正如Ian在文章中说，最新分享人们谈论半导体行业时，最新分享大多关注的最新分享是那些看得见的部分：芯片、工艺节点、最新分享封装技术、最新分享基准测试以及每瓦性能的最新分享竞赛。而真正让这些芯片成为可能的最新分享软件和基础设施却鲜有人问津。但随着芯片设计变得日益复杂，最新分享工艺节点也日趋先进，最新分享设计与制造的最新分享联系也越来越紧密。现代处理器的最新分享设计不再仅仅是逻辑设计和时序收敛——我们还要讨论先进封装、芯片组、最新分享多物理场、最新分享IP集成、最新分享软件驱动优化，最新分享以及日益严峻的设计空间探索挑战——如此庞大的设计空间，仅靠人类工程师难以完全覆盖。
这正是新思科技和Cadence提供的设备的重要性。接下来我们来看看他们各自CEO的观点。
与 Synopsys CEO Sassine Ghazi 的问答
在采访中，交流双方探讨了 Synopsys 如何看待Chipet时代，Sassine 表示公司不仅拥抱了这一变革，还推动了其发展； Synopsys 收购Ansys的真正意义；以及整个行业如何从单纯的芯片设计转向芯片、封装、散热、材料和软件行为的协同设计。我们还讨论了 Synopsys 与 Rapidus 合作，共同打造一家领先的芯片代工厂；以及智能体人工智能（Agentic AI）如何才能真正融入芯片设计流程，超越市场宣传的范畴，真正创造工程价值。
Ian Cutress: 鉴于芯片设计的特性，这种趋势正在加速发展；我们都看到了这一点。如今，企业不仅生产更多产品，而且产量也更大。新思科技的商业模式正在发生怎样的变化？
Sassine Ghazi: 种指数级增长的复杂性和速度正变得越来越陡峭。
回到 15 到 20 年前，我们遵循摩尔定律——客户拥有自己的架构，我们提供软件来实现芯片，然后客户自己与他们选择的代工厂合作伙伴一起制造芯片。
大约十年前，设计和制造之间的复杂性日益加深。我们致力于优化设计和技术之间的衔接。如今，随着人工智能需求的增长，芯片架构也在快速演进。实现所需功率和性能的复杂性不再遵循摩尔定律，因此出现了不同的方法，例如先进封装、多芯片等等。将这些芯片连接起来需要非常复杂的EDA系统和大量的IP。我们拥有独特的优势，因为我们在EDA技术领域处于领先地位，并拥有最广泛的IP组合，而且我们的客户也越来越重视自动化研发。
Ian Cutress: 所以，产品上市时间对你们的客户来说变得越来越重要？
Sassine Ghazi: 没错，因为过去设计一款芯片需要18到24个月。现在，客户要求一年内交付新的芯片，这意味着他们所做的每一件事都面临着更大的压力，无论是我们提供的软件，还是缩短设计时间的新技术。
Ian Cutress: 作为最早一批通过异构集成实现Chiplet集成的公司之一，我们当时遇到了很多困难，因为可用的工具非常少。而贵公司恰恰生产这类工具。您是如何拥Chiplet时代的？
Sassine Ghazi:我们不仅接受了它，还推动了它的发展。因为如果你回顾一下架构，当你从单芯片分解成Chiplet时，这并非手动完成的。芯片的哪个部分应该用哪个工艺节点？如果采用三维堆叠，应该把它放在堆叠的什么位置？存储器在其中扮演什么角色？
我们有一种叫做 3DIC 编译器的技术，它允许你从规范出发，设计高级封装或芯片（随便你怎么称呼它），并进行假设分析。例如，如果我用 5nm 工艺而不是 3nm 工艺，功耗等方面会有什么变化？芯片之间的连接性也因此变得极其复杂；UCIe 应运而生，它包含 PCIe、HBM 等技术，用于将系统连接起来。这是一个绝佳的机会，因为我们现在看到的不仅是半导体公司在设计这些芯片，而且超大规模数据中心本身也在从通用芯片转向 ASIC，最终转向客户自有工具 (COT：Customer Owned Tooling)。
