随着人工智能和机器学习越来越多地融入到EDA工作流程中，在互操作性、数据交换、信任和可重复性等领域出现了新的挑战。

德州农工大学电气与计算机工程系教授江虎博士认为，人工智能正在改变整个设计流程中的大量设计和验证任务，影响着众多供应商的多种工具。他认为“明确定义的互操作性至关重要，而标准是实现互操作性的最佳途径”。

在 DAC 2026 的Accellera午餐会以及“拥抱人工智能助力高级设计与验证”小组讨论会上，他表示，标准对于构建一个能够“高效开发用于 EDA 和验证的人工智能”的生态系统至关重要。信息交换需要数据格式标准，但 API 也同样重要。他认为需要开发一种新的标准，“例如基于 Python 的 API”，他推测道。他还认为需要制定基于知识的标准。人工智能/机器学习并非完全是云模式，因此需要找到方法来微调开源模型以进行信息交换。

张志罗 (David Zhi Luo Zhang) 是Bronco AI的联合创始人兼首席执行官，该公司致力于构建用于芯片设计和设计验证的 AI 原生 EDA 系统，涵盖从规格到最终交付的整个流程。他补充道，除了如何以标准化格式表示芯片设计和功能相关的数据之外，还需要标准化工作流程。“与其他领域相比，在实际工作跟踪、完成和管理方式方面，标准化程度并不高，”他说道。他解释说，芯片公司通常比软件公司历史更悠久，软件公司“成长”至今仍秉持着相同的核心理念，这意味着它们可以将 AI 集成到工作流程中。他表示，芯片设计的情况截然不同。芯片设计环境复杂，工作分散，没有集中管理工作流程的地方。“因此，集成 AI 更具挑战性……这里有很多东西都与芯片密切相关，”他指出。

他表示，像Accellera这样的组织可以推动更开放的数据格式或更简洁的API，从而将人工智能和各种工具整合在一起。但他同时敦促企业审视自身的内部流程，使其更贴近人工智能的原生应用。他建议，尝试集中管理部分IT流程，并努力弥合设计团队之间的鸿沟，这些都是大家都在努力的方向，旨在促进人工智能的普及应用。

人工智能与工程设计自动化（AI EDA）研究员西蒙·戴维曼认为，有必要制定专门针对人工智能的标准。“人工智能的影响远不止于工程设计自动化，”他说道，并列举了治理、监管、现有标准和未来标准等多个方面。目前已有四项与人工智能模型相关的IEEE标准，涉及自动化自主设计的透明度、数据隐私和算法偏差。在构建模型时，必须遵守这些法规以及ISO指南和认证流程。他还提到了另一个类别：地缘政治监管。他引用了加州的《透明法案》（与模型相关）以及本月生效的欧盟《人工智能法案》，该法案涵盖所有在欧洲销售和使用的产品。他预测，未来的标准将围绕人工智能框架的基准测试和测试展开。

他表示，目前正在开发一些与接口和设计规范相关的新语言理念。“我认为这是一个有趣的方向。我们是否需要构建新的方式来明确人工智能需要为我们做什么？英语可能不是描述事物的好方法……或许我们需要新的表达方式，”他建议道。

展望未来，胡博士预计，在未来12个月内，全智能（gen-AI）和智能体人工智能（agentic AI）任务将成为验证、分诊和测试生成的“常态”。他表示：“我认为，智能体验证和强化学习物理设计将在未来12个月内得到更广泛的应用。”

张认为，企业使用人工智能的方式正在发生变化。“他们不再用它来解决一次性任务。他们不再说，‘嘿，去调查一下这个，或者去谷歌一下那个’。他们现在采用的是一种目标导向更高的视角：‘嘿，我想让你看看这个文件，然后告诉我它哪里出了问题。’不再是先看这个，再看那个，再看那个。它正在变成一个目标明确、着眼长远、自主完成的任务。”他说道。

“在接下来的六个月到一年内，随着这些代理的能力不断增强，以及它们周围的系统能力不断增强，我们将看到越来越多的系统采用这种运行时间更长、目标更明确的流程。例如，你可以说‘我希望你找出这些漏洞’，或者‘我希望你搭建整个环境’，或者‘我希望你移植一个额外的模块’。”

他对人工智能在EDA领域的长期前景感到兴奋。“从我作为一名工程师的角度来看，我需要完成一些特定的任务，我会指示人工智能代理代表我完成这些任务。现在，更重要的问题是，如果我们跳出固有思维，从更宏观的角度来看，实际的方法是什么？实际的流程是什么？[X]已经发生了哪些变化，或者应该如何变化？”

“每家芯片公司都会进行长时间的随机测试，希望随着时间的推移，能及早发现一些有趣的漏洞并加以修复。基本上，你是在依靠大量的测试数据和一点运气，在芯片流片之前找到所有相关的漏洞。那么，在如今智能水平更高的时代，这种方法又会如何呢？如果使用能够进行深度探测、能够进行高度精准、智能搜索的智能体，或许你就不再需要如此依赖大规模的随机测试了。”

他认为，随着限制因素和根本问题的变化，人们看待设计方法的方式也会随之改变