片层面向系统乃至系统级系统延伸，而传统设计方法已难以跟上AI时代的创新节奏。

集成电路产品事业部执行副总裁Ankur Gupta

他点出了四大驱动趋势：其一，AI加速器芯片已成新品标配，预计到2028年78%的芯片将内置AI加速功能；其二，软件定义产品全面普及，从汽车到数据中心，软件正在重塑每一类终端形态；其三，异构集成持续超越摩尔定律，业界预测到2030年单个先进封装内的晶体管数量将突破1万亿个；其四，也是最基础的一条——客户对可信结果的需求不可妥协，3纳米晶圆的流片成本高达约5亿美元，任何功能性缺陷都是不可承受之重。

面对上述挑战，西门子EDA给出的答案是AI原生设计——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。在媒体沟通会上，Ankur Gupta特别强调了AI原生与AI辅助的本质差异：AI辅助是早期传统算法叠加机器学习的形态，而AI原生在建模与概率层面具备更强能力，不仅速度更快，在设计空间探索中的覆盖范围和精度也实现了质的飞跃。这一质变背后，是大语言模型以近乎每四个月一次重大迭代的速度持续演进，为EDA工具带来了全新的能力加持。

几年前，总经理凌琳曾在多个场合对“EDA+AI”的过热氛围踩下刹车，提醒业界不要被宣传迷惑、期望值要摆正，时至今日，他的判断已经更新：“技术在演进，我们要动态地看问题。几年前我说不能盲目用AI，现在我们要探讨如何有效利用AI产出可靠结果——这对芯片、集成电路及系统设计是非常有价值的。”

全球副总裁兼中国区总经理凌琳

西门子EDA的AI原生能力构建在五个技术层级之上：底层是基于ARM CPU或GPU的加速计算引擎，之上依次叠加高级推理层、智能体层、编排层，最顶层是西门子专有的EDA引擎——这些凝聚了数十年物理仿真与数学算法积累的核心工具。

Ankur Gupta将这一架构概括为：AI栈中的所有层级都是为了更智能地执行并加速那些核心引擎，而非取而代之。

在今年年初CES上宣布与英伟达联合投资AI原生EDA后，此次论坛上西门子正式交出了阶段性成果：依托英伟达的GPU硬件与CUDA-X软件栈，西门子在7月相继完成了对法国SoC创建公司Defacto和AI原生芯片PPA估算初创公司Precision的收购，进一步补强了从前端架构到快速收敛的全流程能力。与此同时，第三财季财报数据也印证了这一战略的市场成色——西门子EDA业务实现30%的强劲增长，是当季集团层面的重要亮点之一。

智能体落地：从“长时运行”到“自我验证”

如果说AI原生是战略方向，那么智能体（Agent）产品的规模化落地则是本次论坛最受瞩目的技术焦点。西门子EDA在媒体沟通会前一天刚刚发布了具备自验证能力的智能体AI工作流，这也成为此次交流的核心议题。

Ankur Gupta用两个产品案例阐明了这一能力的实质。其一是Solido定制IC平台：工程师只需在系统顶端输入自然语言提示——例如“对所有单元进行特征化”——即便库中包含数千个单元并需覆盖多种工艺、电压、温度角点，智能体便可自主运行仿真、调试结果、修复错误并完成全部复杂流程，实现特征化速度10倍提升、Token成本10倍下降。Token成本的大幅压缩来自多个维度：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数小时，借助NeMo Gym和Nemotron模型，Token效率分别提升25%和5倍，整体效益叠加后使长时运行任务的综合成本下降了10倍。

其二是此前于今年3月发布的Questa One Agentic Toolkit，面向数字验证场景，智能体可自动生成验证计划与测试用例并自主执行。值得注意的是，验证环节通常占据整个芯片设计周期长达70%的时间，实现其自动化与自主化对于缩短整体开发周期意义重大。

这些能力的底层支撑，是西门子于去年7月发布的基础模型Fuse。Fuse为EDA产品运行所产生的数据构建了结构化的本体论，正是基于这一结构化数据基础，今年才得以在上层发布具备自主协作能力的智能体系统。Ankur Gupta将其比喻为一栋需要逐层搭建的楼房：没有Fuse的积累，就没有今天智能体之间相互通信、自动验证结果的自主运行能力。

