電子設計自動化 (EDA)
系統
矽智財 (Silicon IP)
SolvNetPlus
教育與訓練課程
讓代理型 AI 學會工程師的專業思維
本文原文由 Thomas Andersen 撰寫
半導體領域的下一次生產力躍進，將不再僅以運算能力衡量，而是取決於我們如何將人類判斷力轉化為機器可運用的優勢。晶片專案動輒涵蓋數十億個電晶體，並需要經歷數個月的驗證流程。儘管工具可以加速工作進程，但真正決定成敗的關鍵時刻仍掌握在經驗豐富的工程師手中——他們能洞察問題、權衡取捨，並做出跳脫規格的靈活決策。
換句話說，成功的晶片設計仍仰賴工程師的專業判斷與推理。而這正是關鍵所在。若要讓 AI 輔助設計從「加速」進化至「品質提升」，我們必須擷取這些推理流程，將其結構化，並在安全護欄 (guardrail) 的規範下引導 AI 執行工作。
這項契機十分明確：也就是將工程師的專業技藝轉化為可自主學習的電子設計自動化 (electronic design automation, EDA) 工具。
利用 AI 強化您的晶片設計
探索全新升級的 Synopsys.ai 產品手冊，瞭解進階優化、生成式 AI 及代理型 AI 等前瞻技術，協助您進行晶片設計流程轉型。
衡量進展：知識驅動自動化的關鍵指標
領導者必須清楚瞭解知識獲取及 AgentEngineer 的行為是否帶來真正的效益，而不僅僅是表面數據。績效指標應簡單明確，並與組織所重視的業務成果緊密連結。
簡明扼要的關鍵績效指標 (KPI) 包含：
- 人工重工 (rework) 時間減少：在常見違規類型上節省工時，同時兼顧品質。
- 每次達成里程碑所需的迭代次數：實現簽核目標所需的迭代次數減少。
- 缺陷發現曲線：更早發現重大問題，減少後期突發狀況。
- 新進人員獨立作業週期：透過操作手冊、提示語及情境資料庫，協助新進人員快速上手並貢獻產能。
- 學習循環速度：新的修正措施經過人員驗證後，到該修正能提供給 AgentEngineer 及整個團隊共同使用的週期。
將上述指標與 AI 可監控性結合，不僅能監測其運行與資源使用情況，更能延伸至決策品質，展現 AgentEngineer 的貢獻、請求審查的情形，以及獲得人員認可的比例。透明度正是建立信任的基礎。
從隱性技能到可訓練的知識
隱性知識，是工程師在工作中運用、卻未必能夠隨時說明的專業經驗。要讓生成式 AI 及代理型 AI 能夠學習這些知識，首要步驟是將其轉化為 AI 可學習的形式，同時保留其原有價值。
實際做法包括：
- 於工作現場即時記錄決策：在工程流程中嵌入簡易提示，當工程師處理違規 (violation) 時，記錄其判斷依據、考量過的替代方案及影響決策的關鍵訊號。長期累積後，這些資料將形成結構化的設計判斷資料庫，而非僅僅是操作紀錄。
- 讓決策理由成為核心資產：將限制條件調整、布圖規劃 (floorplanning)、驗證豁免 (verification exemption) 等作業，視為程式碼審查處理。簡短註解將建立可解釋的決策軌跡，既可作為模型訓練資料，也有助於新進人員學習。
- 建立情境資料庫：彙整具代表性的問題與標準解決方案，並納入平時對話中所提及的設計背景資訊，例如：之前投片 (tape-out) 可行的修正方法為何此次失效、哪些跨物理領域的交互作用可能會造成問題、啟動夜間運算前應檢查的項目。
- 使用提示與模式資料庫：針對大型模型輔助的任務，建立經過驗證的提示語及回應範本，反映公司或團隊的工程風格。定期進行版本更新，淘汰效果不佳者並推廣表現優異者。
- 以目標導向的學習形成循環：專為電路設計的基礎模型雖然具備結構學習能力，但若結合領域內的優良決策典範，模型表現成效更佳。只要透過簡單的強化學習流程 (提出方案、模擬、評分、保留)，即可持續優化。