Ian Cutress: 像 3DIC Compiler 这样的工具——是应客户要求而开发的，还是你们已经有了一个正在进行的内部项目来交付它？
Sassine Ghazi: 我们很早就开始关注客户的需求，3DIC 编译器就是一个很好的例子。大约在 2017 年，我们发现客户开始寻求不同的架构和封装方式，以实现更高的性能和功耗，而不是仅仅依赖摩尔定律。那时我们就开始探索和开发这项技术，并在三四年后迎来了首批应用。随着首批应用的出现，我们发现了一个新的挑战：物理学。客户在投入生产前进行制造工艺测试时，发现封装过程中存在散热、翘曲和芯片开裂等问题。物理学必须被纳入考量，而这正是我们收购 Ansys 并真正开始公司转型的原因。
Ian Cutress: 在这方面，尤其是在散热方面，我发现了一大堆IBM在90年代和2000年代关于芯片内部冷却的专利。当我们研究多层堆叠芯片时，下一步肯定是芯片内部冷却，这意味着你需要为你的客户建立模型。
Sassine Ghazi:是的，没错。除了建模之外，芯片上还有一些关键区域，你不想过度设计。你是否了解将在该芯片上运行的软件？
这样你就可以进行恰到好处的设计，避免过度设计，降低成本，同时确保在运行某些特殊情况时不会过热。
Ian Cutress: 这意味着，如果你的工作负载以某种方式攻击 ALU 或内存，你可以针对该工作负载进行设计，但最终你可能会得到一个特定于工作负载的芯片？
Sassine Ghazi: 没错，否则就会造成过度设计，而过度设计不仅成本高昂、耗时费力，而且芯片本身也不具备竞争力，因为你在不同功能之间留出了过大的余量。我们今天发布的多物理场融合平台，旨在将这些物理模型引入设计阶段，同时考虑红外、热、电磁和机械等因素，从而实现协同设计，而不是过度设计。我们通过融合平台引入了这一概念。十年前，挑战更多地在于如何缩小芯片的时序和功耗，而不是物理本身。
Ian Cutress: 晶圆级尺寸是否会带来其他问题？
Sassine Ghazi: 真正的挑战在于，我们如何在制造层面，从器件物理层面以及封装层面进行建模。在架构层面，如果你采用某种架构进行设计，那么这种架构是否能最好地代表你将要制造的器件的物理特性？从某种意义上说，是的。但从新思科技的角度来看，我们将其视为设计技术协同优化（DTCO）。这涉及到各种物理特性模型以及我们的代工厂合作伙伴将提供的解决方案。
Ian Cutress: 就EDA（电子设计自动化）和IP（知识产权）而言，使其能够在特定的工艺节点上运行是产品的关键方面。但您今天谈到的很多内容，以及我们讨论的很多内容，几乎都与工艺节点无关。那么，代工厂厂商究竟参与到什么程度呢？
Sassine Ghazi: 从某种意义上说，知识产权领域的确如此。我们拥有最广泛的知识产权组合，但我们必须针对不同的工艺节点和代工厂向客户提供这些知识产权，否则我们就无法保持知识产权领域的领先地位。如果我们只针对某个特定节点和某个代工厂提供服务，那么客户最终会自行开发知识产权。因此，我们与多家代工厂的合作需要密切的伙伴关系和协作，因为我们参与到他们PDK开发的早期阶段等等。EDA工具方面也是如此，当我们设计Fusion Compiler，或者PrimeTime或RedHawk等工具时，我们需要了解它们使用的材料和物理模型的具体实现方式，以便设计出与之匹配的工具和算法。
Ian Cutress: 所以我们甚至在讨论芯片内部衬垫和互连线使用的材料。因为这涉及到这些金属的物理特性。
