AI重塑芯片设计，Cadence关注EDA、IP和SDA

AI正在改变芯片设计公司的价值位置。

 

过去，EDA更多被看作半导体设计流程中的基础软件工具。随着先进制程、先进封装、Chiplet、HBM、定制芯片和AI加速器的复杂度继续上升，设计工具不再只是缩短设计周期的辅助软件，而是支撑更大规模芯片和系统设计继续向前推进的底层能力。

 

Cadence正在把未来五年的增长重点继续放在EDA、IP和SDA（系统设计分析）三条线上。在美国银行2026全球科技大会上，Cadence CEO Anirudh Devgan谈到公司过去五年的变化时表示，Cadence在相对复杂的市场环境中实现了约15%的复合增长率，利润率也持续改善，并在今年跨过“Rule of 60”（收入增长率 + 利润率 ≥ 60%）。

 

相比2018年前后，Devgan认为2026年EDA和IP的价值已经明显提高。AI带动半导体重新成为系统公司、云厂商和终端厂商的核心投入方向，芯片设计活动不再只来自传统半导体公司，也来自云计算商、汽车、手机和更多垂直整合的系统企业。

 

Cadence此前已经从传统EDA公司，逐步扩展到系统设计、多物理场仿真和IP等方向。Devgan表示，未来五年公司仍将围绕EDA、IP和SDA推进。SDA仍会保持增长，但EDA和IP在未来几年的增长潜力更突出。

 

AI对Cadence是绝对增量

 

软件行业普遍面对AI带来的重构压力，但Cadence对AI的判断更偏正面。

 

Devgan表示，Cadence既参与“设计AI”，也参与“AI用于设计”。前者对应AI芯片、数据中心CPU、GPU和定制加速器等硬件建设；后者对应将AI引入芯片设计流程，提高设计效率、验证效率和系统优化能力。

 

在他看来，这一点让EDA与普通软件行业有所不同。Cadence的工具参与NVIDIA、Google等客户的芯片设计，也会把AI能力嵌入自身设计流程。AI并不是简单替代EDA工具，而是在更复杂的设计任务中调用更多基础工具。

 

芯片设计工作量正在快速上升。Devgan提到，大客户在开发下一代芯片时，常常需要两倍工程师，这种人力曲线难以长期实现。AI无法减少设计工作量，但却可以压缩人力增长曲线，从而使客户能够继续完成更大规模设计。

 

在先进节点、先进封装和系统级芯片设计中，设计对象的规模还会继续扩大。Devgan引用TSMC路线图相关表述称，未来五年，芯片加封装系统中的晶体管数量可能提升接近50倍。面对这种复杂度提升，设计流程必须继续获得数量级效率提升。

 

这也是Cadence强调AI设计工具不会削弱基础EDA使用量的原因。Devgan提到，当客户使用ChipStack等agentic工具生成RTL时，仍然需要Xcelium和Jasper等工具验证RTL是否正确。Agentic AI进入流程后，反而会调用更多底层验证和仿真工具。

 

Agentic AI建立在基础EDA之上

 

Cadence将AI设计流程拆成三层：最上层是Agentic AI，中间层是ground truth tools，底层是计算和数据。

 

Devgan多次强调，芯片设计不同于简单软件任务。对于需要物理准确性、时序收敛、功耗面积优化、验证和可制造性的复杂任务，大模型不能绕过基础EDA工具直接完成设计。Agentic需要调用已经经过验证的工具链，才能在真实设计约束下完成任务。

 

他用一个类比解释这种关系：如果机器人进入家庭，只是把瓶子从一个地方拿到另一个地方，也许可以直接完成；但如果要加热食物，它不会用手发热，而是使用已有的微波炉。对于芯片设计，Cadence的基础工具更接近“核反应堆”，agent进入流程后不会重新发明这些底层工具，而是更有效地使用它们。

 

这种架构也决定了Cadence的AI工具不是孤立产品。ChipStack、ViraStack、InnoStack等工具一方面帮助客户把部分人工流程自动化，另一方面会带动Xcelium、Jasper等基础工具的使用。AI带来的新增TAM与基础EDA消耗之间将形成叠加关系。

 

Devgan表示，Agentic AI可以在RTL生成、验证、IP开发和系统优化等环节提供效率提升。对于客户而言，它能够减少人工重复劳动、缩短项目周期；对于Cadence自身而言，也可以提高内部R&D和IP开发效率。

 

Agentic可提升2至3倍生产力

 

Cadence正在把agentic流程同时用于客户项目和内部研发。

 

Devgan提到，Cadence约有1.5万名员工，其中大约4000人是面向客户的应用工程师，约1万人从事研发。在研发人员中，约3000人属于IP团队。Cadence正在把自己的agentic解决方案应用到IP团队中，希望这部分团队至少实现2倍生产力提升。

 

他将这一目标拆成两个维度：单个项目所需人力减少约30%，项目周期减少约30%。两者叠加后，相当于接近2倍的效率提升。有些客户希望达到更高水平，例如0.5倍人力乘以0.5倍周期，对应约4倍效率提升。Cadence当前更明确的目标，是为客户提供2倍到3倍生产力提升。

