芯和半导体凌峰：AI时代算力看系统Token产出，STCO成必答题

财联社11月1日消息，记者张校毓、实习记者朱洺锐。芯片算得快了，散热跟不上，设计里的性能就发挥不出来；线缆、连接器单看指标都合格，装进整机却达不到预期。HBM、CPO、液冷、超节点、AI工厂，AI基础设施一路扩张，把单颗芯片、板卡直到机柜都推上了同一张“考卷”。

近日举行的2026芯和半导体用户生态大会上，芯片设计、存储、先进封装、整机及器件等环节的企业，反复提到同一个问题：AI时代，局部做到最优，已经越来越难保证系统最优。芯片、封装、存储、互连、供电和散热，彼此之间的牵连越来越紧。

AI也在改变设计流程本身。不过，STCO（芯片到系统的协同优化）要想变成日常的工程能力，还得迈过工具链之间的数据孤岛、多物理场的协同仿真、协同计算这几道坎，这也是整条产业链共同的难题。

算力的衡量方式正在变

AI需求带来的变化，正沿着半导体产业链一层层传导。中国半导体行业协会副秘书长陈文在致辞中说，人工智能正推动半导体产业创新从制程微缩转向系统集成。

赛迪研究院集成电路所所长周峰从产业规划的角度提出，先进封装、多芯片集成和EDA已被列入“十五五”产业基础能力的重点，EDA要从单点工具进一步走向系统化、智能化。

政策层面，今年9月，工业和信息化部、国家发展改革委对外发布《电子信息制造业发展“十五五”规划》，其中明确提出，持续提升关键装备、材料和零部件供给能力，加快发展电子设计自动化工具（EDA）和知识产权核（IP核）。

落到AI计算系统上，这种变化最先体现在算力的衡量方式。

芯和半导体董事长凌峰博士在会上说，过去芯片性能以单颗芯片为准；进入AI时代，计算单元已经扩展到机柜乃至集群，算力高低要看整个系统的Token产出效率和综合成本。

他借木桶理论来解释：系统算力取决于算力、存力、运力、电力里最短的那一块，哪个环节掉队，芯片再强也发挥不出来。这几块“木板”还互相牵连，热会影响电，电又会影响信号，各管各的优化已经解决不了问题。

所以凌峰认为STCO势在必行：设计从一开始就要站在系统层面，以整体能效和成本为目标，把芯片、封装、板卡直到机柜放在一起考虑，让电、热、力、光等多物理问题在设计前期就协同解决。

据他介绍，芯和以系统级设计与多物理场仿真能力为基础，向上引入AI智能体，向外把仿真工具从芯片一路扩展到整机，并且已经通过与产业链伙伴的多项合作推动STCO落地。

局部最优不等于系统最优

本次大会上，芯和半导体发布Agentic AI超级智能体平台AgentEvo和Physics AI可信物理智能底座XAI。前者负责理解设计任务、编排工程流程并调用专业EDA工具，推动AI从辅助操作进一步进入真实设计流程；后者利用AI做建模、预测和优化，扩大工程师可以探索的设计空间。

联想集团首席工程师兼总监莫志坚介绍了联想和芯和联手做EDA Agent 2.0的落地情况。现场演示里，EDA Agent已经不只是单点帮忙，而是多个智能体一起协作：解答设计规范、建库、布局布线，再到边设计边检查，好几个研发环节都能覆盖，从读器件手册一直到出DDR分析报告，整个过程不用人插手。这套流程让设计迭代效率提高到原来的约5倍，人工操作少了约90%。

推动STCO落地的背后，来自不同产业位置的嘉宾判断一致：局部做到最好，不等于系统最好；系统做好了，局部也不一定最优，但彼此之间会相互协调。芯片、封装、存储、互连、供电和散热之间的相互影响日益增强。

芯和半导体总裁代文亮博士在圆桌会议上谈到产业链的现状时说：“以前做一个系统，往往各家先把自己的那块做好，再拼到一起。进了AI时代，这条路越来越走不通：数据一快，存储就追不上；存储追上了，互联又掉队；互联跟上了，功耗又冒出来，散热也麻烦。”

处在不同环节的企业，对此也有类似的体会。立讯技术CPO陈琼南表示，系统级联合仿真要是缺了，毛病常常拖到后段才暴露，改一次设计，代价可能达到数千万元。

村田SVP封明安从“点、线、面”说起：“早先做设计，是从‘点’入手，围绕自家器件的特性、包括一些参数去改进；走到‘线’，我们想看整块电路板上的布局；现在到了‘面’：AI和散热成了显学，在电源管理、power distribution network这样的情况下，系统层面的挑战越来越严峻。”封明安说。

武汉新芯CTO周俊也提到，片间连接带宽要做到最高，连接密度和微通孔密度可能都得拉到最高。可这么一来，散热、基板的电容与电感都会受到很大牵连。“这个最优解可能会拖累别的方面，所以得全面权衡。”

STCO还要跨过数据孤岛、协同计算等门槛

不过，怎么让协同从各环节团队“多沟通几次”变成真正的协同，让不同层级的模型、物理问题和设计结果真正高效地连接起来，也是整条产业链共同的难题。

这背后有个问题值得追问：STCO怎样从一个理念变成真正用得上的工程能力？要把STCO变成日常的工程能力，眼下最缺什么？

沐曦股份CTO彭莉的看法是，眼下要打通的还是各设计阶段之间设计语言和设计Signoff标准的对接。这种对接得靠一个从孤岛走向协同的数据底座，得有一个平台化、端到端的EDA。这当中也少不了商业化项目来牵引。

江波龙高级技术专家田福俊在圆桌论坛上谈到了眼下比较突出的断点：工具链之间各管各的，数据成了孤岛。模型不统一，材料与封装工艺的参数也很难从前序设计传到后续环节。封装设计、PCB设计、系统整合又分属不同的工具和团队，协同起来自然更费劲。

多物理场的协同仿真同样不好办。陈琼南说，以前做整个系统仿真，先调信号，信号调好了再调散热，散热调完可能还得调电源，一步步来，耗时很多，而且很难时刻盯住这些变化跟电之间怎么联动。他期待借AI把数据集中起来，也就是数据孪生，这样调整过程中能更快拿到仿真结果，再呈现给设计和验证团队。代文亮接受财联社等媒体采访时也提到，过去电、热、应力可以分开算，现在得协同计算，计算量很大。仿真讲究计算精度、效率和容量，还得跟设计结合，让算出的结构反过来优化结构，这些都是难点。

AI for EDA逐步走向应用，AI与人类工程师之间怎么分工、边界在哪，也成了业内热议的话题。

凌峰告诉记者，Agent已经能自己理解工程师意图、编排任务，还能思考和执行。但设计结果能不能直接拿去投片或加工，还得靠人工确认。

封明安持相近看法。工程师可以大量用AI去计算、仿真，AI参与进来，工作效率能优化不少。但准确的数据怎么萃取出来，还是得靠非常经典的仿真模拟或资料库，而资料库的来源，是当初大量工程师累积的经验。在封明安看来，至少当前可见的状态下，AI完全代替人类工程师还比较困难。