堆叠芯片、基于 chiplet 的设计以及各种异构集成形式的普及，正推动电子设计自动化（EDA）工具供应商超越传统模式，不再将单元、模块和芯片视为彼此分离的边界。人工智能加速器和高性能计算的设计如今要求在一个统一系统中考察计算、内存、互连、电源和热量。
Semiconductor Engineering 的 Liz Allan 表示，EDA 工具正转向跨多个领域的协同分析、加速替代方案探索，并加入基于代理式人工智能的助手。供应商不再是在后期分别运行独立分析器，而是试图在单一工具中提供多物理场模型，使设计决策的影响能够在设计变化过程中显现，而不是等到设计完成后才出现。
问题已经转移到系统边界
文章援引 Microsoft 人工智能硅工程副总裁 Artour Levin 的话称，人工智能加速器最困难的问题已不再局限于芯片内部，而是出现在系统边界处。单个芯片不足以运行许多人工智能工作负载，因此有必要对整个系统进行评估。
Vinci 首席执行官兼联合创始人 Hardik Kabaria 认为，传统工作流程围绕清晰的抽象边界建立，并将物理验证推迟到每个领域的末尾。当热量、应力和电气行为穿过整个物理堆叠结构时，这一模式就变得不再适用。因此，团队在作出决策时就需要物理信息，而不是等设计停止变化后才获取这些信息。
实际发生了哪些变化？
按照材料中的观点，仅仅加速旧工具并不够。所需要的是在芯片、封装、电路板和系统之间持续提供准确且确定性的物理分析。Kabaria 强调，结果必须可衡量，并且足够准确，能够支持实际决策；除了速度之外，保证不同运行过程之间结果的可复现性也十分重要。
随着系统组件各不相同，空间规划变得更加困难，因为必须分配计算、内存和互连单元，并考虑它们之间的相互影响。此外，工具供应商之间的工具兼容性、动态规划、压降（IR）分析以及静态时序分析（STA）也带来了挑战。
改进现有工具还是构建新工具
这一阶段向 EDA 行业提出了一个战略问题：是扩展已经积累了数十年知识的成熟工具，还是构建适应人工智能和高性能计算设计特点的新工具，因为这些设计不同于传统的单芯片设计？
Synopsys 研发执行董事 Henry Sheng 表示，许多积累的知识仍然十分重要，但在隔离环境中有效的一些假设，在转向多领域分析时可能无法成立。挑战在于将工具、数据和术语重新组织到一个连贯的环境中，而不是重新发明一切，也不是让同一个概念保留不同的表示方式。
certi.news 解读
这里真正发生的变化并不只是向 EDA 工具添加人工智能功能，而是将决策点从芯片层面转移到系统层面。代理式人工智能或许能够自动化更多任务并探索更多替代方案，但它并不能消除对准确且可重复仿真的需求。工具之间的互操作性、多物理场模型的速度，以及这些模型跟上动态设计的能力，仍然是决定这一转型能否成功的开放性问题。