SEMI旗下ESD聯盟發布最新電子設計市場數據（EDMD）報告，2024年Q4 EDA行業收入同比增長11%，達49億美元。 盡管中國市場表現疲軟，但全球EDA行業仍保持穩健增長，部分細分領域（如PCB設計、封裝設計）增長顯著。

EDA呈現著意料之外的增長態勢。

01

全球EDA行業整體表現

EDA軟件行業主要受技術驅動，具有較高的技術、人才儲備、用戶協同、資金規模等壁壘，市場集中度較高。長期以來，中國EDA市場由國際EDA企業Cadence、Synopsys、Siemens EDA三大巨頭壟斷，前三大企業占比超70%。

是什么讓EDA增長？

首先，對邊緣計算和高性能計算(HPC) 芯片的需求不斷增長，推動了對更復雜和自動化的 EDA 解決方案的需求。

云端解決方案的日益普及是另一個主要的增長動力，它實現了無縫協作，并提升了全球設計團隊的可訪問性。企業越來越多地將人工智能和機器學習算法集成到其工作流程中，以優化設計準確性和效率，減少代價高昂的錯誤并加快產品上市時間。

此外，特定領域電子產品設計的興起，以及對物聯網和人工智能應用節能芯片組的日益關注，預計將推動EDA解決方案的創新。半導體公司和EDA解決方案提供商加大研發投入，以及加強戰略合作，將進一步擴大市場潛力。

按產品類別來看：

• CAE（計算機輔助工程）：增長10.9%，達16.969億美元（四季度移動平均+12.3%）。
• IC物理設計與驗證：增長15.4%，達7.979億美元（移動平均+8.1%）。
• PCB & MCM（印刷電路板 & 多芯片模塊）：增長15.9%，達4.762億美元（移動平均+8.3%）。
• 半導體IP（SIP）：增長7.9%，達17.607億美元（但已報告公司IP收入下滑，未報告公司如Arm增長21%）。
• 服務收入：增長11%，達1.956億美元（移動平均+26.2%），反映設計需求旺盛但人才短缺。

按細分領域來看：

• IC封裝設計：增長70%（年收入8400萬美元），部分因分類統計偏差，但仍體現先進封裝需求激增。
• 分辨率增強技術：受中國廠商四重曝光（非EUV）需求推動，增長顯著。
• 服務外包趨勢：企業設計需求超出內部能力，推動外包服務增長11%。

多家公司正在提供集成人工智能和機器學習等尖端技術的電子設計自動化解決方案，以減輕設計工程師的工作量。例如，2021年7月，美國Cadence 設計系統公司推出了機器學習工具Cerebrus Intelligent Chip Explorer，旨在實現芯片設計流程自動化，提高設計工程師的工作效率。此外，2021年12月，美國Nexar(Altium Limited旗下公司)與美國SnapEDA合作，通過提供計算機輔助設計(CAD)模型和軟件，提升印刷電路板(PCB)設計的性能，并幫助工程師更快地設計電子電路。因此，降低集成電路設計復雜性的需求推動了對EDA解決方案的需求，從而推動了該市場的增長。

02

AI助力開啟EDA新時代

EDA廠商現在運用AI技術來優化EDA軟件引擎、流程和工作流。構建利用AI的高質量引擎對于實現可擴展、可靠的結果至關重要。AI算法模型必須可驗證、準確和穩健，以確保在整個企業使用時的安全性，并能始終給出一致、可持續的結果。

AI技術在西門子EDA解決方案中被應用于三個不同的重點領域：核心技術、流程優化和提供可擴展的開放平臺。其用途主要圍繞增強工程師能力，提高工程師的生產力以及捕捉設計團隊內的知識。AI可用于深入了解IC設計，幫助理解問題的根本原因，并避免未來可能出現的潛在問題。利用AI實現自動化以及驗證AI結果的能力至關重要。可驗證、可追溯和開放性是EDA應用對AI的核心需求。在AI賦能的西門子EDA解決方案中，可驗證引擎是建立在準確性、穩健性、領域專業知識及可用性的基礎上，繼而確保在處理數據時，AI算法能夠給出可預測、可重復且有價值的結果。在一些情況下，當驗證無法自動化時，需要有一位具備專業知識的人參與，以對結果進行評估并確保其正確性。在市場上經過十多年的不斷完善和成功，西門子EDA深諳擴展可信、可驗證的AI平臺的必備條件。

