人工智能的普及并没有改变半导体行业的一个基本事实：硬件和软件开发仍通常在两条相互分离的路径中进行。Semiconductor Engineering 于 2026 年 9 月 15 日发布的一篇分析认为，双方协同设计的益处多年来已广为人知，但要大规模实施，仍会遇到人工智能尚未解决的组织和技术障碍。
问题首先源于工作团队本身的结构。硬件和软件工程师使用不同的工具和语言，并按照不同的时间表和不同步的开发节奏工作。在传统模式下，设计在芯片进入生产阶段后，软件团队才开始使系统适配芯片，包括处理被称为 errata 的已知变更和错误。MIPS/GlobalFoundries 软件与工具负责人 Sam Grove 将这种情况描述为一次延迟交付，使软件团队承受着让产品投入运行的压力，而不是参与下一代产品的设计。
差距不仅是组织层面的
即使企业尝试实施持续集成，获得可靠结果的速度仍然是核心障碍。Synopsys 系统解决方案战略项目执行董事 Frank Schirrmeister 指出，从规格说明转向硬件和软件模型可能会变得非常迅速，前提是能够以足够快的速度模拟系统。
目前已有虚拟原型、仿真、emulation 工具以及基于 FPGA 的模型，但每种选择在准确性、性能和执行时间之间都有不同的权衡。虚拟模型可以帮助及早测试软件对架构的影响，而仿真或更详细的建模则能更好地了解性能和功耗。然而，运行一个完整且能够代表最终产品的工作负载，仍远比测试一个小功能或合成工作负载困难。
当团队希望在多个阶段执行同一个工作负载时，难度会进一步增加：从虚拟平台到 emulation，再到基于 FPGA 的模型，最后抵达芯片。芯片运行时间中的 10 秒可能无法在仿真中实际执行，这就要求确定每个阶段能够执行的部分，而不能假定单一模型能够覆盖所有用途。
共同规格是人工智能的前提
专家认为，首要要求是建立丰富且一体化的规格说明，使工程师和人工智能代理能够共同使用。根据该文章，目前只有少数行业能够做到这一点，其中军事和航天工业的程度更高。如果没有这类规格说明，人工智能就没有统一的参考依据，无法将系统需求与 RTL 设计、软件和验证结果联系起来。
合成实验或许能够衡量软件功能在一组架构上的执行时间和功耗，但这一步本身不足以作出设计决策。工程师还要在灵活性与性能、成本与尺寸、功耗预算、热量以及环境因素之间进行权衡。Normal Computing 验证解决方案工程师 Arvind Srinivasan 表示，性能最高的设计之一可能是完全针对任务定制的，而目前还没有统一的方法将所有这些约束编码为人工智能算法可以优化的目标。
人工智能目前能做什么？
当前的使用方式比“人工智能将设计整个系统”这一设想更加有限。Siemens EDA 首席产品营销经理 Andy Meier 表示，客户主要使用人工智能生成 RTL 和测试环境，但他没有看到人工智能以类似规模用于架构决策。这是因为这些决策需要广泛了解性能、功耗、成本和工作负载行为之间的权衡。
另一方面，MIPS/GlobalFoundries 使用人工智能代理执行特定任务中的软件和硬件编写，同时强调必须了解工具的局限和错误。Quadric 首席营销官 Steve Roddy 还指出，从设计模型构建到芯片问世期间，软件可能会发生多次变化，无论这些变化来自开发人员还是人工智能助手。这意味着协同设计并不是在项目开始时一次性作出的决定，而是必须持续应对软件变化的过程。
Normal Computing 提出了使用人工智能提取更抽象的硬件表示的可能性，使软件开发人员能够在 RTL 完成之前开展工作。这一设想建立在存在一种规格表示或 ontology 的基础上，它可以成为共同参考，但这并不会消除将该表示与后续模型连接起来并验证其一致性的必要性。
验证与协作是瓶颈
该分析确认，预计进展将是渐进式的，因为完全替换现有方法会增加项目风险。Srinivasan 指出，EDA 工具仍在处理问题中较小的部分，而不是改善整体结果；此外，黑箱还需要正确性保证、可审计性，以及一份统一记录来说明设计元素与验证结果之间的关系。
模型之间的同步仍然是一个实际挑战。SystemC 中的无时序高层模型在时序精度方面并不等同于 RTL，而保持两者一致会在验证、确认和软件准备方面消耗大量时间。因此，仅仅提供虚拟模型是不够的；所需的是一套相互关联的仿真和分析模型，以及在设计团队、应用团队和客户支持团队之间传递知识的机制。
从 certi.news 的角度看，真正的变化不是推出某一个工具，也不是行业立即转向由人工智能驱动的自主设计。变化在于，软件开始在芯片完成之前影响架构定义，而 EDA 工具正尝试连接过去相互分离的阶段。但来源并未提供问题已经解决的证据，反而说明统一规格不足、仿真成本、软件变化以及对可审计性的需求仍是基本限制。因此，人类经验仍将在架构决策中发挥关键作用，而人工智能的影响将主要集中在可以测试并审查结果的特定任务上。