2026新思科技HAV技术开放日成都站圆桌对话回顾

在 5 月 13 日举办的新思科技硬件加速验证技术开放日成都站活动中，圆桌对话环节围绕 AI 时代背景下算力、存储与 EDA 三大核心领域的协同演进展开。来自产业链上下游的技术专家，从技术趋势、行业挑战及未来路径等方面进行了系统性分享与深入探讨。

本场圆桌对话嘉宾包括江波龙旗下慧忆微 CTO 明亮、曦望 Sunrise 硬件平台部高级总监李益全，以及新思科技应用工程中国区执行总监张春林，由新思科技资深产品销售经理彭欢主持。

圆桌对话实录

AI 浪潮下的产业重构：算力、存储与 EDA 的同步演进

主持人：从大模型到多模态，再到智能体与具身智能，算力需求成倍增长。算力与存储是 AI 时代的产业基石，同时，先进制程、Chiplet、功耗优化、验证效率等全产业链环节都在快速迭代演进。本次圆桌希望邀请各位嘉宾分享观点与洞察，从算力、存储、EDA 三个视角，共同探讨行业正在发生的变化、技术层面的难点，以及不同行业如何更好协同，迎接 AI 时代的到来。首先请三位嘉宾从自身角度，谈一谈 AI 时代所在行业发生的变化。

明亮：AI 爆发式增长，存储容量需求显著提升，从原有的 8T、16T，升级至现在的 128T、256T。公司在 CFMS 发布的 SPU 850 支持 128T，满足 AI 时代需求。公司同时发布消费级产品 720、740，相关主控配合公司产品，在 AI 加速上提供 HLC 等技术，在手机端可运行 50、60B 模型。

李益全：大家好，曦望是一家做 GPU 的公司，核心方向是降低算力成本。当前 AI 需求爆发，带动全产业链各环节资源紧缺，算力与存储均处于紧缺状态。自大模型出现以来，AI 领域从过去的小模型阶段，进入大模型规模持续扩大、参数不断提升的阶段，算力需求持续增长，算力瓶颈问题突出。当前互联网大厂与 AI 头部企业，获取算力芯片与存储资源成为核心竞争力。AI 应用已逐步渗透生活与工作场景，应用爆发带来需求激增，对算力芯片形成巨量牵引。同时国内产业发展存在外 部限制因素，未来国产 AI 芯片需要实现突破。

张春林：AI 为行业带来大量机会。我的团队负责服务中国用户，过去需要为用户提供多样化定制化工具与方案。AI 时代大幅提升了我们的能力边界，让我们能够更有力、更高效地服务中国团队与中国用户。

AI 场景下，存储与算力的核心需求差异

主持人：今天第一个话题围绕 AI 算力崛起带来的行业变化展开，接下来我将逐一提问。明亮总，近两年 GPU 算力持续增强，对存储的带宽、吞吐量、延迟要求不断提升。站在存储主控研发角度，AI 场景下的需求，与服务器、传统行业存储相比，最大变化是什么?产品设计如何匹配 GPU 的演进节奏?

明亮：AI 场景与传统存储的核心差异，在于小粒度、大随机的 IOPS。传统随机 IOPS 需求为百万级，AI 场景下达到千万到亿级，对存储形成巨大挑战，核心体现在高并发与访问粒度差异。普通 SSD 在相关场景下性能远低于 AI 需求，对行业既是挑战也是机会。我们与 GPU 合作伙伴探讨直连架构，从原有通过 CPU 访问存储，逐步转向 CXL、RDMA 等新架构形态，以适配 AI 场景需求。

主持人：行业各赛道都在针对性优化，支撑 AI 浪潮演进。李总，曦望专注打造高性价比 AI 推理芯片，提出“百万 Token 一分钱”的愿景。从训练到推理全流程，对算力密度、带宽、多芯片互联提出新需求。从一线实践来看，当前市场最核心的卡脖子需求点是什么?AI 应用发展与芯片研发是否存在追赶差距?

