新思科技半导体设计解决方案拓展GenAI能力

GenAI功能可将工作流程耗时从几天缩短至数小时，从数小时缩短至数分钟

新思科技（纳斯达克股票代码：SNPS）近日宣布，为旗下行业领先的半导体设计解决方案拓展Synopsys.ai Copilot生成式人工智能（GenAI）功能。此举可助力半导体开发团队缩短开发周期、支持复杂度大幅提升的设计项目，并在人才短缺的行业背景下提高开发效率。

新思科技率先将人工智能（AI）确立为现代芯片设计的核心能力，依托Synopsys.ai先进AI驱动整体解决方案，运用强化学习与GenAI技术，助力客户优化芯片性能、提升运作效率，并加速推进产品上市进程。此次拓展的Synopsys.ai Copilot辅助型与创新型功能已面向早期试用客户落地使用，成效显著：设计质量与开发者工作效率均实现大幅提升，客户工作流程耗时更是从数天缩短至数小时，从数小时缩短至数分钟。

新思科技战略与产品管理高级副总裁Sanjay Bali：“人工智能正在彻底变革芯片设计的每一个环节，同时催生创新浪潮，推动下一代先进系统级芯片（SoC）的研发。最新的Synopsys.ai Copilot功能在芯片设计全流程中支持辅助型与创新型应用，并为客户带来显著价值。凭借该功能，我们正赋能开发团队提升设计质量、将时间投入到更具高价值的工作中，同时加快技术创新步伐。”

基于生成式人工智能的Synopsys.ai Copilot功能包括：

辅助型GenAI功能：新思科技推出的突破性知识助手及全新工作流助手应用，已获核心客户采用。这些应用能助力开发者在使用新思科技工具时，显著提升工作效率与速度。值得关注的是，使用知识助手的客户反馈显示，新入职开发者的上手适应时间缩短30%。借助Synopsys.ai Copilot，以往需数小时完成的文档检索与脚本生成任务，如今仅需几分钟即可完成。例如，全新工作流程助手应用平均将脚本解决方案的生成效率提升2倍； 与新思科技PrimeTime工具搭配使用时，脚本生成速度更是较传统方法快10至20倍。如此显著的效率提升，让新开发者能在新思科技工具中更独立、高效地开展工作，同时始终保持高标准的设计质量。

此外，新思科技的知识助手应用现已面向所有新思科技Cloud用户开放，支持软件即服务（SaaS）与自带云（BYOC）两种部署模式。目前，新思科技Cloud SaaS平台已为超过100家初创企业提供生产环境支持。通过在工作流程中无缝集成并使用新思科技知识助手，这些初创企业可大幅提升开发效率，同时显著缩短芯片流片时间。

创新型GenAI功能：新思科技的创新型GenAI功能（包括形式化断言生成与RTL代码生成），正帮助早期试用客户将设计与验证周期从数天缩短至数小时、从数小时缩短至数分钟。例如，某领先AI基础结构解决方案提供商发现，在形式化验证工作流程中，得益于自动化生成的形式化测试平台（具备高度语法准确性与功能准确性），新入职开发者与资深开发者的开发效率均提升了35%。效率提升结合成果优化，使得该团队仅用10天就完成了10个设计组件的验证工作。

全新Ansys Engineering Copilot深化GenAI仿真能力

此外，新思科技正将其AI能力优势拓展至仿真与分析领域。现已并入新思科技的Ansys近期推出了Ansys Engineering Copilot，这款多功能虚拟助手可帮助开发者在使用新思科技仿真工具时缩短学习曲线，同时提升工作效率与速度。Ansys最新产品版本还包含对Ansys SimAI的更新：这是一款与物理领域无关的应用，可将Ansys仿真的预测准确性与AI的速度优势相结合。目前，SimAI已与Ansys optiSLang成功集成，不仅能加速数据集创建与AI训练，还可进一步拓展设计变量探索范围，有效缩短产品开发周期。

AgentEngineer技术正在研发中——首款原型已完成演示

新思科技的GenAI能力，是其下一前沿领域（面向芯片设计的AgentEngineer技术）的核心基础。这些智能体及多智能体系统经专门构建与训练，可通过引入逐步升级的自主执行能力，提升开发者的工作流程效率，进而提高生产力、优化成果质量并降低计算需求。新思科技与微软正持续深化合作，共同开启智能体AI时代；新思科技近期已在DAC 2025上完成该技术首款原型的演示。

微软公司产品创新副总裁Aseem Datar：“此次合作不仅聚焦现有工作流程的优化升级，更致力于引入全新范式，以加速下一代芯片设计的研发创新进程、提升生产力水平。而凭借新思科技在领域内的深厚积淀，以及Microsoft Discovery平台的强劲能力与广阔规模，我们的合作正在打破行业既有边界，开拓新的可能。”

新思科技对AgentEngineer技术的愿景是，推动其逐步实现能力升级：从执行单一智能体的分步操作（L2），进阶至多智能体协同完成复杂操作（L3），再到结合自适应学习的动态流程优化（L4），最终实现自主决策（L5）。