從 Copilot 到 AI Agents：EDA 智慧自動化進入新階段

西門子 EDA 副總裁、台灣暨東南亞區總經理 林棨璇

半導體與印刷電路板（PCB）設計正迎來新一波智慧化轉型。這場轉型由兩股力量共同推動：一方面，機器學習、強化學習與 GPU 加速等技術持續提升 EDA 核心引擎效能；另一方面，產業也開始運用 AI 簡化設計流程，協助工程師提升生產力。

過去，生成式 AI Copilot 多半用於查詢文件、產生程式碼或執行單點任務。然而，隨著晶片與 PCB 設計日益複雜，工具、資料與工程角色不斷增加，個別 AI 功能與人工腳本已難以支援完整的設計流程。工程師需要的不只是能回答問題的 AI，而是能理解設計意圖、規劃多步驟任務，並依據執行結果調整下一步行動的 AI Agents。

這正是代理式（Agentic）AI 帶來的轉變。AI 從單點輔助走向流程協作，從提供建議走向執行任務，並在工程師設定的權限與規則下，協調橫跨不同工具與設計階段的工作流程。

五大門檻，決定 EDA AI 能否規模化導入

晶片與 PCB 設計建立在高度專業的工程知識、設計方法與簽核標準之上，通用型 AI 難以直接套用。若要讓 AI Agents 從單點輔助走向跨流程協作，產業必須跨越五項關鍵門檻。

一、領域知識

晶片與 PCB 設計涉及電路、物理、材料、製程與驗證等專業知識。通用型 AI 即使能產生程式碼或腳本，也未必理解工具應如何設定、流程應如何安排，以及結果是否符合設計與量產要求。因此，EDA AI 必須建立在可信賴的領域知識與工程方法之上。

二、既有運算環境與資料流程

EDA 工作通常運行於企業內部或安全隔離的運算環境，且設計與驗證任務可能持續數小時甚至更久。AI Agents 必須能在企業既有環境中管理任務、銜接排程系統並處理大量資料，而非要求企業重新建置整套基礎架構。

三、跨工具與跨流程協作

實際的 EDA 環境通常包含不同供應商、不同世代與不同用途的工具。隨著工具鏈擴大，AI 容易因資訊過多而產生「上下文飽和」，影響判斷的準確性。因此，企業需要統一的 AI 協作層，依據任務動態連結所需工具與資訊，並支援多供應商環境。

四、複雜的 EDA 資料格式

EDA 資料不只有文字，也包括波形、網表、版圖及各類設計資料庫。AI Agents 必須搭配 EDA 專用解析能力，才能從不同格式中擷取正確資訊，理解設計脈絡，並將分析結果轉化為可執行的下一步行動。

五、企業安全與責任治理

晶片與 PCB 設計涉及高度敏感的智慧財產。企業導入 AI Agents 時，必須同步建立角色權限控管、系統隔離、操作紀錄、人工核准節點與稽核機制。任務可以由 AI 執行，但權限必須受到管理；流程可以更加自動化，責任仍須清楚歸屬。

從單一工具功能走向統一協作

針對上述需求，西門子推出 Fuse™ EDA AI System 與 Fuse™ EDA AI Agent，將生成式 AI 與代理式 AI 導入半導體、3D IC 與 PCB 設計流程。

Fuse EDA AI Agent 可規劃、協調並執行跨工具工作流程，涵蓋設計、驗證、實體實作到製造簽核，協助企業從單點 AI 應用走向端到端的流程自動化。

Fuse EDA AI System 則是整體架構的資料與知識基礎。系統透過多模態 EDA 資料湖與專用解析器，連結分散於不同工具及團隊中的設計資訊，讓各項工作流程建立在一致且可追溯的資料基礎上。其檢索增強生成（RAG）架構則結合西門子 EDA 的工具知識、語法與工程方法，協助 AI 根據相關資料回答專業問題，降低僅依賴通用模型推測所產生的誤差。

開放性同樣是企業導入的關鍵。實際的 EDA 環境通常包含多家供應商的工具，因此 AI 協作層必須能整合企業自有流程、既有模型與第三方工具，避免將設計團隊綁定於單一生態系。Fuse EDA AI System 採取不限定特定模型的開放式設計，可支援多種大型語言模型（LLM）與第三方整合，讓企業能依據資料政策、運算環境與實際需求進行選擇。