李益全：AI 应用爆发带来算力需求激增，算力瓶颈凸显。OpenAI 相关服务推出后，用户因 Token 成本过高转而寻求自建方案，降低推理成本是行业核心诉求。算力、访存带宽与访存容量均存在明显瓶颈，与存储环节高度关联。市场需求爆发带动存储产业快速发展，行业在访存带宽适配模型等方向开展多元探索，国内产业需要通过多样化技术路线实现突破。

主持人：张总，从全链条 EDA 工具视角观察，算力芯片与存储芯片在各自赛道同步演进，两个行业存在哪些明显趋势差异?对设计与验证工具提出哪些新挑战?

张春林：算力市场呈现三大趋势：一是架构层面异构架构探索加速;二是芯片规模持续扩大，达到千亿级晶体管;三是软硬件协同设计与优化成为重点，包括编译器与硬件协同、应用层优化、数据流驱动存储访问等。存储行业的趋势，是从容量提升走向智能化升级，近存计算、存内计算快速发展，存储介质持续革新，访问协议从 CPU 访问转向 GPU 直连。面对这些趋势，新思科技已完成技术储备，通过 Platform Architect、ZeBu、HAPS 等方案提供软硬件协同支持，工具链支持千亿级晶体管设计的仿真、综合、物理设计与签核流程。在 HAV 赛道我们拥有新产品与方法论，欢迎大家深入交流。

存算协同：算力与存储的双向需求与痛点

主持人：端侧 AI 推理与存储需要更紧密配合，实现 1+1>2 的效果。李总，从算力芯片角度，对存储的核心需求是什么?带宽、延迟、功耗等方面有哪些关键要求?

李益全：核心需求是大容量、高性能、高带宽、低延迟。算力芯片对访存需求极高，访存性能直接决定算力发挥。行业围绕访存带宽与模型适配开展近存计算、存内计算、3D 堆叠等多元探索，存储已成为行业明确瓶颈，国内产业需要持续技术突破。

主持人：明总，存储芯片如何支撑算力芯片性能释放?在带宽瓶颈、延迟、功耗优化方面有哪些突破方向?

明亮：GPU 的 key-value cache 与上下文长度持续提升，带动存储容量需求升级，32T、64T 逐步成为主流规格。新一代产品提供更好的产品 QOS 在容量提升的同时保持带宽不衰减，满足 GPU 训练场景带宽需求。推理场景中 HBM 存在容量受限与成本过高问题，我们在 3.5 层存储产品上提供高随机 IOPS 方案，满足小粒度随机访问需求。新一代产品将支持 FTP，提供 QOS 服务，针对不同 AI 场景提供差异化延迟方案。

主持人：现场同仁关注芯片与存储联合设计，双方能否在早期阶段深度协同?当前最大难点是标准、接口还是工程协同?请两位分享。

李益全：应用端对存储提出多元需求，在设计阶段根据模型特点与规律，开展 IO 协议、架构层面的定制化与协同设计，能够带来显著性能收益。近存计算、存内计算、替代 HBM 的方案等探索，都需要早期协同支撑。

主持人：在芯片架构与设计阶段获取存储模型，对性能提升有直接帮助。

李益全：是的，从架构阶段针对模型特点做定制化探索，能够实现性能收益。

主持人：明总，在存储芯片设计中，提前获取算力芯片原型与模型，是否会提升设计效率与方向清晰度?

明亮：会有很大帮助。AI 爆发前，传统存储与计算架构分离，数据中心存储带宽远低于计算需求，同时受 CPU、网络、网卡限制。与 GPU 开展联合设计，实现本地计算与 CXL 架构落地，能够更好服务 AI 场景，释放存储算力价值。

主持人：提前协同设计对验证、仿真、交付提出更高要求。新思科技如何通过工具与验证平台，帮助客户提前交付、规避设计风险?

