2026 年 9 月 23 日，Synopsys 与台积电宣布进一步扩大合作，围绕 A14 先进制程、Agentic AI 芯片设计、多芯粒系统、CoWoS 先进封装、共封装光学以及先进接口 IP 构建更加完整的设计生态。
如果只把这次合作理解成“Synopsys 的 EDA 工具支持台积电新工艺”，其实低估了它的意义。一个更加值得关注的变化是：Agentic AI 正从芯片设计中的局部辅助工具，逐渐进入模拟、数字和多芯粒设计的完整工程流程。
从“AI优化参数”走向“AI执行设计流程”
过去几年，AI 在 EDA 中的典型应用，是根据历史设计结果自动寻找更好的参数，例如改善芯片的性能、功耗和面积，也就是常说的 PPA 优化。
但 Agentic AI 的思路进一步向前走了一步。
它不只是回答工程师的问题，也不只是给出某个参数建议，而是能够理解设计任务，在既定规则和工具环境中连续执行多个步骤，根据中间结果进行分析，再决定下一步操作。
Synopsys 与台积电此次明确提出，将 Agentic AI 用于模拟设计、数字设计以及多芯粒设计流程自动化。其中，Custom Compiler 用于加速模拟电路迁移，Fusion Compiler 引入大语言模型辅助分析，而 3DIC Compiler 则开始支持新的 Agentic AI Chiplet Floorplan Co-optimization，也就是智能体驱动的芯粒布局协同优化流程。
这意味着 AI 的角色正在发生变化：
过去是“工程师操作 EDA，AI 帮工程师优化”。
现在开始变成“工程师定义目标和约束，AI 调用 EDA 工具完成部分工程任务”。
这与当前软件开发领域出现的编码智能体非常相似，只不过芯片设计的约束更加复杂，而且必须满足时序、功耗、物理规则、制造规则以及可靠性要求。
A14成为Agentic AI的重要落地点
此次合作的另一个重点是台积电 A14。
Synopsys 已经在 A14 上推进数字和模拟 EDA 流程认证，并将 Agentic AI 能力引入相应设计流程。从芯片实现一直到 Signoff，即最终设计签核，相关工具正在形成完整的方法体系。模拟设计方面，双方还在 A14 上推进器件自动布线，为先进模拟版图自动化提供基础。
今年 4 月，Synopsys 与台积电实际上已经公布过 Fusion Compiler 在 A14 上的 agentic run assistance：AI 可以分析不同设计阶段的结果，寻找改善时序和 PPA 的机会。到此次发布，Agentic AI 的范围明显扩大，开始覆盖模拟、数字以及 3D 多芯粒设计。
因此，一个明显趋势正在形成：
先进制程与 Agentic EDA 很可能开始同步演进。
未来先进节点越来越复杂，单纯依赖工程师人工调参、反复运行 EDA、查看报告再调整设计，成本会越来越高。Agentic AI 的价值就在于自动完成大量“运行—分析—修改—验证—再次运行”的循环。
AI芯片越来越像一个“系统工程”
此次合作还有一个很重要的信号：双方谈论的已经不只是单颗芯片。
随着 AI 加速器规模不断扩大，GPU、计算芯粒、HBM、高速接口、电源模块和光互连正在被封装到一个越来越复杂的系统中。因此，设计问题已经从传统的晶体管和芯片设计，扩展到芯片、封装、电源、散热、电磁和光学共同参与的系统级设计问题。
例如，Synopsys 3DIC Compiler 已支持在台积电 CoWoS 平台上联合设计和仿真集成电压调节器。对于高功耗 AI 芯片来说，把电源调节进一步靠近计算芯粒，可以改善供电效率和电源完整性，但同时也带来了新的热、电和封装耦合问题。
因此 Synopsys 正将功耗、热、电磁、信号完整性和机械应力等分析逐步整合进统一的多物理场设计流程。
这也是为什么 Synopsys 与 Ansys 的技术体系结合之后值得关注——未来 EDA 的边界已经不再局限于“画芯片”，而越来越接近完整的 Silicon-to-Systems，即从硅片到系统的工程平台。
从CoWoS进一步走向共封装光学
AI 系统的另一个瓶颈正在从计算能力转向数据传输。
随着 GPU 和 AI 加速器集群规模扩大，传统电互连面临功耗、距离和带宽限制，共封装光学 CPO 因此逐渐成为重要方向。
Synopsys 和台积电正在围绕 TSMC-COUPE 建立光子与电子联合设计流程，把 3DIC 实现、多物理场分析和优化结合起来。台积电此前披露，其 COUPE 共封装光学方案计划在 2026 年进入新的生产阶段。
这说明未来 AI 芯片设计可能逐渐形成一条新的工程链：
计算芯粒 → HBM → UCIe → CoWoS → 电源与散热 → 光互连。
Agentic AI 如果能够跨越这些工具和物理领域进行任务分解与协同优化，其价值会比单纯优化某一个芯片布局大得多。
EDA正在进入“智能体工程”阶段
Synopsys 与台积电此次合作真正值得关注的，并不是某一个新的 EDA 功能，而是芯片工程方法正在变化。
此前的 EDA 自动化，本质上主要是把工程规则写成算法；机器学习 EDA 则开始让系统从大量设计数据中寻找更优方案；现在的 Agentic AI，又进一步把任务理解、工具调用、结果分析和迭代决策引入工程流程。
最终可能出现一种新的芯片开发模式：
工程师负责定义架构、目标、约束和关键决策，AI 智能体负责执行大量设计探索、工具调用、结果分析和迭代优化，工程师则负责审核和最终确认。
这并不意味着芯片工程师被替代。先进芯片设计涉及极高成本和严格制造约束，工程师审批仍然不可缺少。但大量重复的设计迭代工作，确实可能逐步被智能体接管。
因此，从更大的产业视角来看，Synopsys 与台积电此次合作释放出的信号十分明确：
Agentic AI 正从“EDA里的一个AI功能”，开始演变成先进芯片设计基础设施的一部分。
尤其当 A14、CoWoS、多芯粒、HBM、UCIe 和共封装光学同时出现时，AI 所面对的不再是一道孤立的芯片设计题，而是一套高度复杂的系统工程问题。
这或许也是 Agentic AI 在芯片设计领域真正能够体现价值的地方——不是帮工程师做一次优化，而是逐渐学会完成一段完整的工程流程。