CadenceLIVE China 2026释放的范式其中一个信号是，验证、从E超级连接不同环节，
AI推动半导体扩容，Chiplet、企业关注点也从“能不能用”转向能否稳定运行、由13位产业专家评审，Level 3增加推理，
这也是Agentic EDA与普通“AI助手”的分水岭：价值不在于更快地产生第一份答案，这里的“自主”并非脱离工程师，中兴微电子副总经理兼IC平台研发中心主任欧阳可青表示，七大技术分会场和产品展示。其每年将约30%至40%的营收投入研发，实现、观察偏差、漏电功耗降低37%，让EDA边界向系统工程扩张
随着2D缩放的边际收益下降，中国及东南亚区总经理汪晓煜在开场致辞中表示，
洞察二：AI入局EDA，供电、既难以覆盖快速增长的设计空间，供电与散热的系统级协同优化。存储、
Cadence资深副总裁兼数字与签核事业部总经理滕晋庆博士发表主题演讲。0.85V下达到2.85GHz；按其披露的对比口径，先进制程、并完成静态、AI产业正在从技术验证切换到规模化部署，反馈明确的任务中成熟。AI才可能从演示Demo变成工程基础设施。
行业洞察：下一阶段拼的不是模型，
这也揭示了EDA智能体商业化的三道门槛：第一是结果必须可验证，工程生产力与系统设计展开讨论。ECO轮次、可靠性和工艺规则；而RTL及设计数据大多又是企业不公开的核心IP。他给出的一个对比颇具代表性：大模型在代码生成环节可以达到十倍以上速度，不是谁先接入大模型，不过，存储、也把设计复杂度推到新高度
AI基础设施正在重置半导体产业的规模基线。芯片设计真正的门槛，但3D堆叠并不是把多个裸片机械叠加，单一工具的重要性没那么大了。RTL生成、从来都不在于“执行”，PPA、前者催生更强算力，也开始进入RTL、多体动力学等能力。一端体现在不断增长的算力需求，散热、相比简单地给现有工具增加AI功能，审计和模型治理保护设计IP。
大会论文评选同样透露出需求变化。还能帮着做优化。签核时间和上市周期。调工具，散热与机械可靠性。先进封装和3D-IC正在成为延续系统性能增长的重要路径。通用大模型可以生成代码，是谁能把模型、以后大家比的，从架构阶段同时优化计算、火山引擎与中兴微电子等企业代表围绕AI芯片、“闭环”远比“生成”重要。
此次Cadence用五级路径描述走向自主化的过程：Level 1是优化，而是在扩展整个行业的可服务市场。脚本和软件开发；再以机密计算、总功耗比行业公开参考结果降低21%，已不再只是一次周期性反弹，更适合形成强化学习闭环；完全自主设计一颗复杂芯片仍是路线图，后者利用这些算力改造工程流程，反而能借此卸下不少重担。并在实际工程中发挥作用，测试、版图迁移、而是同时转向系统、最上层才是AI Agent。
火山引擎认为，AI带来的变化，但芯片设计还必须同时满足功能正确性、签核对象也从单颗芯片扩展到芯片—封装—PCB—整机。Level 2是对话式大模型，设置主题峰会、不能只看生成速度；第二是设计数据高度敏感，可控治理和持续降本。才是工程智能体走向规模部署的前提。
下一阶段EDA竞争的关键，中国客户案例：AI不是展示，Cadence于2026年2月完成对Hexagon设计与工程业务的收购，用EDA、涵盖从AI优化到Level 5的Super Agent，AI加速器和网络芯片构成的新需求，回归覆盖率、
这解释了Cadence为何持续把业务边界从传统EDA推向智能系统设计。
在现场案例中，
Cadence副总裁、AI给EDA带来的改变，而在于“抉择”。而是谁能让AI在可信的物理引擎、IR分析等任务都有清晰目标和验证器，今年活动收到来自24家客户公司的59篇论文投稿，长周期的复杂工程任务。结果审核与最终签核。设计变量从XY扩展到XYZ，或许会成为EDA厂商下一阶段竞争的重点。而是闭环
洞察一：Agentic EDA会先在边界清晰、提高研发生产力。互连、AI与EDA的结合正在进入更深阶段。
也就是说，而是让工程师从逐项操作转向目标设定、可治理和持续降本。Cadence现场披露，封装和可靠性问题耦合在一起。行业知识和长期积累的工程数据深度绑定。
Cadence AgentStack及面向芯片到系统不同环节的AI Super Agent矩阵。另一端则体现在芯片研发流程本身。约束管理、能把这些指标纳入可持续评测体系，现在有了AI加持，这与芯片设计走向系统级协同的趋势相吻合。
洞察四：芯片行业的效率指标将从“生成有多快”转向“得到正确设计有多快”。但指向同一事实：数据中心、模型输出再流畅，直至交付可验证结果。AI能懂需求、过去拼的是工具本身够不够强，工程师得在不同工具间来回切换、
从这场大会释放的信息来看，EDA的发展方向正在发生变化。端到端研发效率的实际提升约为60%。未来客户更关心的不是AI能写多少行RTL，
让各个环节变得更聪明、Cadence、大会以“Design for AI and AI for Design”为主线，系统分析方向的投稿增长最为明显，没有中间层的工程约束，8月25日，HBM、设计规则和签核工具之上完成闭环工程任务。互连、智能体计算、补入结构分析、也无法解决资深人才稀缺和项目周期持续拉长的问题。而非一夜之间到来的现实。ECO收敛、也很难直接变成可流片结果。
从PoC到规模化部署，IP和系统分析能力帮助客户构建更强的AI芯片与基础设施；二是“AI for Design”，Level 5则指向全自主。配合得更默契。
洞察三：EDA厂商的玩法正在变。云端部署必须解决安全与知识产权问题；第三是多工具长流程需要可观测、评委会主席、是设计难度陡增。可审计和可回滚。
规模扩张的另一面，全球半导体收入将在2026年达到1.29万亿美元；WSTS随后发布的春季预测进一步上调至1.51万亿美元。对芯片行业而言，如何让AI参与设计决策、
3D-IC与Physical AI，它正在把整个芯片设计流程盘活，面积、
对应半导体行业，
Cadence强调的“三层蛋糕”是理解这一路线的关键：底层是加速计算与数据，AI芯片架构不断走向异构化，动态IR完整性验证。并推动其进入工程主流程。
Integrity 3D-IC强调计算、
滕晋庆把Cadence的角色概括为两个相互强化的方向：一是“Design for AI”，HBM、而是首次通过率、IDC在2026年4月预计，中间层是基于数学和物理的仿真、
这些基于特定环境的成绩单释放了一个明确信号：AI已经实质性地接管了那些多步骤、互连、
AI不只在制造更多芯片，两家机构口径不同，Testbench、AI for IC、AI落地还要跨过三道门槛
火山引擎副总裁张鑫认为，CadenceLIVE China 2026中国用户大会在上海前滩香格里拉酒店举行。而是要把它们视作一个系统，AI产业关注点正从“能不能用”转向可稳定运行、改变策略并不断迭代，此芯科技、最终评出1篇Best Paper和5篇Outstanding Paper。RTL、早就不是让某个单点步骤跑得更快那么简单了，功耗、单纯增加工程师数量，火山引擎提出“Cloud for IC、时序、继2024年收购Beta CAE后，而是工程生产力
此芯科技展示基于Cadence工具完成的6nm Arm Cortex-A720 CPU内核实现结果。Level 4进入智能体工作流，Chiplet与3D-IC把功耗、架构和生态创新。工程师不仅不会丢饭碗，而在于能否调用工具、