訓練 AI 的目的並非取代專家，而是延伸其影響力。當優秀的決策被結構化並記錄下來後，每當新進工程師或 AI 專業系統遇到類似問題時，這些知識都能持續創造價值。
為何專家知識是 AI 驅動設計的關鍵缺口
儘管現代設計流程已具備強大的運算效能，卻依然仰賴人類的專業判斷與決策。即使能為佈局繞線 (place-and-route) 任務分配更多運算核心，卻無法讓工程師的判斷能力像電腦運算一樣並行處理。真正的挑戰不在於自動化不足，而是缺乏能讓自動化系統具備如同頂尖工程師般判斷力的正確「知識輸入 (input)」。
如今，系統複雜度的成長速度已遠遠超越人工擴展的能力，驗證矩陣不斷擴大，跨領域依賴性也持續增加。系統流程的推進速度，取決於組織在壓力下做出正確決策的能力。因此，單純仰賴運算速度提升的效益終將趨於平緩。由AI 驅動的設計所需的關鍵，是傳統工具無法自行創造的——也就是資深工程師在資訊尚不明朗時所運用的隱性知識 (tacit knowledge)。
工程師就像是工藝大師，憑藉過去處理時序失敗 (timing failure) 所累積的豐富經驗，能判斷哪些限制條件可以彈性調整、哪些則必須嚴格遵守。除此之外，他們也能掌握何時該結束設計迭代 (iteration)，因為在某些情況下，接受可容忍的瑕疵，往往比無止境的專案延遲更具效益。
機器善於加速運算，而人類則負責判斷重要性。唯有兩者兼備，才能真正實現設計流程的擴展。
從隱性技能到可訓練的知識
隱性知識，是工程師在工作中運用、卻未必能夠隨時說明的專業經驗。要讓生成式 AI 及代理型 AI 能夠學習這些知識，首要步驟是將其轉化為 AI 可學習的形式，同時保留其原有價值。
實際做法包括：
- 於工作現場即時記錄決策：在工程流程中嵌入簡易提示，當工程師處理違規 (violation) 時，記錄其判斷依據、考量過的替代方案及影響決策的關鍵訊號。長期累積後，這些資料將形成結構化的設計判斷資料庫，而非僅僅是操作紀錄。
- 讓決策理由成為核心資產：將限制條件調整、布圖規劃 (floorplanning)、驗證豁免 (verification exemption) 等作業，視為程式碼審查處理。簡短註解將建立可解釋的決策軌跡，既可作為模型訓練資料，也有助於新進人員學習。
- 建立情境資料庫：彙整具代表性的問題與標準解決方案，並納入平時對話中所提及的設計背景資訊，例如：之前投片 (tape-out) 可行的修正方法為何此次失效、哪些跨物理領域的交互作用可能會造成問題、啟動夜間運算前應檢查的項目。
- 使用提示與模式資料庫：針對大型模型輔助的任務，建立經過驗證的提示語及回應範本，反映公司或團隊的工程風格。定期進行版本更新，淘汰效果不佳者並推廣表現優異者。
- 以目標導向的學習形成循環：專為電路設計的基礎模型雖然具備結構學習能力，但若結合領域內的優良決策典範，模型表現成效更佳。只要透過簡單的強化學習流程 (提出方案、模擬、評分、保留)，即可持續優化。
訓練 AI 的目的並非取代專家，而是延伸其影響力。當優秀的決策被結構化並記錄下來後，每當新進工程師或 AI 專業系統遇到類似問題時，這些知識都能持續創造價值。
打造 AgentEngineer™：AI 開始具備工程設計人員思維
產業正從僅提供建議的 AI 助理 (copilot)，邁向能主動執行任務的代理型 AI。此類 AI 不僅能處理繁瑣工作、修正常見問題，還能運用團隊菁英累積的判斷，針對各種問題進行推理。
那麼，「AgentEngineer」實際上能做些什麼呢？
- 讀取問題狀態，擷取相關限制條件、違規項目與歷史紀錄。
- 根據過往案例選擇行動方案，而非僅憑經驗法則。