张春林：本次活动搭建了算力与存储上下游交流的平台，新思科技希望提供更长效的协同机制。端侧 AI 方案对功耗高度敏感，我们通过 Platform Architect 在架构阶段开展功耗分析与优化，基于实际数据流量化评估存储访问对功耗的影响。跨域设计存在接口访问与一致性问题，新思科技相关平台能够实现跨部门、跨企业协同拉通，提升项目效率。

存储和 AI 芯片核心挑战与验证破局之道

主持人：行业挑战持续加大，下一个议题聚焦芯片设计与协同设计的难点。明总，GPU 数据吞吐量持续提升，对存储行业形成巨大压力。从功耗、稳定性、高并发角度，最大挑战是什么?如何在需求满足、成本与可靠性之间实现平衡?

明亮：当前最大挑战是功耗落地。端侧手机运行大模型受功耗限制，UFS 4.0、5.0 带宽翻倍，AI 场景 QOS 需求，都让存储在特定功耗下的实现难度大幅提升。我们通过电源设计、DYFS 电压控制，依据业务需求实现功耗管控。数据中心层面的挑战在于生态完善，CXL 尚未大规模应用，核心原因是 GPU 与存储协同生态不完善。借助新思科技平台，推动 GPU 与存储上下游联合定制接口，推进通用接口落地，能够完善生态、打破存储墙，具备重要产业价值。

主持人：端侧与移动端的功耗与性能平衡，是行业长期难题，需要从设计与验证方法学提前识别与优化。当前 AI 芯片呈现复杂度高、集成度高、规模大的特征。李总，在架构设计、性能优化、流片风险控制方面，最难突破的环节是什么?

李益全：设计、验证、生产全环节均存在突出难点。芯片设计复杂度呈几何级增长，带动验证复杂度与工作量大幅提升。从前端到后端再到生产，每个环节都可能成为关键卡点。算力提升、晶体管数量增加、互联系统升级，让系统规模远超传统水平。超节点等新架构持续涌现，系统规模不断扩张，原有验证方法已无法适配 GPU 赛道需求。引入 HAV 等先进方法学，能够在效率层面实现显著提升。

主持人：芯片复杂度指数级上升，研发周期持续压缩，工具正从单点向全链条端到端方向演进。张总，从行业整体视角，除设计本身外，当前最大挑战是什么?如何帮助客户解决新增行业问题?

张春林：核心挑战有五点：第一，验证环节占整个设计流程 70% 的时间，效率问题突出;第二，设计规模扩大，物理设计成为重大技术挑战;第三，软硬件协同要求提升，需要在大模型应用场景下完成功耗等问题验证;第四，工艺节点升级导致流片成本极高，试错空间有限;第五，行业对复合型人才需求提升。新思科技通过仿真平台、架构探索平台，提供针对性解决方案。同时推动 EDA 工具向集成化、智能化方向升级，以 AI 时代技术能力，用更少人力完成设计验证工作。

硬件加速验证：实际价值与核心优势

主持人：验证是全流程最耗时的环节。李总，GPU 研发中，硬件加速验证带来哪些实际改变与收益?

李益全：硬件加速验证收益显著，大幅提升验证效率。传统仿真方式已无法满足当前 GPU 设计需求，能够大幅压缩时间成本。当前设计方法论向软件定义硬件方向转变，在硬件平台上可提前运行系统应用，全面覆盖实际应用场景，能够保障芯片基本功能与场景落地，大幅降低芯片 Field 故障率与 Bug 数量。当前芯片项目周期持续压缩，成本不断提升，硬件加速验证的核心价值是提升研发效率。

主持人：硬件加速验证相比传统方式，核心优势体现在哪些方面?请张总分享。

张春林：第一是速度，新思科技基于专用 FPGA，速度优势明显;第二是容量，可支撑千亿级晶体管规模的 AI 芯片设计;第三是 Debug 效率，可快速定位大规模应用运行中的问题。此外，软硬件协同平台具备独特价值，同时支持性能分析、功耗分析，以及多物理场热数据分析，HAV 平台可为热分析提供数据支撑，借助新思科技 HPC 方案更好地解决热相关问题。

主持人：明总，存储芯片验证中如何平衡覆盖率、效率、成本?最看重验证工具的哪项能力?