在此基礎上，Fuse EDA AI Agent 可規劃、協調並執行跨工具的多步驟任務，也能將工程師以自然語言表達的目標，轉換為明確且可執行的操作。透過統一的工具探索與工作流程協作層，系統可依據任務動態取得所需工具與資訊，降低工具鏈擴大所造成的上下文飽和問題。

Fuse EDA AI Agent 採取模組化架構，透過模型上下文協定（Model Context Protocol，MCP）連接 EDA 工具，並以 Agent Skills 將領域知識轉化為可執行的工程作業流程，其中包括工具設定、任務順序、結果驗證與必要的防護機制。各項經過驗證的子流程可如積木般逐步組合，形成橫跨不同工具與設計階段的完整工作流程。這也讓企業能從重複性高、規則明確的任務開始導入，再逐步擴展至更完整的設計與驗證流程。

在部署與治理方面，系統支援企業內部與雲端環境，並提供角色權限控管（RBAC）與完整稽核軌跡。對涉及敏感設計 IP 的企業而言，這些機制有助於管理 AI 可以存取的資料、呼叫的工具與執行的動作，讓自動化兼顧效率、透明度與可追溯性。

台灣設計產業為何需要關注 AI Agents？

台灣在全球半導體與 PCB 供應鏈中占有重要位置，也面臨設計規模擴大、工具鏈延伸與工程協作日益複雜的挑戰。根據台灣電路板協會（TPCA）於 2025 年 10 月公布的資料，2025 年上半年台商 PCB 全球產值達新台幣 4,236 億元，年增 13.8%；TPCA 當時預估，全年產值可望達新台幣 9,157 億元，年增 12.1%，主要成長動能來自 AI 伺服器、高效能運算與衛星通訊等應用。

這些應用不只提高 PCB 的效能與製造要求，也進一步拉近晶片、先進封裝、載板與系統電路板之間的設計關係。隨著協同設計需求增加，EDA AI 的價值也將從提升單項工具效能，延伸至跨工具、跨團隊與跨設計階段的流程協作。

這種延伸已進入台灣半導體產業的實際設計環境。西門子與台積公司持續推進 AI 驅動的 EDA 自動化，合作內容涵蓋 Fuse EDA AI System，以及以 Calibre 為基礎、聚焦設計規則檢查（DRC）的多步驟與多工具實體驗證自動化。雙方也透過 Aprisa 協助設計人員快速取得設計資訊、獲得引導式建議並即時執行指令。

此外，台灣已正式施行《人工智慧基本法》，確立包括人類自主、資安與安全、透明與可解釋，以及問責等原則，數位發展部亦持續推動 AI 風險分類框架，協助主管機關進行風險識別、評估與應對。對涉及高價值設計 IP 的企業而言，這些治理方向與 EDA AI 對權限控管、資料安全、操作透明及可追溯性的要求相互呼應。

產業觀察：AI Agents 改變的不只是設計速度

從產業發展來看，EDA AI 正經歷三個階段：先以機器學習提升單項工具效能，再由 Copilot 協助工程師查詢、撰寫與分析，如今則逐步走向由 AI Agents 協調工具、資料與任務的工作流程智慧。

這項轉變對台灣的意義，不只是縮短設計週期，也有機會改變工程知識的累積與傳承方式。過去，許多工具設定、除錯經驗與流程安排仰賴資深工程師的個人經驗；未來，這些知識可望轉化為可執行、可驗證且能重複運用的團隊能力，讓新進人才更快掌握設計脈絡，也讓資深工程師將時間投入更具策略價值的判斷。

不過，EDA AI 的成熟度不能只看自主程度，更要檢視準確性、可重現性、可驗證性與可追溯性。真正可靠的 AI Agents，不是完全排除人的參與，而是清楚知道哪些工作可以自行執行、哪些決策必須交由工程師確認。

工具更快，是運算能力的進步；流程更智慧，才是設計生產力的改變。對台灣產業而言，若能有效串聯工具、資料與工程知識，便有機會將既有的製造與供應鏈優勢，進一步延伸至系統設計與創新能力。