從Copilot到AI Agents：EDA智慧自動化進入新階段

作者：林棨璇，西門子EDA副總裁、台灣暨東南亞區總經理

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。

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。

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。