Sassine Ghazi: 我们的工具之所以能实现这一点，是因为客户有这样的需求。他们设计的时候，我不想把客户的需求过度简化，但你刚才说的也差不多。可以说，我们提供的软件和客户想要实现的功能一样复杂。但我们是连接这种架构和最终交付的桥梁。如果你能把它实现出来，那就能获得最终的验收。
Ian Cutress: 就晶圆代工而言，Rapidus 是业内首家由新晋企业打造的领先晶圆代工厂，我敢说这或许是我有生之年最后一次见到这种情况了！从您的角度来看，与一家拥有 20 年经验的公司合作开发前沿知识产权，是否会面临更多挑战？您能否详细介绍一下您是如何与 Rapidus 合作的？
Sassine Ghazi: 我们与Rapidus的合作关系非常棒。我跟日本团队交流时说过，Rapidus对我们来说是一份宝贵的礼物，尤其是在日本市场作为起点的情况下。当然，他们不会仅仅是一家服务于日本市场的晶圆代工厂；他们的目标是成为一家全球晶圆代工厂。之所以说这是一份礼物，从技术角度来看，是因为他们与IBM在工艺技术方面有合作关系。我们有一种名为TCAD（技术计算机辅助设计）的技术，可以在技术处于研发阶段时对器件和工艺技术进行建模。也就是说，在接近量产之前，我们就开始与Rapidus合作。随着技术的成熟，在制作测试芯片时，设计表示形式是PDK（工艺开发套件），从0.1 PDK开始，然后逐步升级到0.5、0.7等等。因此，我们一直与他们密切合作，从工艺层面（包括EDA和设计）到IP开发。
Ian Cutress: 但是，因为他们是行业新人，情况会因此而改变吗？因为你刚才描述的情况，正是每个代工厂推出新节点时都会做的事情。
Sassine Ghazi:当然。其他代工厂都是逐个节点开发——这其中存在着渐进式和累积式的学习过程。而我们这里，部分累积式的学习来自于与IBM的合作。当然，由于这是他们开发的第一个节点，所以耗时更长。Rapidus后续的节点将与其他代工厂的节点完全相同。从Synopsys的投资角度来看，这笔投资更高，但这正是我们能为这家代工厂带来巨大价值的地方：我们的工具已经应用了从平面到FinFET再到环栅（GAA）的各种技术，所以我们的产品并不需要重新发明轮子。
Ian Cutress: 如果回顾十年前，我们讨论过未来二十年EDA的发展趋势，我们可能会说，预计未来会与现在大同小异，只是会有小幅增长。但现在，我们在多物理场、3DIC、验证和仿真方面有了新的自由度。那么问题就变成了：未来五年会是什么样子？
Sassine Ghazi:我们去年分享智能体人工智能框架的原因在于，我们毫不怀疑它蕴藏着巨大的机遇。我们在2020年将强化学习引入产品，并面向市场全面推广，而我们早在2017年就开始对其进行投资。回顾过去三年，模型创新的速度、模型编排方式的演进以及它所带来的机遇都令人难以置信。我们路线图的重要组成部分是审视整个芯片工作流程，并思考哪些部分可以分配给智能体。我们称他们为智能体工程师。智能体可以管理其他智能体，也就是编排这些智能体。我们今天早些时候发布的是多智能体自适应动态编排的第一阶段。这些智能体在处理新数据和新需求的过程中不断学习，并学习如何实现最终目标。创新将持续高速发展。关键在于，也是我们投入的重点，就是让 Synopsys 的每个部分、每个产品、每个求解器都能与最新的 AI 技术（如强化学习或其他可用技术）协同工作。
Ian Cutress: 所以你的意思是，一个智能体调用求解器，得到一个结果，检查这个结果，然后可能再次调用求解器，如此迭代学习？