针对媒体对AI可靠性的追问，Lincoln Lee给出了他的框架性解答：AI带给EDA的真正价值在于引入了新的算法，改变了设计的方法论。以往工程师需要跑一千遍的仿真，借助AI新算法只需跑二三十遍即可覆盖同等设计空间。速度与精度之间并非此消彼长——通过引入新算法，得到的是一种更高效、更具成本效益的方法，无论从算力消耗还是人力投入来看都如此。

全球副总裁兼亚太区技术总经理Lincoln Lee

在数据安全这一敏感议题上，西门子EDA的立场颇为鲜明。Lincoln Lee直言，Fuse系统采用本地化部署，客户数据不会回传西门子EDA，更不会被用于任何模型预训练。西门子EDA的训练数据仅限于自有设计、公开数据集以及客户明确授权的案例。对于以支持目的提供的客户数据，公司严格禁止将其用于任何形式的模型训练。这一本地化策略在中国市场还衍生出另一层实用价值：Fuse的开放性支持通过MCP（模型上下文协议）接入国产大模型，满足了无法使用境外模型的客户群体的定制化需求。

异构集成、数据孤岛与工程师的角色转变

本次媒体沟通会最具深度的讨论，围绕异构集成与数据生态展开。有媒体追问：3D IC设计中，如果各Chiplet供应商彼此不愿开放GDS等核心设计数据，将如何支撑跨Chiplet的仿真与验证？

Lincoln Lee的回答充满历史感：“这和很多年前做PCB板上元件仿真一样——一开始大家都不提供SPICE模型，后来行业逐渐演进出了IBIS模型、SI模型。行业就是这样一步步走过来的。”他承认，Chiplet时代的数据共享问题切中了3D IC尚未大规模普及的核心症结，但包括西门子在内的OCP成员正在积极推动相关格式标准的制定，UCIe等互连标准也在持续走向成熟。

Ankur Gupta则从AI训练的数据困境切入，道出了EDA领域与通用AI的根本差异：半导体厂商的工艺数据极度敏感，不会公开、不会共享，这意味着EDA的AI模型无法走通用大模型海量公开语料预训练的路径。他坦言，AI原生EDA更倾向于为不同客户构建小模型或特定领域的专业大模型，而BYOM（自带模型）功能则允许客户在自有安全环境中完成数据训练与微调。

更为严苛的一条规则是，西门子EDA绝不会将在A客户处积累的能力迁移至B客户，这种客户间的严格数据隔离既保护了客户的知识产权，也维护了西门子EDA自身与晶圆厂等生态合作伙伴的核心利益。

在更宏观的叙事层面，Lincoln Lee对工具普及化是否会拉低工程师门槛这一命题提出了颇为犀利的反驳：当人人皆可设计IC时，能做出有商业价值、有市场竞争力芯片的工程师反而更难得。工具普及使得做出能工作的IC变得容易，但做出有差异化的IC则对架构能力和判断力提出了更高要求。工程师的职责重心正在从执行转向判断——如何清晰定义任务、如何评估智能体的输出、如何在出现偏差时调试修正，这些高阶能力才是未来最核心的竞争力。同时他也强调，工程师培训的重心将发生根本性转变：过去必须熟记EDA工具的具体命令，而今有了自然语言交互，工程师甚至可以直接用中文描述意图，智能体将其自动映射为底层英文指令。

凌琳的落点则更为宏观，他将西门子EDA的坐标系放在System Design Automation的框架内来理解：支撑AI算力的芯片，本身就是用EDA工具设计出来的；而这些AI能力的进步，又反过来赋能EDA工具迭代出更强的方法论。这是一个正向飞轮，也是西门子EDA判断整个行业正在进入新创新阶段的底层逻辑。她将其总结为三个相互强化的支柱：更快的引擎速度、基于智能体AI的智能执行，以及始终如一的可信结果——其中AI技术的飞速进步，正在以乘数效应放大另外两个支柱的能力。

从AI辅助到AI原生，从单点工具到自验证智能体工作流，西门子EDA的这次上海行展示的不只是产品迭代的速度，更是对未来芯片设计范式的一次系统性表态——在AI时代，设计复杂度的天花板不断上移，而工程效率的地板，也必须同步被抬高。