AI在EDA工具中的應用可以分為幾個關鍵方面。首先是處理繁重的重復性任務。芯片設計過程中有許多需要反復驗證和優化的環節，例如功耗模擬、熱量分布分析以及邏輯驗證等。傳統方法往往需要工程師花費數周甚至數月的時間進行調整，而AI算法可以在短時間內完成這些任務，并且精度更高。例如，Synopsys推出的一系列AI驅動的EDA工具，能夠快速完成從系統架構定義到設計實施、驗證和制造的全流程任務。這不僅大幅縮短了設計周期，還減少了對工程師數量的需求。

其次，AI在芯片設計中展現了強大的優化能力。以谷歌的AlphaChip為例，這款基于強化學習的AI工具能夠在芯片布局設計中實現“超人”級別的表現。通過對前幾代芯片設計數據的學習，AlphaChip可以快速生成復雜的芯片布局方案，將傳統設計師需要數周完成的工作壓縮到幾個小時內。更重要的是，AI生成的設計方案往往能夠在性能、功耗和散熱等方面達到更優的平衡。谷歌的張量處理單元（TPU）就是一個典型案例，其每一代產品的設計都得益于AI工具的優化。

此外，生成式人工智能（GenAI）也開始在EDA工具中嶄露頭角。與傳統的AI技術不同，GenAI更像是一個智能助手，能夠通過學習現有數據生成新的設計方案或提供設計建議。例如，Synopsys的GenAI技術可以快速瀏覽長達數百頁的芯片設計規格文檔，并提取出關鍵信息供設計師參考。這種能力不僅提高了設計效率，還降低了設計師在面對復雜項目時的認知負擔。更有趣的是，GenAI還能協助代碼優化和驗證約束提取等任務，為設計師提供更具指導性的建議。

然而，AI驅動的EDA工具并非沒有局限性。當前最大的挑戰在于數據的可用性。每家芯片設計公司都擁有自己的專有知識產權和設計數據，而這些數據通常不會被共享。這意味著AI工具只能基于有限的數據進行訓練，難以跨公司或跨領域實現通用化設計。此外，AI在芯片設計中的應用還處于早期階段，完全依賴AI進行端到端設計的目標雖然令人興奮，但距離實現仍有一定距離。

網友評論

03

未來展望

隨著半導體行業進入后摩爾時代，Chiplet技術的興起正在深刻改變芯片設計和制造的范式。這種將大型單顆SoC拆解為多個小芯片再通過先進封裝集成的技術路線，不僅延續了性能提升的路徑，更對EDA工具鏈提出了全新的需求。

傳統EDA工具主要面向單顆芯片的前后端設計流程，而Chiplet技術需要工具支持從架構探索階段的芯片分解、互連拓撲設計，到封裝級的信號完整性分析、熱仿真等全流程協同優化。這促使EDA廠商必須重構其工具架構，開發支持異構集成設計的新平臺。以Synopsys的3DIC Compiler和Cadence的Integrity 3D-IC平臺為代表，行業已經出現專門針對Chiplet設計的工具套件，這些工具需要處理硅中介層布線、微凸點陣列優化、跨die時鐘同步等全新挑戰。值得注意的是，封裝工具的市場規模正在從輔助角色轉向關鍵路徑，Yole預測先進封裝EDA市場將在2025年突破5億美元，年復合增長率顯著高于傳統EDA工具。

從技術演進角度看，EDA工具與IP的協同設計能力將成為競爭關鍵。EDA廠商的IP業務仍嚴重依賴傳統接口協議（如USB、PCIe）的版稅收入，這些標準化IP正逐漸淪為紅海市場。一個典型的案例是，RISC-V生態的崛起雖然擴大了處理器IP市場的整體規模，但主要受益者卻是SiFive等新興公司，而非傳統EDA三巨頭。這種分化趨勢預示著，未來EDA廠商可能需要重新評估其IP戰略，是將資源集中在特定高性能IP的深度開發，還是通過并購擴展IP組合的廣度。

臺積電的3DFabric聯盟數據顯示，采用Chiplet設計的客戶平均需要整合來自8-12個不同供應商的IP模塊，這對設計工具的統一接口和驗證流程提出了極高要求。領先的EDA廠商已經開始構建"設計-驗證-封裝"的全集成平臺，例如Cadence的Cerebrus智能芯片設計系統能夠自動優化Chiplet的布局與互連方案。但挑戰在于，隨著Chiplet異構集成度的提升，設計空間呈指數級增長，傳統仿真方法已無法滿足需求。這解釋了為何各大廠商都在加速布局AI驅動的設計工具，Synopsys的DSO.ai和Cadence的JedAI平臺都在嘗試用機器學習算法來解決Chiplet協同優化的復雜性問題。未來五年，能夠提供從架構探索到物理實現完整解決方案的EDA平臺，將在Chiplet時代獲得更大的話語權。