Sassine Ghazi:没错。我们现在拥有的是任务agent，或者说agent工程师，人类工程师给它们分配任务，它们执行任务并返回结果，然后人类工程师进行修改等等。这里有一个认知层，编排层可以自适应；我们与微软、英伟达和其他公司就此展开合作。他们在认知层和编排层方面进展迅速，做得非常出色。所以我们并不是要重新发明现有的东西，而是要思考如何利用我们的核心资产——求解器——并引入人工智能来加速这一过程。
与 Cadence CEO Anirudh Devgan 的问答
Cadence 近年来一直致力于拓展 EDA 的含义，不断向上延伸至系统设计、数字孪生、机器人技术，以及如今的智能体 AI。然而，尽管更广泛的 AI 市场仍在争论辅助驾驶、封装器和工作流自动化等问题，但对于工程软件而言，更值得关注的问题是：这些模型能否真正融入设计环境本身？这意味着，我们不仅要与工具交互，还要理解流程，在细粒度层面调用引擎，并将数十年来积累的软件基础设施转化为一个更像团队协作而非独立产品的系统。
在今年的年度盛会 CadenceLIVE 上，该公司着重强调了这一点。几个月前，该公司发布了 ChipStack，这是其工具的全新编排层。在 ChipStack 的顶层，一个主agent可以访问五个超级agent，每个超级agent负责芯片设计工作流程的不同环节。每个超级agent都能够访问其他微模型，并随着时间的推移不断学习新技能，从而帮助架构师和芯片设计师在模拟和数字领域改进和迭代他们的设计。Cadence 认为，正是这种芯片设计方法将极大地推动当前的芯片设计进程，从而提高产品性能和产品可用性 (PPA)，并缩短产品上市时间。
在这样的背景下，我们与 Cadence 首席执行官 Anirudh Devgan 展开了讨论。讨论的重点是该公司如何看待智能体设计的发展，如何为这种转变定价，为什么认为编排应该由工具供应商而不是客户或通用模型提供商负责，以及所有这些接下来可能在物理人工智能、科学发现、机器人和更广泛的系统设计堆栈中走向何方。
Q：与使用按核心数或按席位许可的 EDA 工具相比，采用agents方法后，你们的定价方式有何变化？这种变化趋势如何？
Anirudh Devgan：将会出现三件事。agents将被用作工具（以许可证的形式出售），因此许可证需求应该会上升。许可证数量已经在略有增长，这仍然支撑着传统的商业模式。
然后新增了两个层。顶层更接近LLM经济学，采用基于消费的定价模式。我们已经对新客户进行了测试，他们也乐于接受。智能体层也承担了EDA以前从未真正做过的工作，例如编写RTL或生成验证代码。这增强了人类的能力。
所以这里实际上有两种新模式。一种是按agents收费，大致基于一个人能完成的工作量。另一种是消费模式。如果一个agent能完成十个区块而不是一个，那么消费额就会相应增加。
所以，按agents付费是新的模式，消费量也是新的模式，与此同时，对传统基础许可证的需求却在增加。我和一些大公司的CEO以及主要客户交流时，只要能带来明显的价值，他们都能接受这种模式。他们宁愿为此付费，也不愿雇佣更多的人。这一点很重要。
Q：在您描绘的未来蓝图中，科学人工智能出现得较晚，但在某些方面，它已经发生了。传统上，我们看到科学发现与超级计算紧密相连，现在量子计算也经常在这个背景下被讨论。为什么要把人工智能的出现时间安排得比现在晚一些呢？
Anirudh Devgan：有这些事情都已经发生了。有些人确实会这样谈论它们。对我来说，这更多的是一个临界规模的问题。这就像机器人技术的发展一样。
这些事情的发展速度并不相同，药物研发的速度也远不及机器人技术。我们已经与所有大型制药公司展开合作，可能是排名前十五或二十的公司。所以，药物研发正在发生。但它仍需达到突破性进展。LLM已经达到了突破性进展。机器人技术也正在朝着这个方向发展。科学发展则需要更长时间。一旦达到临界规模，其规模甚至可能超过机器人技术或物理人工智能。它可能成为一个价值数万亿美元的机遇。
