多智能体AI系统：要像一支没有指挥的管弦乐团
由多个专业智能体 AI 系统组成的混合体系，无论是否存在总控角色，都能专注完成各自任务；但在界定人类与 AI 的工作边界方面，仍存在诸多挑战。
核心要点
多智能体 系统已经演化为基于任务、动态组织的技能集合，层级比传统军事体系更加扁平化，部分系统甚至可以做到无主控（headless）。
智能体能力也将依托物理层确定性引擎构建；这类智能体会以不同格式与其他智能体交互，以此保障 100% 精度，而单纯依靠大模型无法实现。
必须保留人类参与，才能让设计成果具备版权保护资格；部署本地私有模型，是保护提示词知识产权与设计 IP 不泄露的另一条路径。
圆桌嘉宾
《Semiconductor Engineering》在设计自动化大会（DAC）闭门论坛组织圆桌讨论，探讨芯片设计领域智能体 AI 的最新进展与挑战。参会嘉宾：
楷登电子（Cadence）验证软件产品管理高级总监 Matt Graham
Alpha Design AI（ChipAgents）业务拓展与战略合作负责人 Harrison Balistreri
是德科技（Keysight）高级总监、产品组合经理 Alexander Petr
西门子明导（Mentor, a Siemens business）EDA AI 产品负责人 Sathish Balasubramanian
新思科技（Synopsys）执行董事、AI 产品管理负责人 Anand Thiruvengadam
本文是三篇系列报道的第三篇。第一篇：Agentic AI Success Relies On Excellent Human Scaffolding；第二篇：Token Costs Are Becoming The New EDA Budget Battle。
（从左至右：新思 Thiruvengadam；是德 Petr；楷登 Graham；ChipAgents Balistreri；西门子 Balasubramanian）
SE（本刊）：很 多智能体 工作流采用混合专家模型（MoE），或是多层级 多智能体 架构，顶部设置总负责人。各位看到了哪些新变化？它是自上而下、类似军队模式，附带各类权限与安全分级，还是更偏向横向协作团队？
Graham：这套体系正变得远比军队扁平。如果一年前问我，我或许会回答：是的，它是庞大的智能体层级结构，包含小型子智能体、底层智能体，层层向上设立将军、中尉这类角色。但不只 EDA 领域，整个 AI 行业都在转向一套扁平化的技能 / 能力 / 知识集合。行业术语泛滥，我们看到的趋势是：技能以任务为核心动态组织，形成动态智能体。当然你可以保留一个总调度角色。
Balasubramanian：也就是编排器（Orchestrator）。
Graham：没错。其余下层结构高度扁平化。我可以快速挑选、组合所需 “力量”，但不再像军队那样固定划分为机械化师、空降师等建制单元。这些 “力量” 就是具备各项技能的智能体；我们根据任务动态编组，不像真实军队会受后勤、物理条件约束。
Petr：用管弦乐团类比会更贴切。可以有一名指挥，不同声部演奏特定乐器；乐手可以单独演奏，也可以合奏；能够同步或异步演奏，完成各自声部之后再合在一起演绎完整乐曲。
Balasubramanian：这点非常关键。即便架构扁平，核心是每个角色清楚自己的分工，也清楚和其他角色如何配合，所有人都明确最终目标，不存在信息孤岛，遵循同一套乐谱。交响乐团里每位乐手都理解彼此，看得懂乐谱，知道该做什么、不该做什么、怎么做。
Petr：体系存在边界与防护护栏，所有行为都以此为基准。
Balasubramanian：行业现在经常提到无主控智能体（headless agents），不再由一个巨型主智能体包揽全部调度。我们称之为无主控工作模式，在软件领域已经流行，现在正在进入 EDA。未来客户使用工具时，甚至感知不到背后是智能体在运行。我们的思路是，把智能体能力构建在物理仿真引擎、确定性引擎之上，引擎本身就是独立智能体。它能和其他智能体对话，识别不同数据格式、定位自身角色，理解设计数据。设计师可以直接和它交互，下达任务。这就是未来方向。
Thiruvengadam：Matt 的观点很有启发。本质上我们讨论的是数字化组织 —— 类比人类组织、层级关系，但这套数字化体系的流动性至关重要。它不是僵硬固化的结构，会随任务指令复杂度动态起伏、持续变化。系统会设置一层编排层，按需调用各类资源执行任务。未来某一阶段，这套体系可能走向自主运行。这又回到抽象层的话题：我们正在逐层剥离抽象，但目前还远未达到目标。
Balistreri：我们的产品中，智能体会提出假设，并采用锦标赛式排序评估方案。我们设有评审智能体，但多智能体方案存在很多细节问题：即便部署大量智能体求解，如果它们生成的假设高度趋同，无论智能体数量多少、评审智能体多强，都无法获得增益。核心在于上下文管理，也就是局部上下文与全局上下文的取舍。如果所有智能体都只拥有相同的局部上下文，再多部署也没有意义。想要规模化发挥多智能体价值，就需要管控每个智能体生成的假设、以及上下文来源。因此不能只做单点智能体，不能只围绕单一工具做局部加速。只有能够驱动完整工作流，智能体才真正强大。完整工作流要求在智能体循环中编码上下文读取与管理逻辑，让大量并行智能体形成差异化探索，而不是全部收敛到同一个答案。
