GenAI功能可將工作流程耗時從幾天縮短至數小時，從數小時縮短至數分鐘

新思科技（納斯達克股票代碼：SNPS）近日宣布，為旗下行業領先的半導體設計解決方案拓展Synopsys.ai? Copilot生成式人工智能（GenAI）功能。此舉可助力半導體開發團隊縮短開發周期、支持復雜度大幅提升的設計項目，并在人才短缺的行業背景下提高開發效率。

新思科技率先將人工智能（AI）確立為現代芯片設計的核心能力，依托Synopsys.ai先進AI驅動整體解決方案，運用強化學習與GenAI技術，助力客戶優化芯片性能、提升運作效率，并加速推進產品上市進程。此次拓展的Synopsys.ai Copilot輔助型與創新型功能已面向早期試用客戶落地使用，成效顯著：設計質量與開發者工作效率均實現大幅提升，客戶工作流程耗時更是從數天縮短至數小時，從數小時縮短至數分鐘。

人工智能正在徹底變革芯片設計的每一個環節，同時催生創新浪潮，推動下一代先進系統級芯片（SoC）的研發。最新的Synopsys.ai Copilot功能在芯片設計全流程中支持輔助型與創新型應用，并為客戶帶來顯著價值。憑借該功能，我們正賦能開發團隊提升設計質量、將時間投入到更具高價值的工作中，同時加快技術創新步伐。

Sanjay Bali

戰略與產品管理高級副總裁

新思科技

基于生成式人工智能的Synopsys.ai Copilot功能包括：

輔助型GenAI功能：新思科技推出的突破性知識助手及全新工作流助手應用，已獲核心客戶采用。這些應用能助力開發者在使用新思科技工具時，顯著提升工作效率與速度。值得關注的是，使用知識助手的客戶反饋顯示，新入職開發者的上手適應時間縮短30%。借助Synopsys.ai Copilot，以往需數小時完成的文檔檢索與腳本生成任務，如今僅需幾分鐘即可完成。例如，全新工作流程助手應用平均將腳本解決方案的生成效率提升2倍； 與新思科技PrimeTime?工具搭配使用時，腳本生成速度更是較傳統方法快10至20倍。如此顯著的效率提升，讓新開發者能在新思科技工具中更獨立、高效地開展工作，同時始終保持高標準的設計質量。

此外，新思科技的知識助手應用現已面向所有新思科技Cloud用戶開放，支持軟件即服務（SaaS）與自帶云（BYOC）兩種部署模式。目前，新思科技Cloud SaaS平臺已為超過100家初創企業提供生產環境支持。通過在工作流程中無縫集成并使用新思科技知識助手，這些初創企業可大幅提升開發效率，同時顯著縮短芯片流片時間。

創新型GenAI功能：新思科技的創新型GenAI功能（包括形式化斷言生成與RTL代碼生成），正幫助早期試用客戶將設計與驗證周期從數天縮短至數小時、從數小時縮短至數分鐘。例如，某領先AI基礎結構解決方案提供商發現，在形式化驗證工作流程中，得益于自動化生成的形式化測試平臺（具備高度語法準確性與功能準確性），新入職開發者與資深開發者的開發效率均提升了35%。效率提升結合成果優化，使得該團隊僅用10天就完成了10個設計組件的驗證工作。

全新Ansys Engineering Copilot深化GenAI仿真能力

此外，新思科技正將其AI能力優勢拓展至仿真與分析領域。現已并入新思科技的Ansys近期推出了Ansys Engineering Copilot?，這款多功能虛擬助手可幫助開發者在使用新思科技仿真工具時縮短學習曲線，同時提升工作效率與速度。Ansys最新產品版本還包含對Ansys SimAI?的更新：這是一款與物理領域無關的應用，可將Ansys仿真的預測準確性與AI的速度優勢相結合。目前，SimAI已與Ansys optiSLang?成功集成，不僅能加速數據集創建與AI訓練，還可進一步拓展設計變量探索范圍，有效縮短產品開發周期。

AgentEngineer?技術正在研發中——首款原型已完成演示

新思科技的GenAI能力，是其下一前沿領域（面向芯片設計的AgentEngineer?技術）的核心基礎。這些智能體及多智能體系統經專門構建與訓練，可通過引入逐步升級的自主執行能力，提升開發者的工作流程效率，進而提高生產力、優化成果質量并降低計算需求。新思科技與微軟正持續深化合作，共同開啟智能體AI時代；新思科技近期已在DAC 2025上完成該技術首款原型的演示。

此次合作不僅聚焦現有工作流程的優化升級，更致力于引入全新范式，以加速下一代芯片設計的研發創新進程、提升生產力水平。而憑借新思科技在領域內的深厚積淀，以及Microsoft Discovery平臺的強勁能力與廣闊規模，我們的合作正在打破行業既有邊界，開拓新的可能。

Aseem Datar

產品創新副總裁

微軟公司

新思科技對AgentEngineer?技術的愿景是，推動其逐步實現能力升級：從執行單一智能體的分步操作（L2），進階至多智能體協同完成復雜操作（L3），再到結合自適應學習的動態流程優化（L4），最終實現自主決策（L5）。