对我而言，2026年才是物理人工智能真正开始的一年。过去几年最伟大的发明是自动驾驶。药物研发和医学最终可能会比自动驾驶更重要，但这取决于它们发展到何种程度的速度。
这不仅仅是人工智能，而是人工智能加上定制硬件。最大的突破在于自动驾驶，无论是Waymo还是特斯拉都证明了这一点。五年后，开车的人数可能会比现在少得多。如果汽车能够自动驾驶，那么最终船舶、无人机和国防系统也能实现自动驾驶。无人机时代即将到来，而工业机器人或许会率先实现自动驾驶。
所以，物理人工智能已经开始走上逃逸速度曲线了。虽然可能并非人人都能察觉，但它正在加速发展。在制药领域，进展可能更侧重于药物本身，也更取决于具体问题。我们已经可以进行候选药物筛选，但药物或材料科学的真正突破还需要更多时间。如果你说一切都在同时发生，没人会相信。这其实是一个时机问题。
Q：为什么编排是一个计算上如此复杂的问题？与那些自行构建agent的公司相比，你们的优势是什么？而且，Jensen或许想用你的软件，但其他公司也会提供通用的智能体。如果编排层实际上是在协调一组懂得如何使用工具的独立智能体，那么为什么这会是你擅长的领域呢？如今，这种编排通常只是人与人之间以及会议之间的协调。我不确定你相比其他来自通用计算软件领域的公司有什么优势。
Anirudh Devgan：实际上，有三种类型的实体可以在顶层进行协调。可能是我们。可能是客户，他们已经在做一些这方面的工作了。也可能是普通的LLM提供商。
我们认为我们能做到最好，原因很简单。首先，我们可以通过API以非常精细的方式调用工具。像NVIDIA这样的客户会编写自己的agent，LLM公司也会与工具交互，但通常只是在更基础的层面上。而我们可以深入了解引擎内部。我们对软件细节的了解远比他们深入，这是一个根本性的优势。
其次，我们拥有正确的思维模型。我们了解芯片堆栈和特定领域的细节。客户肯定会编写自己的agent。他们已经在这么做了。agent流程实际上是对设计流程的更佳编排。实现工具已经具备特定的接口，而且每家公司都有自己调用我们工具的方式。他们仍然会这样做，但现在他们可以使用agent来实现。
所以，没错，会有很多agent。客户会拥有自己的agent。但大型agent，也就是负责广泛编排的agent，将由我们来完成。当我们向客户展示我们的技术栈时，他们通常不想自己重新实现整个大型功能。他们可能需要特定领域的功能，但不需要完整的功能。这就是我预见到的情况。我们希望确保客户可以使用我们的agent，或者在需要时调用他们自己的agent。但主要工作将在我们的超级agent中完成。我们已经向许多客户展示了这一点，构建它需要大量的工作。
至于LLM公司，他们需要工具和领域知识。他们会不断改进模型，也可能涉足网络安全等特定领域，但他们在这个领域的数据不足。在我与查理（博通）或詹森（英伟达）的所有交流中，他们都表示自己已经有很多工作要做。他们在物理设计、模拟电路、数字电路等方面都面临着巨大的挑战。他们没有必要亲自处理整个LLM层。对于某些特定的芯片，他们或许会有自己的agent，但我们也会有自己的agent。
Q：如果客户想要直接访问这些 API 怎么办？
Anirudh Devgan：你需要一个完整的研发团队才能做到这一点。即使使用目前的接口，我们也能访问更深层次的信息。你需要了解历史和算法。大型公司通常不愿意深入到那个层面。
我们已经向许多公司展示了这一点。真正的问题是，为什么EDA公司在经历了三十多年的工作流程和工具发展之后，现在才能做到这一点？我们一直都希望实现更高的自动化程度，但以前没有算法可以将知识和工作流程自动化结合起来。现在有了。
