近日2026芯和半导体用户生态大会在上海举办，超千名产业链企业和高校代表围绕STCO（芯片到系统的协同优化）、系统级EDA和AI for EDA展开交流。芯和半导体在会上发布EDA2027版本，并宣布AI for EDA开始从单点功能走向平台化和产品化。
在大会期间接受媒体采访时，芯和半导体董事长凌峰博士、总裁代文亮博士反复提及一个判断：AI正在改变算力评价体系，也在改变芯片设计方法。过去以单颗芯片性能论高低的逻辑，正在让位于以系统效率、综合成本为核心的新竞争。
算力看系统，“木桶理论”从芯片延伸到机柜
“过去芯片性能以单颗芯片为准；进入AI时代，计算单元已扩展为机柜乃至集群，算力高低要看整个系统的Token产出效率和综合成本。”凌峰在开幕演讲中表示。
他用木桶理论解释系统算力的短板效应，强调系统算力取决于算力、存力、运力、电力中最短的一块，任何一个环节掉队，芯片再强也难以发挥。更复杂的是，这几块“木板”之间相互牵连，热会影响电，电又会影响信号，各自优化已难以解决问题。
这也是芯和提出并推动STCO的背景。凌峰认为，STCO要求设计从一开始就站在系统层面，以整体能效和成本为目标，把芯片、封装、板卡直至机柜放在一起考虑，让电、热、力、光等多物理问题在设计前期得到协同解决。
“今天以系统的思维来做芯片设计，是当前AI大环境下的必然趋势。”凌峰说。他进一步表示，芯和不是让客户做一个单点，而是让他做一个系统。
这一判断也得到行业机构呼应。中国半导体行业协会副秘书长陈文在致辞中表示，人工智能正在推动半导体产业创新从制程微缩转向系统集成。她肯定了芯和沿“从芯片到系统”方向持续拓展系统级EDA能力的探索，并期待芯和继续夯实多物理仿真这块“压舱石”，推动AI多智能体与EDA融合。赛迪研究院集成电路所所长周峰则从产业规划角度指出，先进封装、多芯片集成和EDA已被列为“十五五”产业基础能力的重点，EDA需要从单点工具进一步走向系统化、智能化。
局部最优不等于系统最优
STCO与过去设计方法最根本的区别，在于如何理解“最优”。在媒体交流环节，代文亮举了一个形象的例子：把姚明的长腿、爱因斯坦的大脑这些“各方面最优”的部件组装到一个人身上，每个环节看似都是最好的，整合下来却未必协调，“可能走路都不协调，更不要说正常运作”。
“局部做到最好，不等于系统最好；系统做好了，局部也不一定最优，当然它们之间会做相互的tuning、做协调。”代文亮说，现在真正能出性能的是整机，不是单颗芯片“有多牛”就能解决全部问题。
被市场热炒的光电共封装（CPO）是另一个典型案例。代文亮指出，光引擎封进去之后热量上升，会影响硅光模块的波长，行业因此转向可插拔的XPO方案。“可插拔有什么好处？成本上有优势。万一CPO坏掉了，计算芯片多贵、HBM多贵？做成可插拔的，坏了直接换掉。”在他看来，技术演进并非一味追求某个环节的极致，而是回到系统层面，看最终能达到多大的带宽、多大的算力。
在代文亮看来，STCO早已不是概念，而是工程师“迫不得已”的工程选择。工程现场的权衡无处不在，算力芯片企业希望把密度做高，密度上去之后热却散不出去，只能回过头重新设计结构与供电；计算与存储最理想的状态是挨在一起甚至合为一体，但一旦贴近，热密度的难题又随之而来。
但多物理场协同也带来计算挑战。代文亮解释，求解器要解Maxwell方程、泊松方程或流体方程，需要网格剖分和离散化，规模一大就算不动；过去电算电的、热算热的、应力算应力的，现在要协同计算，计算量更大。芯和的思路是用AI进行建模、预测和优化，但前提是数据来自边界条件下的物理仿真，保证可信。他透露，团队曾用AI推理芯片堆叠后的热结果，精度与实际多物理场仿真精度在3%以内。
AI进入设计主流程，信任仍是最后门槛
大会现场，联想集团首席工程师、总监莫志坚分享了联想与芯和历时一年多联合打造EDA Agent2.0的实践。现场演示中，EDA Agent已从单点辅助走向多智能体协同，从解答设计规范、承担建库和布局布线，到边设计边检查，覆盖多个研发环节；从读取器件手册到输出DDR分析报告，全程自动完成。该流程使设计迭代效率提升约5倍，人工操作减少约90%。