- 在設計流程中進行調整，重新執行適當的子流程，並檢查對鄰近模組之影響。
- 解釋決策並提供佐證，協助人類工程師迅速驗證。
這不僅僅是針對工具命令語言 (tool command language, TCL) 指令的自動補全，而是一種自動化工作流程的技術，就像一位從眾多資深工程師身上學習經驗的初階工程師。若能善加運用，可有效縮短設計週期、減少環境切換 (context switching)，讓專家專注於最具挑戰性的設計任務。
但關鍵在於，安全護欄 (guardrail) 不可或缺。
凡是在一個錯誤就可能造成重大損失的環節中，都必須保留人機協作 (human-in-the-loop) 審查機制。設置驗證檢查點與審核紀錄，確保每項自動化的操作行為均可被追溯。設計流程應力求透明，避免黑箱作業。AgentEngineer 若無法解釋其決策理由，即使效率再高也難以獲得信任。
人類監督成為競爭優勢
缺乏責任機制 (accountability) 的自動化系統將會是一種風險；若結合結構化監督，則能轉化為優勢。能夠促進並優化人類與 AgentEngineer協作的團隊，終將成為贏家。
將資深工程師視為全體團隊的導師來培養，並拓展其影響力，他們的角色不再只是個人產出，而是轉向組織層級的知識傳承，包含訓練 AgentEngineer、維護設計模式資料庫，以及審查具有高度影響力的決策等。如此一來，不僅能維持設計的高品質，更能在團隊人員流動時，保留組織的智慧知識連續性 (intellectual continuity)。
落實治理機制的方法包含：
- 制定審查流程：明確界定哪些決策可自動批准、哪些需經過人工審查，以及哪些必須由人員親自處理。
- 建立驗證儀表板：全面公開 AI 代理的操作行為、信心指數及對時序、功耗、面積和缺陷檢測的影響。
- 設置問題升級機制：當 AgentEngineer 遇到陌生問題時，能主動求助並附上相關背景資訊。
這些措施並非額外的管理負擔，而是防範模型隱性漂移 (silent drift) 的保險機制。同時，每一次審查都能成為新的訓練資料，使系統隨著使用而持續進步。
衡量進展：知識驅動自動化的關鍵指標
領導者必須清楚瞭解知識獲取及 AgentEngineer 的行為是否帶來真正的效益，而不僅僅是表面數據。績效指標應簡單明確，並與組織所重視的業務成果緊密連結。
簡明扼要的關鍵績效指標 (KPI) 包含：
- 人工重工 (rework) 時間減少：在常見違規類型上節省工時，同時兼顧品質。
- 每次達成里程碑所需的迭代次數：實現簽核目標所需的迭代次數減少。
- 缺陷發現曲線：更早發現重大問題，減少後期突發狀況。
- 新進人員獨立作業週期：透過操作手冊、提示語及情境資料庫，協助新進人員快速上手並貢獻產能。
- 學習循環速度：新的修正措施經過人員驗證後，到該修正能提供給 AgentEngineer 及整個團隊共同使用的週期。
將上述指標與 AI 可監控性結合，不僅能監測其運行與資源使用情況，更能延伸至決策品質，展現 AgentEngineer 的貢獻、請求審查的情形，以及獲得人員認可的比例。透明度正是建立信任的基礎。
專業知識即是新的訓練資料
未來的突破不再只是速度微幅提升，而在於能將團隊頂尖工程師的專業知識數位化，讓 AI 輔助設計具備「意圖 (intent)」而非僅憑「算力」。將專業知識視為數據，將能創造跨專案、跨團隊及跨時間的槓桿效益。
這條途徑十分務實，於工作現場記錄決策、保留判斷依據，並整理情境案例，由 AgentEngineer 處理繁瑣工作，人類則負責高階判斷。持續量化這些變化，並精進學習循環。
最終，設計團隊將於建構過程中不斷學習，同時兼具指導以及自動化的能力。