我将展示一些实际的演示。我们需要具备技能的智能体和模型。硬件也很重要。我们拥有该领域特有的数据、知识和接口。
Q：您说的流程内部编排是指功能、叠加层还是交接？如果是的话，是否仅限于Cadence工具内部？有些设计会使用多家公司的工具来实现不同的功能。这种情况该如何运作？
Anirudh Devgan：我们称之为AgentStack的整体流程远不止RTL那么简单。它包含庞大的后端组件，我们的IP团队也对此感到非常兴奋。IP的盈利能力不如EDA，但有了这类工具，我们就能像一个两倍规模的团队一样高效运作。它也成为了我们混合信号IP的理想环境。这就是我强调这个技术栈的原因。
客户可以自行编写agent程序，也可以根据需要从其他模型中调用agent程序，他们还可以编写自己的技能。至于工具的混合使用，我们还需要观察。他们也可以根据需要调用其他agent程序。但我们的目标是确保我们拥有最好的工具和最好的agent程序。
随着工作流程日益紧密，垂直整合的趋势也将更加明显。过去，企业可能需要在不同的供应商之间建立曲折的流程。而现在，我们正朝着更加垂直化的流程发展。这部分原因在于高级节点更加复杂，部分原因也在于人工智能使得更紧密的集成更具价值。
很可能出现的情况是，不同流程之间在高层设计上仍会出现一些分裂。但我们的目标是打造最佳的PPA（支付服务提供商），不仅是最佳的agent层，还有最佳的基础工具。我们希望成为高端之选。系统越复杂，垂直整合的需求就越大。
Q：您是否有计划或概念，让一个主要agent来统筹一切？
Anirudh Devgan：这就是我们的AgentStack。它是超级agent的头部agent。它是一个agent层级结构。AgentStack下有五个超级agent，每个超级agent下又有二三十个agent，因为每个工具最终都会有一个agent接口。但AgentStack是头部agent。
Q：二十年来，我们一直在讨论EDA如何引领系统之系统设计。除了你们正在进行的投资之外，还有哪些因素可以帮助Cadence成为领先于其他工具的领军者？这里说的领先者不仅指其他EDA厂商，也指所有试图引导跨领域工作流程的机构。
Anirudh Devgan：归根结底，还是要看谁能提供最佳解决方案。我们对超级agent非常有信心。我们需要一个总agent来统筹所有超级agent，而且我们需要确保总agent的运作方式保持一致。但最终，真正的区别在于超级agent的质量和规模。它们的复杂程度与基础探索性数据分析工具本身不相上下。
另一个重要的因素是我们的客户群。我们最大的70到80家客户贡献了我们大部分的收入。这与SaaS业务截然不同。而且，人们常常忽略的一点是，我们每周都会与这些公司召开多次研发会议。
在工程软件领域，客户每周都会告诉我们他们的需求，他们想要的是超级智能体。对他们来说，从零开始编写这些智能体是浪费时间。如果我们组建了合适的团队，运用了合适的技术，并且做得足够好，他们就没有理由不采用我们的产品。我们的客户希望我们来开发它。
对另一些人来说，这就变成了一个将各个层组合起来的数学问题。例如，所有LLM公司都来找我们洽谈。机会在于用自动化取代人工操作。我们向客户展示了我们的模拟堆栈，并演示了如何实现他们现有工作的自动化。最终，最好的产品胜出。
Q：您能谈谈数字孪生以及人工智能数据中心以外的市场吗？
Anirudh Devgan：我们已经看到超大规模数据中心在这方面取得了不错的成果。另一个主要领域是机器人技术。我们进行收购的原因之一是，如果机器人技术市场规模达到2500亿美元，那么模拟与现实之间的差距就必须大幅缩小。
