數十年來，電子設計自動化（EDA）的生產力提升，主要來自效能更高的模擬器、可擴充的形式驗證工具，以及運算能力更強的求解器。然而，隨著 SoC 設計規模持續擴大，單純提升工具效能已不足以因應驗證團隊面臨的挑戰。
|
今日 RTL 驗證的主要瓶頸，正從運算能力轉向工作流程複雜度。工程師必須在多項工具與多輪迭代之間解讀結果、釐清設計意圖、調整驗證策略，並持續推動驗證收斂。真正限制生產力的，往往不是工具跑得不夠快，而是人員、工具、資料與決策之間的協調成本。
從單點自動化走向工作流程智慧
傳統自動化通常建立在輸入條件穩定、作業流程可預測的前提上，但 RTL 驗證並非如此。設計與規格持續變動，中間結果也可能揭露新的風險，工程師必須根據最新資訊不斷調整驗證方向。
這正是 Agentic AI 開始受到重視的原因。
不同於只針對單一步驟進行最佳化的 AI，Agentic AI 著眼於整體工作流程。AI agents 可以觀察目前的驗證狀態，在明確界定的權限範圍內規劃行動、執行任務並彙整結果，協助工程師判斷下一步應優先處理的問題。
整合方式十分關鍵。若 AI 僅在工具鏈外解析日誌或產生腳本，反而可能增加工程師的檢查負擔。與驗證引擎緊密整合的 AI，則能讓其執行的動作與產生的結果，接受設計簽核所要求的涵蓋率模型、語意規則與檢查機制驗證。
「人機協作」是驗證架構的一部分
在 RTL 驗證中，完全自主的 AI 目前並不切實際，也不是理想目標。Agentic AI 的價值不在於取代工程師，而在於減少重複操作與人工協調，使工程師能專注於技術判斷、風險控管與驗證收斂。
晶片驗證經常涉及不完整的規格、隱含的設計假設，以及需要依賴工程經驗處理的技術權衡。因此，有效的 Agentic AI 必須「以人為本」。AI agents 可以提出建議、執行任務與整理洞察，但涉及設計意圖、驗證範圍及最終簽核的決策，仍應由工程師掌握。
實務上，驗證流程必須設置明確的人工核准節點。AI 加速執行與分析，工程師保留判斷與簽核權限。這種「人機協作」（human in the loop）模式不是過渡安排，而是維持技術可信度、責任歸屬與驗證嚴謹度的重要原則。
|
可信任的 AI，需要驗證引擎原生架構
要建立可信任的工作流程，系統不能只是將 AI 附加在既有工具之上，而須透過結構化且具備明確語意的介面，開放驗證引擎的能力。
透過驗證引擎原生介面，AI agents 可在授權範圍內執行模擬、查詢功能涵蓋率、分析驗證失敗原因，並串聯斷言、波形與日誌資訊。這類介面提供可控、可追蹤且具有明確權限邊界的操作方式，也能降低非結構化輸入所造成的語意模糊。
上下文延續性同樣重要。Agentic AI 若能維持 RTL 設計、測試平台、斷言、涵蓋率與歷史結果之間的關聯，便能根據前一輪結果持續推理，而非每次都重新開始。
在西門子與 NVIDIA 的最新合作中，雙方進一步將自我驗證能力導入 EDA 的 Agentic AI 工作流程，讓 AI agents 不僅能規劃並執行長時間、多步驟的工程任務，還能透過成熟的 EDA 引擎持續檢查結果，並依據可驗證的工程證據調整後續行動，以提升複雜工作流程的結果品質、工具呼叫穩定性與可追溯性。
Agentic AI 在 RTL 流程中的技術價值
目前，Agentic AI 已在多項 RTL 設計與驗證工作中展現應用潛力。在 RTL 開發流程中，Agentic AI 協助程式碼產生並對齊設計意圖與驗證需求，提早發現潛在問題；進行 Lint 與靜態分析，依據設計情境調整設定與篩選結果，減少低價值警示所造成的雜訊；能夠跨時脈域驗證，根據中間結果調整 CDC（Clock Domain Crossing）分析方向，加速非同步設計的驗證收斂；進行驗證規劃，將變動中的規格轉換為結構化驗證計畫，並隨設計變更調整優先順序；最後，Agentic AI 能夠除錯，利用串聯不同執行輪次的波形、斷言與日誌資料，更快找出可能的失效原因。
而這些效益已開始在台灣晶片設計實務中獲得驗證。聯發科此前表示，西門子的 Questa One Agentic Toolkit 可與其既有驗證方法結合，協助工程師更快掌握複雜工作流程。
這些應用具有三項共同特徵：自動化有邊界、分析有脈絡、決策有人把關。只有三者並行，才能在提升生產力的同時，維持 RTL 驗證所要求的嚴謹度。
從工具效能走向團隊生產力
Agentic AI 代表 EDA 從「工具自動化」走向「工作流程智慧」的重要轉變。現階段的重點，是在工程師持續掌握控制權的前提下，降低驗證規劃、執行與分析過程中的摩擦。
對台灣晶片設計團隊而言，其價值並不是讓 AI 取代資深驗證工程師，而是將工程經驗轉化為可追蹤、可重複運用的工作流程。這不僅有助於新進工程師更快掌握設計脈絡，也能讓資深工程師減少低價值協調，使團隊在規格持續變動的情況下，仍能兼顧品質、時程與簽核要求。
未來的驗證競爭，不只取決於工具跑得多快，更取決於團隊如何整合工具、資料與工程知識。能否將 AI 納入受控、透明且可驗證的工作流程，將成為提升 RTL 驗證生產力的關鍵。