Graham：大体上我认同，但可以从综合工具的演进做类比。如今绝大多数门级电路都是逻辑综合生成。智能体编写 RTL，再交由综合工具处理。但根据应用场景，仍有一部分电路必须人工综合或手工布局。工具加速依然有巨大价值。我不一定称之为单点智能体，但在为特定任务做工具智能体化改造后，依然会有小部分代码需要人工编写，就像 PC 和各类计算平台仍需要人工汇编少量指令。追求 100% 自主是过高目标，我认为既不现实，也没有必要。哪怕做到 99.999…%，依然还有大量工作需要完成，工具本身的加速依旧重要，当然它不再是耗时的主体。
Balistreri：这个观点在今天会场或许不算主流。我们可以选择加速现有工具，或是开发全新工具。和客户沟通后我发现，芯片流片最大瓶颈之一，是本地算力不足以运行现有 EDA 工具。能不能重新架构工具，适配智能体调用、缩短运行时间、支持更多工具并行？另一个问题：模型是否能替代原有工具？在部分至今仍依靠人工布局的复杂任务上，模型有机会接手，解决人类无法在脑中完整推演的极端复杂问题。回想过去工程师要查阅墙上厚厚的数据表，在巨大桌面上摊开图纸，计算模拟电路的电阻电容、完成布局。这类工程经验，我认为都可以被模型学习掌握。
Graham：技术上可行，但问题在于何时能实现高效落地。我们投入大量时间，依靠确定性算法、数学方法求解，保证每次结果都正确。你提出的思路是：能不能用概率模型更高效解决这类问题？目前答案非常明确：还不行。随着技术迭代，未来 2 年、8 年、10 年，它是否能在算力与成本上具备竞争力，还需要观察。
Thiruvengadam：我同意。核心就是追求更高的可靠性（the march of nines），不断提升 9 的个数，直到 99.99999%，但芯片设计需要100% 精度。我们讨论的是用模型替代两套 EDA 工具。
Balasubramanian：这点至关重要。芯片设计领域，99.99% 的准确率就等于失败。仅仅一皮秒的时序偏差，就会造成整个违例。
Petr：我们常常忘记，人类还没有完全理解所有物理规律。所有模型都是对真实世界的简化，误差层层嵌套。无论智能体框架设计得多完善，在某处必然存在取舍；如果没有捕捉到这个约束，芯片就会报废。几十年来，我们持续优化仿真引擎，目的就是拿到确定性结果。AI 领域总有一种说法：用强化学习就能搞定。诚然它可以尝试，但基于数学的优化器速度更快、精度更高。我为什么要替换它？
Thiruvengadam：要意识到，追求高可靠度的难题在软件领域存在，硬件领域只会更严峻。软件领域尚且追求 100% 正确性，硬件流片成本极高，可靠性问题的代价会被进一步放大。
Balasubramanian：沿着设计流程往下走，可容忍的误差区间会急剧收窄。
SE：在这套管弦乐团式多智能体工作流中，谁掌握终止开关？防止智能体无限消耗 Token、无休止迭代，只为追求 100% 覆盖率收敛？
Graham：这属于部署前的准备工作，是基础设施的一部分。整套系统必须依托基础设施与防护护栏运行。IC 设计与验证存在大量近乎无限的求解问题，因此必须对耗时、Token 用量、工具覆盖范围设置约束。EDA 行业多年来一直在和客户协同处理这类问题，帮助客户权衡投入产出比。过去约束对象是 CPU 周期，覆盖从 RTL 到 GDS 上千项任务，算力来自本地或云端。现在新增了 Token 预算，但同样需要防护护栏。客户专门设立部门优化这类资源调度，我们很清楚这一点。
Petr：无限循环对我们并不陌生，所有数学求解问题都可能触发死循环，我们已经有成熟应对方案。
SE：IP 归属问题怎么处理？如果你用智能体完成设计交付给客户，或是客户使用你的智能体做自研设计，知识产权归谁？
Balasubramanian：IP 归属是我听到最多的顾虑，工具厂商和客户都非常关心。智能体确实可以生成代码，但风险在于：一旦代码库混入受版权保护的代码，且没有核验，就会产生法律纠纷。第二点，我经常跟客户强调：你的提示词就是你的核心知识资产（IQ）。你向模型描述路由问题的求解思路，相当于把算法告诉模型。很多人以为这些提示词不会被留存，但大模型服务商可以拿到提示词。一旦数据脱离隔离内网，就存在泄露风险。IP 保护至关重要，尤其是源代码外泄问题，这是当下的重大隐患。
Petr：还有一点：美国版权法不认可 AI 生成代码的版权。也就是说，纯由 AI 设计的芯片，无法获得版权保护。
Balasubramanian：没错，因为大模型本身不属于版权主体。
Thiruvengadam：关键区分点在于，我们讨论的不是完全由 AI 独立完成、没有任何人参与的芯片。
Petr：版权法条要求设计的主要部分由人类完成。遗憾的是，未来大部分场景里，主要工作将由 AI 承担。
Balistreri：我先简单复盘，再回到 IP 话题。想要以高投入产出比落地 AI，同时满足企业安全要求，存在多层难题。第一是成本：我们在适配层做优化，同样任务 Token 消耗降低 40%；自研开源权重模型性能接近主流模型，成本更低。第二是全流程问题，这就需要知识本体（ontology），不能只做单点加速。第三是自主可信性：会不会出现致命错误？系统是否内置拦截机制，阻止不合格结果输出。第四就是 IP 与安全问题。简单来说：你愿意把推理请求通过公网发给一家开发竞品芯片的模型服务商吗？如果在智能体层使用前沿大模型，就会面临这个风险；部分服务商甚至不支持零数据留存。在芯片这种高度重视安全、设计流程本身就是 IP 的行业，清晰的方案是部署本地私有定制模型。这同时解决 IP 泄露问题。我不是版权律师，但只要设计数据不离开企业内网，事实上仍归企业所有。虽然不一定满足版权登记条件，但其他人无法获取。
Petr：也不要低估逆向工程的风险。