Atoms 的方法最为精准。如果你看看像 NVIDIA 的 Isaac 或 Google 的 MuJoCo 这样的环境，它们虽然不断改进物理引擎，但本质上仍然是游戏物理。这种物理引擎擅长处理运动，但并不总是能胜任细致的交互。最精准的多体动力学来自 Atoms（一家被 Cadence 收购的公司）。过去的问题在于速度，但现在我们已经可以接近实时了。
当我与机器人公司交流时，他们面临的最大挑战之一是最后那一毫米的动态过程，也就是物体被抓取或变形的瞬间。而数字孪生技术正是在这方面发挥着至关重要的作用。这是我们首先关注的重点。
另一个领域是无人机的计算流体动力学 (CFD)。我们曾与波音公司合作开展一个项目，结果显示，由于仿真耗时过长，实际完成的仿真量仅占预期的 20% 左右。现在，借助我们的软件和 GPU，我们可以加速部分仿真过程。因此，物理人工智能领域，包括 CFD 和航空航天领域，弥合仿真与实际应用之间的差距，蕴藏着巨大的机遇。
Q：所有 EDA 公司都已进行投资，以扩大其服务范围，使其超越传统的芯片设计公司。除了您目前合作的七八十家公司之外，这种服务在多大程度上能够普及？尤其是在agent和更广泛的生态系统方面？对于那些想要从事芯片设计但尚不了解相关技术或缺乏资源的新兴公司，情况又如何呢？
Anirudh Devgan：2018年进军系统领域的决定可以归咎于我。但现在是2026年，很多事情都发生了变化。我们当时想进入系统领域并实现多元化发展，而且这其中存在协同效应。我仍然喜欢系统设计自动化（SDA），但工程设计自动化（EDA）的价值要高得多。我们需要专注于核心业务，也就是智能体流程。
SDA固然不错，但它只是其中的一部分。3DIC很有意思，机器人技术也很有意思。我们现在的SDA业务规模超过十亿美元，而且还在增长。但EDA领域的机遇正在以前所未有的速度重新涌现。
如果我们能够利用智能体工作流程实现更多EDA自动化，那么大型系统公司就能生产更多芯片，并将业务拓展到数据中心以外的机器人等领域。因此，在智能体领域，核心业务蕴藏着巨大的机遇。更多系统公司将生产芯片，而我们这边也将实现更多自动化。
我们仍然会按比例投资于这些相关领域，以免错失良机，但EDA仍然是我们的核心业务。大约80%的业务活动仍然集中在芯片设计领域。客户的功能也得到了极大的提升。我们或许只比十年前进步了一百倍，但仍有十倍的提升空间。例如，汽车公司希望设计更多种类的芯片。
Q：Agentic是今年的热门话题。您的客户在采用Agentic的阶段处于什么位置？是早期阶段吗？
Anirudh Devgan：现在还早。很多目前都在与小型agent合作。这取决于公司。实际上，对我们和他们来说，业务增长显著提升都只是最近六个月的事。
这就是我们收购 ChipStack 的原因。我们二月份正式推出产品，现在正与客户进行更深入的交流。但发展速度非常快。自动化带来的价值正在逐步实现。
所以，没错，现在还处于早期阶段，但大家对此表现出了极大的兴趣。他们并没有自己开发所有功能，而是委托我们来做，而我们已经领先一步。虽然现在还处于早期阶段，但他们希望将这些功能集成到他们的环境中。
例如，使用 VeraStack，您可以从 Claude 调用它，但由于我们已经将其与 Virtuoso 集成了关键 API，因此客户更喜欢通过我们来操作。
如果您愿意，我现在可以按照您通常的转录风格进行下一轮整理，这意味着更简洁的引言、更轻柔的答案清理，以及发言者标签的格式与您通常使用的格式完全一致。
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。