 

这种效率提升并不只影响客户，也会反映到Cadence自身经营效率上。Devgan提到，Cadence目前运营利润率约为44%至45%，增量利润率达到60%。AI工具进入内部流程后，IP研发、应用工程和代码开发都可能继续提高效率。

 

Cadence的定价逻辑也与此相关。Devgan表示，公司首先关注的是为客户提供价值。如果agentic流程能够帮助客户获得2倍、3倍甚至更高生产力改善，客户也会愿意为这种价值付费。过去Cadence增长更多来自客户设计活动增加和工具使用量提升，Agentic AI则带来新的产品机会，并进一步带动基础工具消耗。

 

设计活动从传统半导体扩展到系统公司

 

Cadence当前看到的设计活动并不只来自传统芯片公司。

 

Devgan表示，设计活动仍然很强，并且还有进一步提升的机会。过去两年，一些大型系统公司已经开始增加内部芯片设计投入。Google的成功被他视为垂直整合的代表案例，系统公司通过自研芯片、软硬件协同和基础设施控制，获得更强竞争力。

 

类似趋势也出现在中国和汽车市场。Devgan提到，小米在汽车、模型和芯片上的垂直整合令人印象深刻。除小米外，BYD、蔚来、小鹏等中国车企也是Cadence客户。传统车企、新能源车企、云厂商和终端系统公司，都在通过更多自研芯片和系统级设计增强差异化。

 

这种变化推动设计活动继续扩张。先进制程晶圆价格上升确实提高了前端设计成本，但Devgan认为，当前设计启动数量仍然保持强劲。对大型系统公司来说，芯片和系统能力带来的价值足够高，足以支撑更高设计投入。

 

传统半导体市场也在改善。Devgan提到，过去相对疲弱的部分半导体市场已经开始恢复，模拟、存储、传统半导体和系统公司设计活动都有改善。客户不仅需要更多设计能力，也希望用agentic流程提高自动化水平。

 

Cadence竞争优势来自EDA、IP和硬件平台

 

Cadence将当前竞争状态描述为公司历史上较好的阶段之一。

 

Devgan表示，公司在agentic AI方面处于领先位置，基础EDA能力也保持领先，IP业务正在提升份额，硬件验证平台方面则拥有Palladium等独特平台。

 

在核心EDA上，Cadence覆盖模拟、数字、验证、封装等多个环节。Devgan强调，公司是少数能够提供完整工具组合的厂商。面向TSMC等先进生态，Cadence在PPA和工具覆盖范围上保持较强竞争力。

 

IP正在成为增长更快的部分。Devgan坦言，早期Cadence没有在IP上投入过多资源，因为公司首先要保证EDA核心业务足够强。过去几年，Cadence开始更集中地投入IP，尤其是先进节点上的关键标准IP。

 

Cadence当前重点聚焦五类“star IP”：DDR和内存子系统、PCIe、UCIe、HBM以及SerDes。这些IP与AI芯片、Chiplet、先进封装和高速互连紧密相关。Devgan认为，Cadence不需要追求庞大而分散的IP组合，而是要聚焦少数关键IP，并在先进节点上做到足够好的PPA。

 

这种IP策略与客户结构有关。大型客户通常不会为了低价选择次优IP，而是会选择best-in-class方案。Cadence希望先赢得最重要客户，再带动更广泛采用。Devgan还提到，Cadence近几年调整了IP研发团队，现在IP团队已经达到世界级水平。对于标准IP来说，在相同工艺、相同规范下，最终竞争很大程度取决于研发团队能否实现更好的性能、功耗和面积。

 

硬件验证也是Cadence竞争力的一部分。Palladium平台面向复杂芯片和系统验证，服务于大型客户日益增长的验证需求。随着AI芯片和系统级芯片规模提升，硬件辅助验证平台的重要性也在上升。

 

SDA聚焦3D-IC和物理AI

 

Cadence过去几年持续推进SDA，但Devgan并不希望公司过度扩张到过宽的SDA领域。

他表示，Cadence需要“合适规模”的SDA，重点聚焦3D-IC和物理AI。3D-IC对应Chiplet、先进封装、热、电源完整性、信号完整性和系统级协同设计。物理AI则对应机器人、汽车、边缘AI和真实世界系统中的芯片、传感器、控制和仿真需求。

 

Devgan较早开始关注物理AI。他表示，过去几年他一直看好这个方向，只是当时市场对物理AI概念还不熟悉。现在，汽车公司、机器人公司、传统半导体公司以及AI芯片公司都开始围绕物理AI投入。

 

物理AI的时间尺度仍然不同于当前数据中心AI。Devgan此前将其看作3到7年的机会。进入前三年窗口后，相关设计活动已经开始出现。Tesla在AI芯片和机器人上的投入、中国车企在智能汽车和机器人方向上的活动，以及小米在汽车、模型和芯片上的垂直整合，都在推动相关设计需求。