明亮：存储验证分为 EDA 验证、原型验证、仿真验证三类。企业希望提升原型验证与仿真验证的占比，但相关工具成本较高。实际研发中以 EDA 验证为主，完成功能与电路级完备性验证;通过原型验证补充系统流程与兼容性测试;通过仿真验证实现软硬件交互与功耗仿真。新思科技仿真工具对功耗的仿真精度高，接近真实回片数据。我们期待原型验证工具具备仿真级 Debug 能力，同时接近原型验证的速度。新思科技 EP Ready 产品可兼顾速率、Debug 能力、易用性与性能。此外，EDA 环节引入 AI 可实现设计代码与验证代码自动生成，验证收敛是芯片研发与流片的关键卡点。期待新思科技工具推出自动生成约束环境的特性，借助形式化验证的完备能力，解决验证收敛慢的行业痛点。

AI 赋能 HAV 验证：自动化、智能化与未来演进

主持人：明总提出 AI 反向赋能验证，提升验证效率、减少工作量。张总，当前 HAV 平台集成了哪些 AI 能力?应用在哪些场景?是否实现自动生成用例、自动定位 Bug、加速覆盖率收敛?未来演进方向是什么?

张春林：我们已在现场展示 AI 自动化支撑原型收敛的案例。新思科技已推出 AI 覆盖率收敛 Agent，已向客户交付并开展技术交流，将部署于客户 AI 环境，加速项目覆盖率收敛。同时研发 Debug Agent，基于设计、波形、日志，通过 AI 自动定位问题，实现全天候自动化问题排查。AI 技术持续快速演进，当前尚未达到完全成熟阶段，我们持续在该领域积累探索，帮助行业提升效率，释放工程师精力投入创新工作。未来畅想层面，芯片设计有望实现需求直达、自动交付的终极形态，当前仍需要全行业持续投入建设。AI 不会替代从业者，而是让工作更具创新性。

主持人：两位作为工具使用者，最期待智能化验证工具解决哪些核心问题?

明亮：第一是效率，芯片研发周期持续压缩，AI 赋能工具可提升效率、降低出错率;第二是质量，流片成本高昂，行业追求一次流片成功，质量提升可保障流片成功率。

李益全：AI 可在芯片设计全流程各环节提供支撑，不会降低验证工程师的需求，而是让工程师摆脱底层重复工作，聚焦验证完备性等上层核心工作。当前 AI 仍需人为定义规格、架构，才能完成底层任务。AI 会逐步承接重复性繁重工作，让从业者聚焦更具创新性的方向。

未来展望：AI 与 HAV 的双向赋能和共同演进

主持人：今天的对话覆盖行业趋势、技术细节、芯片设计、验证体系，以及 AI 与 HAV 融合赋能。最后请三位用一句话分享对 AI 芯片行业未来的期待或判断。

明亮：AI 会让芯片设计与研发更美好，减少重复工作，让大家有更多时间投入生活与追求。

李益全：AI 会让芯片设计更简单，让大家可以做更有价值的事情。

张春林：三个关键词：融合、创新、超越。跨领域理解需求、协同演进，以需求驱动创新，最终实现超越，成为全球领先。

主持人：感谢三位嘉宾的精彩分享，感谢各位的聆听。新思科技将持续深耕芯片设计与验证领域，优化产品性能，融入 AI 特性，推动 HAV 与 AI 融合发展，与产业伙伴一道，让复杂芯片研发更快、更稳、更好。本次圆桌对话到此结束，谢谢大家!