NVIDIA 通过 PhysicsNeMo 和 CUDA-X 库扩展了 NVIDIA Agent Toolkit，这标志着人工智能助手的发展方向从通用型人工智能助手转向自主工程系统。扩展后的工具包不再局限于文档检索、代码生成或工作流程自动化，而是允许开发者将推理模型直接连接到物理模型、数值求解器、仿真环境和电子设计工具。其目标是打造一个“智能工程师”，能够制定技术方案、调用专用软件、评估结果并迭代优化，最终形成经过验证的设计。

PhysicsNeMo 提供物理人工智能层。这个开源框架支持构建、训练、微调和部署结合仿真数据和物理约束的科学机器学习模型。其架构包括神经网络算子、图神经网络、点云模型、物理信息神经网络和生成模型。这些方法可以作为计算流体动力学、结构力学、热分析、电磁学和半导体制造等领域中计算量巨大的仿真的替代模型。在代理工作流程中，训练好的替代模型就成为一个可调用的工具：代理可以快速估计设计的行为，识别有希望的候选方案，并将高保真求解器预留用于最终验证。

CUDA-X 提供了加速数值计算的基础架构。NVIDIA 的全新 cuISS 库为由离散化偏微分方程产生的大型系统提供了可组合的迭代稀疏求解器和预处理器。cuDSS 提供直接稀疏求解器，专为数值鲁棒的器件、电路、系统和科学模拟而设计，并具备多 GPU 和多节点可扩展性。cuEST 将计算栈扩展到电子结构计算，包括密度泛函理论和后 DFT 方法。这些库共同使代理能够做到更多，而不仅仅是推荐参数：它可以启动 GPU 加速的计算，其输出基于成熟的数值方法。

由此产生的架构将推理与计算分离。语言或推理模型负责解释工程目标、维护工作流程状态并选择工具。PhysicsNeMo 模型提供快速学习的近似值。CUDA-X 求解器生成更高保真度的数值结果，而领域软件则应用约束和签核规则。因此，智能体可以经历假设、仿真、测量、优化和验证的循环。例如，热设计智能体可以生成冷却几何体，使用代理模型对其进行排序，对最终入选方案运行详细仿真，检查热点和压力损失，然后自动修改几何体。

NVIDIA 也将目光投向了半导体设计领域。Nemotron 3 Ultra 与 NVIDIA 研究院的 ACE-RTL 代理相结合，旨在实现代理式寄存器传输级编码。NVIDIA 表示，该模型在全面的 Verilog 设计基准测试中领先于其他开放模型，并且可以基于专有数据进行后训练，用于本地或企业内部部署。这种组合至关重要，因为芯片开发代理必须在生成 RTL 代码、调试故障、运行验证工具以及保持可追溯性的同时，处理敏感的知识产权。

各大工程软件供应商正在整合技术栈的各个部分。NVIDIA 报告称，Cadence正在将加速计算和智能体系统应用于封装和 PCB 设计；Synopsys正在开发自主热优化和验证工作流程；而Siemens 则正在协调半导体、3D-IC、PCB 和系统设计领域的多种工具和智能体。据报道，Siemens 的库表征速度提升了十倍以上，Cadence 的多物理场加速提升了二十倍，计算光刻、电磁仿真和量子化学方面也取得了显著进步。ChipAgents 正在 使用 NVIDIA Agent Toolkit 构建用于芯片设计和验证的特定领域 AI 智能体。该团队正在对 NVIDIA Nemotron 模型进行微调，以适应复杂的端到端半导体设计和验证工作流程，包括调试、形式验证、覆盖率测试等等。

实际结果可能是缩短迭代周期，更广泛地探索替代方案，以及在全球分布式工程组织中更好地利用昂贵的仿真基础设施。

然而，技术价值取决于治理。工程代理必须公开假设、保存输入和求解器版本、量化不确定性、强制执行运行限制，并在制造决策前要求进行独立验证。代理的速度仅在其已验证的范围内有用，而代理流畅的解释不能替代收敛性测试、物理签核或专家评审。

总而言之， NVIDIA 的战略远不止于添加另一个 AI 界面。它正在将加速计算库和物理模型转化为标准化的智能体技能。如果这些技能保持互操作性、可审计性，并与经过验证的求解器紧密耦合，智能体就能将设计空间探索从手动协调的序列压缩成一个连续的计算过程。这将改变团队的产品设计方式：人类负责定义目标、约束和验收标准，而自主系统则负责执行和优化大部分仿真和优化循环