 

物理AI不会只带来软件模型需求，也会提高真实设备中的芯片含量。机器人、汽车、边缘设备和工业系统需要更多传感器、控制器、计算芯片、连接芯片、模拟和混合信号器件。如果机器人未来成为大规模市场，进入机器人系统的芯片数量也会随之增加。芯片数量增加后，相关设计、验证、仿真和IP需求也会提升。

 

Cadence在物理AI中的位置并不只来自芯片设计工具，也来自系统仿真、多物理场分析和3D-IC能力。真实世界设备需要同时处理机械、电磁、热、流体、控制和芯片系统之间的关系，这使SDA能力与EDA能力之间的连接更加紧密。

 

汽车公司是其中最早启动的一批客户。Tesla、BYD、蔚来、小鹏等公司都在推动更高水平的智能化和芯片设计。传统半导体公司如ADI、TI，以及NVIDIA、Qualcomm、MediaTek等公司，也会受益于物理AI带来的新设计需求。

 

垂直整合推动EDA价值提升

 

AI和物理AI正在推动更多系统公司进入芯片设计。

 

云厂商通过自研AI芯片和CPU优化数据中心基础设施，汽车公司通过自研芯片和电子电气架构提升系统控制能力，手机和终端厂商通过芯片、模型、软件和硬件协同增强产品差异化。垂直整合正在扩大EDA和IP的客户边界。

 

Devgan提到，这类客户通常具备更强系统定义能力，也更重视与EDA厂商之间的深度协作。Devgan表示，Cadence的客户多为技术能力很强的大型公司，它们希望与供应商进行研发间的交流。Cadence在组织文化上也更强调技术领导和研发驱动，因为客户会把自身长期路线图交给工具和IP供应商共同推进。

 

在这种关系中，EDA厂商不只是销售工具，而是嵌入客户未来芯片和系统路线图。先进工艺、封装、IP、验证、仿真和agentic流程都需要在项目早期参与。设计复杂度越高，客户对工具链稳定性、IP质量、仿真准确性和工程支持的依赖越强。

 

EDA的价值正在从工具授权走向设计生产力

 

Cadence增长并不只来自工具价格提升。

 

Devgan表示，公司始终希望从客户那里获得与自身价值相匹配的回报，但前提是先交付价值。过去很多增长来自客户设计活动增加和工具使用量提升。随着agentic流程进入芯片设计流程，Cadence将获得新价值。

 

Agentic工具可以替代部分人工任务，例如RTL生成、流程调度、验证辅助和设计优化。这些过去并没有对应的工具产品，因此会带来新的TAM。与此同时，agentic工具在执行任务时又会调用更多基础EDA工具，带动原有工具消耗增加。

 

这种模式让Cadence的价值从单纯工具授权扩展到设计生产力提升。客户面对的是指数级增长的工作量，如果一个流程能够带来2倍、3倍甚至更高效率提升，就会直接影响项目进度、团队规模和产品上市时间。

 

在先进芯片设计中，时间本身就是关键成本。芯片复杂度继续上升、先进节点成本提升、封装和系统协同难度提高，都会让客户更加依赖自动化工具。Cadence希望通过Agentic AI、基础EDA、IP和SDA组合，把更多人工设计任务转化为工具驱动流程。

 

Cadence并不直接依赖某一类芯片最终出货量。只要客户需要设计更复杂的AI芯片、汽车芯片、机器人芯片和边缘计算芯片，EDA、IP和SDA需求就会提前发生。即使某些终端市场周期波动，芯片和系统设计活动仍可能保持一定韧性。

 

对Cadence来说，当前大市场是数据中心AI和agentic design flow；下一轮更长期市场则来自物理AI、机器人和边缘AI。公司需要在当前AI基础设施周期中继续扩大EDA和IP价值，同时避免错过下一代真实世界AI设备带来的设计需求。

 

Cadence继续强化研发驱动路线

 

Cadence未来五年的业务重心仍将围绕EDA、IP和SDA展开。

 

EDA方面，先进芯片、AI加速器、定制CPU、XPU、Chiplet和3D-IC将继续推高设计复杂度，验证、仿真、数字实现、模拟设计和封装协同需求同步提升。IP方面，DDR、内存子系统、PCIe、UCIe、HBM和SerDes等关键IP与AI芯片和先进封装紧密相关，会成为公司投入重点。SDA方面，Cadence将继续聚焦3D-IC和物理AI，把多物理场仿真和系统设计能力与芯片设计流程连接起来。

 

Agentic AI正在进入Cadence的产品体系和内部研发流程。ChipStack、ViraStack、InnoStack等工具面向更高自动化水平，基础EDA工具继续提供物理准确性和验证能力。Agentic工具带来新的产品空间，也带动基础工具使用量提升。

 

随着数据中心AI、系统公司自研芯片、汽车智能化和物理AI设计活动增加，芯片设计复杂度仍在继续上升，随着晶体管数量、封装复杂度和系统规模快速提升，Cadence的增长也将持续。