Synopsys 提供了多种基于 AI 的搜索优化型 EDA 工具,可应用于硅芯片设计与生命周期流程的多个环节,辅助用户的工作流。其中包括 2020 年 3 月推出的 DSO.ai、2023 年 3 月推出的 VSO.ai、TSO.ai、ASO.si。此外,作为全栈式 AI 驱动 EDA 套件 Synopsys.ai,还包括 2023 年 11 月推出的 Synopsys.ai Copilot 和 2025 年 3 月推出的 Synopsys AgentEngineer。
DSO.ai 是 Synopsys 推出的业界首款自主式 AI 芯片设计优化工具(Cadence 在 2021 年 7 月推出了 Cerebrus 作为竞品),通过强化学习在超大规模设计空间中自主探索,实现从 RTL 到 GDSII 的全流程 PPA(功耗、性能、面积)优化,大幅提升设计效率与结果质量。

图 1 全栈式 AI 驱动 EDA 套件 Synopsys.ai
芯片设计或生命周期中的每一个具体步骤,都可以被视为一个必须通过流程来解决的问题。这个流程通常被拆解为以下整体问题解决步骤:
- 明确要解决的问题
- 定义该问题的成功解决方案标准
- 思考解决问题的方法
- 识别可能的解决方案
- 最终在项目预算范围内,用可接受的方案解决问题
在这个流程中,可以通过 Synopsys AI 辅助的环节是耗时的'识别可能的解决方案'这一步。借助 AI,用户就像拥有了一个专属的个人智能体,代表用户开展工作。AI 智能体将在相关搜索空间内自动识别更有前景的解决方案,并处理大量人工试错所需的繁琐流程,帮助用户实现设定的重要问题解决目标。
作为问题解决流程的通用示例,可以考虑个人出行这个问题。根据具体日期,这个问题的解决方案可能会有很多不同的要求。下面会用这个例子,结合具体场景来拆解问题解决流程,然后展示在流程的哪些步骤中,AI 智能体可以显著提升工作效率。
在个人出行这个问题上,用户通常会有一些目标,这些目标共同构成了一个最优解决方案。
- 为了在不同的可能方案之间进行比较,需要先定义可量化的指标,这样才能对不同的潜在方案进行有效对比。
- 个人出行的最优方案,可能基于几个核心指标,比如低成本、高速度、高安全性。理想的方案应该让用户既能负担得起,又能快速、安全地抵达目的地。
- 在比较不同方案时,这些指标之间往往会存在一些权衡取舍,但在所有方案中,总会有一些明显更优的选择。
在明确了解决方案的方向之后,流程的下一步是识别搜索空间的可能维度,这些维度能够生成可行的解决方案。
- 以个人出行例子来说,这可能包括车辆类型、获取车辆的地点,以及车辆制造商等维度。
- 通过同时考虑多个维度,就拥有了一个庞大的搜索空间来寻找最优解。通过识别更多现实可行的问题解决方法,获得令人满意的解决方案的可能性也会大大提高。
在完成问题解决流程的初步步骤后,下一步的核心工作就是识别和评估可能的解决方案。
- 寻找解决方案的过程,会基于搜索空间的可能维度进行评估,从而根据预设指标得到可比较的方案。
- 如果手动执行这个流程,这个庞大的搜索空间可能会让人望而生畏;但 Synopsys 的 AI 智能体能够高效地在这些大型搜索空间中导航,让你专注于其他问题,从而提升工作效率。
- Synopsys 的 AI 智能体会自动学习搜索空间的特性,帮助你识别更有前景的解决方案,让你达成目标,而无需手动管理多次实验的执行过程。
只要有充足的时间、足够的搜索空间,以及现实可行的目标,问题最终都会得到解决。
- Synopsys 的 AI 智能体将通过高效地在你指定的方向上导航解空间,最终收敛到一个可用的解决方案。
- 这个解决方案本身可以作为 Synopsys 流程中的一个输出结果,应用到硅芯片设计与生命周期流程的下一步骤中。
- 关于本次设计中搜索空间的有效利用经验,也可以应用到硅芯片设计与生命周期流程中再次执行该步骤的场景中。这使得从本次问题解决过程中获得的知识,可以扩展到你组织内的其他机会中。
以上的整个流程如图 2 所示。








