Cadence 推 Maestro 模型组合:芯片设计 AI 竞争转向专业化
随着GPT-Synopsys 发布,以及 Agentrys、ChipAgents 等 AI 原生创业公司杀 入芯片设计领域, EDA 行业的 AI 竞争 达到了前所未有的高度 。 面对这一变化,Cadence 突然推出 Maestro 专业化 AI 模型组合,强调领域专用模型、智能模型路由、客户专有数据,以及与成熟 E
随着
GPT-Synopsys 面世,Agentrys、ChipAgents 等 AI 原生创业公司也挤进芯片设计赛道,EDA 行业的 AI 较量被推到了此前没有过的高度。
Cadence 对此的回应来得突然:一套名为 Maestro 的专业化 AI 模型组合,卖点落在领域专用模型、智能模型路由、客户专有数据,以及与成熟 EDA、SDA 工具的深度结合上。从通用大模型走向领域专业化模型,再把 AI 智能体与工程工具绑在一起,芯片设计里的 AI 竞争正沿这条线铺开。

01 Cadence 推出 Maestro,押注专业化 AI
Cadence 总裁兼 CEO Anirudh Devgan 在第三季度财报电话会议上说:“AI 智能体代表着一个具有变革意义的市场机会,Cadence处于充分利用这一机会的有利位置。”他的判断是,AI 智能体设计的未来会越来越依赖领域专业化模型、智能模型路由,以及和底层工具结合的强化学习循环,由此实现递归式自我改进。
顺着这个思路,Cadence 拿出了 Maestro——一套专为芯片和系统设计打造的领域专业化 AI 模型组合。组合里的模型规模和架构各不相同,既有经过领域专业化后训练的大语言模型,也有训练后的决策模型,还包括能自我改进的智能体技能。
据了解,Maestro 模型组合中包含 NVIDIA Nemotron 等模型,把领域专业化模型、决策模型和智能体技能拼到一起。Cadence 称,初步结果显示,相较通用基础模型,模型质量最高提升 30%,Token 效率最高提升 5 倍。客户还能拿自己的专有设计数据对模型做后训练,让模型表现更好。
Maestro 还带了智能模型路由,按任务不同挑合适的专业模型或其他前沿模型。Devgan 说,这能提效率,客户花同样的钱能干更多活,或者把任务用更低的成本做完。
部署上,客户可选 Cadence 云、公有云,也可以把 Maestro 放在自己的内部环境里,模型使用和自身设计数据的控制权都留在手上。CFO John Wall 在电话会议中的说法是:“我们的战略仍然专注于提供高价值的工程软件,而不是建立一个大型通用AI基础设施业务。”

02 对比 GPT-Synopsys,两条路线开始分化
其实在 Maestro 推出之前,新思科技已经和 OpenAI 宣布合作开发 GPT-Synopsys,把 OpenAI 的前沿模型与新思科技的 EDA 专业能力对接,让 AI 能理解芯片设计与验证,并直接操作新思科技的工具。
拿 GPT-Synopsys 作参照,Devgan 在电话会议上说,Cadence 从 OpenAI 成立之初就与其合作,同时也与 Anthropic、Gemini 等领先模型保持合作。他强调 Maestro 不局限于 Cadence 自己的模型,而是能按不同任务挑合适的模型。特定任务也可以选相应前沿模型,开放权重和闭源模型,Cadence 都在探索。
Devgan 把 Cadence 的 AI 体系分成三层:上层是 AI 智能体与编排,中间层是物理精确的仿真和优化引擎,底层是加速计算与专有数据。在他看来,只有把 AI 智能体、Maestro 模型与成熟的 EDA、SDA 工具结合起来,才能在性能、效率和吞吐量上给客户更好的结果。
Cadence 披露的客户案例里,联发科已将 ChipStack 部署到生产数字验证流程,验证覆盖率提升 50% 至 70%,工程投入减少 1.4 至 2 倍。瑞萨 MCU 团队在多种工程任务中部署 InnoStack,生产效率提升 34 倍。诺基亚把 AuraStack 部署在 Millennium 超级计算机上,关键设计和分析工作流程提速 5 倍。
一边是 GPT-Synopsys 让前沿模型直接操作 EDA 工具,一边是 Maestro 强调专业模型、模型路由与成熟工程工具的结合,路径虽然不同,方向都是把 AI 从通用能力推进到专业芯片设计流程里。

03 AI 新势力入场,但仍离不开专业工具
两大 EDA 巨头走出差异化路径之外,AI 原生创业公司也在找芯片设计与验证的切口。
其中印象最深的是两支中国核心团队创办的公司:Agentrys 与 ChipAgents。前者刚完成 2450 万美元融资,推进 Agentic Design Automation(ADA,智能体设计自动化),试的是用 AI 执行工程任务并持续改进设计流程;后者聚焦芯片设计与验证,探索 AI 生成 RTL 代码和测试平台,再通过调用 EDA 工具、按反馈迭代来改进设计。
这些尝试反映出 AI 原生工具进入芯片工程的新动向。不过 AI 生成设计产物只是流程中的一环。芯片设计还要做验证、时序收敛、物理分析和反复优化,得和专业工具及工程流程配合。
Cadence 强调自身工程软件体系,原因也在这里。它的 AI 布局不只看模型能不能生成内容,而是把智能体、专业化模型、EDA 与 SDA 工具、仿真优化引擎、计算能力和专有数据串在一起。这么看,AI 原生工具和成熟 EDA 平台并不是对立的,未来可能在不同环节上协作。

04 从芯片到复杂系统,Cadence不止一面
还有一点值得留意,Devgan 在三季度电话会议中提到“ Cadence 约 45% 的业务来自系统公司 ”,也就是半导体企业以外的公司。除了大型超大规模计算企业,航天公司、金融企业等其他系统公司也开始自己做芯片设计。这些企业带来了 IP、硬件和设计服务方面的市场机会,各板块业务增长因此都达到了 20 % 以上。
与国内市场相比,Cadence 三季度的收入规模又一次刷新了历史最高纪录。最近在上海举行的 2026 中国仿真大会上,这家公司展示了自身的多物理场仿真能力——前后处理、结构、多体动力学、声学、热流体、电磁、材料与虚拟制造、自动驾驶,还有 AI 驱动的仿真优化与数据管理,均在其中。芯片、电子系统到复杂机电系统的一体化设计与仿真方案,也由此呈现出来。
工程实践层面的数据同样在大会上被披露。AI 与物理仿真结合的设计优化、借助 GPU 硬件加速的仿真计算,把原本需要 69 小时的 CFD 计算压缩到 50 分钟;舱内风噪预测从 21 小时降到 79 秒;3D 增材制造工艺仿真速度最高提升 10 倍。全流程 CFD 工作流现在每天能评估两个及以上设计变体。
另一项重点议题落在 AI 与仿真数据平台上。降阶模型、AI 机器学习驱动的预测与仿真优化、设计探索,以及数据和流程管理,都在相关专题中有所涉及。这些内容显示,AI 正深入到仿真流程的多个环节。
从 Maestro 的专业化模型,到 AI 智能体与工程工具的结合,再到物理仿真和系统级设计,Cadence 正把 AI 带进更广泛的研发流程。说到底,AI 问鼎之战比拼的不只是模型能力,专业数据、工程工具与整个研发流程的协同同样在较量之列。