芯和半导体研发副总裁蒋历国现场发布EDA2027版本。除全新的3DIC PDK和光电联合仿真平台外，本次发布更重要的变化是AI for EDA开始从单点功能走向平台化和产品化。Agentic AI超级智能体平台AgentEvo负责理解设计任务、编排工程流程并调用专业EDA工具；Physics AI可信物理智能底座XAI则利用AI进行建模、预测和优化，扩大工程师可探索的设计空间。两大核心AI能力最终建立在芯和系统级EDA和多物理仿真能力之上，形成“AI探索、专业EDA验证”的闭环。
“系统级EDA让我们从芯片看到系统，AI for EDA则让AI真正进入设计主流程。”代文亮总结道。
凌峰认为，凡是能用自然语言描述的工作，被AI替代的概率都很大，比如从数百页设计规范生成RTL、编写testbench这类编码工作，大模型已经相当擅长；而需要求解物理方程、学习物理模型的部分，“还没那么快”。他也坦言，大模型生成的代码功能虽能实现，可读性往往不足，解决之道是让机器学习企业既有项目的模式与积累。
而且，AI要真正走进研发流程，仍要跨过“信任”这道门槛。凌峰坦言，AI进入EDA已经发生，效率提升也能被工程师实实在在感受到，但设计出来的东西能否直接投片、直接加工，仍需要人工验证。“唯一要解决的，是信任的问题。”他说，芯片一次流片投入巨大，机器生成的结果还需要专业验证体系兜底。
代文亮则强调，AI并不会替代EDA，反而会让EDA被调用得更多。“很多人认为有了AI以后就不需要EDA了，这是一个错觉。反过来，AI是大量在调度EDA。”他说，AI负责探索和编排，专业EDA和可信物理仿真完成工程验证，二者是相互调用、仿真驱动设计的关系。
谈及AI落地的节奏，代文亮强调一定是分场景、分阶段，而非“一招鲜吃遍天下”。以布局布线为例，整体自动化难度极高，行业更现实的做法是先做DDR、高速SerDes、供电、射频等模块化单元，再考虑模块间的耦合自动布局。他同时指出，芯和在AI时代具备得天独厚的数据优势：芯片设计与制造环节的数据大多封闭，而整机系统是可测、可追溯的，“OPPO、vivo、小米、传音，曙光、浪潮、联想，还有华为，整机这块是可测的，数据是可追的。”
系统原生公司的机会与边界
从本届大会的分论坛看，STCO与AI for EDA正在进入真实工程实践。海光信息、豪威、昂瑞微从芯片设计出发，芯耀辉、易卜半导体聚焦先进封装与CPO，一博科技、安捷利美维从PCB与板卡切入，光本位科技、烽火通信延伸到高速光电互连，爱德万、季丰电子则从测试验证环节补上设计闭环。AI for EDA方向，诺瓦星云分享了AI进入板级设计和多物理仿真的应用，上海交通大学、浙江大学分享了相关学术成果。
在芯和看来，平台型公司的价值，正在于了解不同伙伴的标准与边界，在不触碰原始数据的前提下，让各方设计能够对接到同一范围之内。更深层的变化，是设计逻辑的反转。“以前是把芯片设计好，给系统来用；现在是先看这套系统能不能工作，然后再看用什么样的设计，选用什么SerDes、IP。”代文亮强调，设计由此从技术驱动转向场景驱动，地面、车载、无人机乃至太空算力，抗辐照、供电、散热的约束各不相同。
芯和的差异化也由此显现。凌峰强调，芯和十几年致力于从系统层面解决问题，传统上是做多物理场仿真、系统和封装，没有涉足数字设计的物理实现、逻辑综合等环节；但AI时代系统重要性凸显，正好赶上技术趋势。代文亮补充，过去半年芯和发布了PCB设计工具、传统封装设计工具以及3DIC先进封装设计工具，“设计和仿真没法断开，它们是紧密耦合的关系”。
因此，芯和将自身定义为“系统原生”的公司，基因不是芯片，而是系统。从芯片、封装、PCB、机柜到服务器，层与层之间相互影响，需要把信号、电、热等链路串起来。这既是STCO的价值，也是系统级EDA的难点——不仅要有工具，还要让模型、数据和多物理仿真贯穿设计过程。
“STCO不是概念，是工程师迫不得已。”代文亮再次强调。对芯和而言，沿着STCO与AI for EDA两条主线，系统级EDA正在拓展国产EDA的价值边界；但要从理念走向大规模工程落地，仍需在计算精度、效率、容量以及产业链数据协同上持续攻关。AI时代没有“单点最优”，这或许正是芯和想在这场系统级竞赛中抢占的位置。
