在近日举行的 2026 芯和半导体用户生态大会上，来自芯片设计、存储、先进封装、整机及器件等环节的企业，反复谈及一个共同问题：AI 时代，局部最优已经越来越难以保证系统最优。 芯片、封装、存储、互连、供电和散热之间的相互影响日益增强。
AI 同样在重塑设计流程。不过，要将 STCO（芯片到系统的协同优化）变成日常工程能力，仍需跨过工具链之间的数据孤岛、多物理场的协同仿真、协同计算等门槛，也是整条产业链共同面对的难题。
算力衡量方式发生转变
AI 需求带来的变化，正在沿着半导体产业链传导。中国半导体行业协会副秘书长陈文在致辞中表示，人工智能正在推动半导体产业创新从制程微缩转向系统集成。
赛迪研究院集成电路所所长周峰则从产业规划角度指出，先进封装、多芯片集成和 EDA 已被列为 " 十五五 " 产业基础能力的重点，EDA 需要从单点工具进一步走向系统化、智能化。
政策端，今年 9 月，工业和信息化部、国家发展改革委对外发布《电子信息制造业发展 " 十五五 " 规划》，明确提出，持续提升关键装备、材料和零部件供给能力，加快发展电子设计自动化工具（EDA）和知识产权核（IP 核）。
落实到 AI 计算系统中，这种变化首先体现在衡量算力的方式。
芯和半导体董事长凌峰博士在会上表示，过去芯片性能以单颗芯片为准；进入 AI 时代，计算单元已扩展为机柜乃至集群，算力高低要看整个系统的 Token 产出效率和综合成本。
他用木桶理论解释：系统算力取决于算力、存力、运力、电力中最短的一块，任何一个环节掉队，芯片再强也难以发挥。而这几块 " 木板 " 之间相互牵连，热会影响电，电又会影响信号，各自优化已难以解决问题。
因此，凌峰认为 STCO 势在必行：要求设计从一开始就站在系统层面，以整体能效和成本为目标，把芯片、封装、板卡直至机柜放在一起考虑，让电、热、力、光等多物理问题在设计前期得到协同解决。
据其介绍，芯和以系统级设计与多物理场仿真能力为基础，向上引入 AI 智能体，向外将仿真工具从芯片一路扩展到整机，并已通过与产业链伙伴的多项合作推动 STCO 落地。
局部最优不一定是系统最优
本次大会上，芯和半导体发布 Agentic AI 超级智能体平台 AgentEvo 和 Physics AI 可信物理智能底座 XAI。前者负责理解设计任务、编排工程流程并调用专业 EDA 工具，推动 AI 从辅助操作进一步进入真实设计流程；后者则利用 AI 进行建模、预测和优化，扩大工程师可探索的设计空间。
联想集团首席工程师 & 总监莫志坚分享了联想与芯和联合打造 EDA Agent 2.0 的实践。现场演示中，EDA Agent 已经从单点辅助走向多智能体协同，从解答设计规范、承担建库和布局布线，到边设计边检查，覆盖了多个研发环节，从读取器件手册到输出 DDR 分析报告，全程自动完成。该流程使设计迭代效率提升约 5 倍，人工操作减少约 90%。
推动 STCO 落地的背后，来自不同产业位置的嘉宾形成了一致的判断：局部做到最好，不等于系统最好；系统做好了，局部也不一定最优，但彼此之间会做相互协调。芯片、封装、存储、互连、供电和散热之间的相互影响日益增强。
" 过去做一个系统，常常是各自把自己的部分做好，再拼接起来。到了 AI 时代，这样越来越行不通：数据更快了，存储跟不上；存储跟上了，互联又跟不上；互联跟上了，功耗又上来了，散热也是个问题。" 芯和半导体总裁代文亮博士在圆桌会议上这样描述产业链的真实情况。
不少企业在各自环节上也对系统的重要性有共同的感受。立讯技术 CPO 陈琼南提到，如果缺少系统级联合仿真，问题往往要到后期才能发现，一次设计修改带来的成本可能高达数千万元。
村田 SVP 封明安则从 " 点、线、面 " 出发表示，" 早期设计的时候，我们从‘点’出发，从我们自己本身的特性、包含一些参数，去做改善；到了‘线’，我们希望去看整个电路板上的布局；现在是到‘面’：在 AI 和散热变成显学的时候，在电源管理、power distribution network 这种状态之下，系统的挑战越来越严峻。" 封明安说。
武汉新芯 CTO 周俊也强调，要使片间的连接带宽做到最高，可能需要连接的密度以及微通孔的密度做到最高。但这样反过来，对整个散热，对基板的电容与电感，就会造成很大的影响。" 这个最佳可能会对其他方面造成影响，所以要全面地来权衡。"
STCO 仍待跨越数据孤岛、协同计算等门槛
然而，如何让协同从各环节的团队 " 多沟通几次 " 走向真正的协同，让不同层级的模型、物理问题和设计结果真正高效连接起来，也是整条产业链共同面对的难题。
在这背后，一个值得追问的点是：STCO 怎样从一个理念变成真正用得上的工程能力？如果把 STCO 变成日常的工程能力，目前最缺什么？
沐曦股份 CTO 彭莉认为，当前要解决的依然是各个设计阶段之间的设计语言和设计 Signoff 标准之间的沟通。这种沟通需要从孤岛走向协同的数据底座，需要一个平台性的、端到端的 EDA。在这一过程中，也需要一些商业化项目的牵引。
江波龙高级技术专家田福俊在圆桌论坛上指出，目前较大的断点是工具链之间的数据孤岛，包括模型不统一、材料及封装工艺参数难以从前序设计传递到后续环节等。封装设计、PCB 设计及系统整合分别由不同工具和团队完成，增加了协同难度。
多物理场的协同仿真也是一大难点。" 之前我们做整个系统仿真，第一步先调信号，信号调好之后，再调散热，调完散热之后，可能还要调电源，一步一步来，你是花很多时间的，并且可能没办法时刻关注到这个变化跟电是怎么联动的。" 陈琼南表示，希望通过 AI 将数据集中在一起，即数据孪生，从而在调整过程中更快得到仿真结果，并向设计团队和验证团队展示。
代文亮在接受财联社等媒体采访时也表示，过去电、热、应力可以分别计算，如今需要协同计算，计算量很大。计算精度、效率和容量对仿真而言很关键，此外仿真还要与设计结合，并让算出来的结构反过来优化结构，这些均是难点。
值得一提的是，在 AI for EDA 走向应用的同时，AI 与人类工程师之间的关系与应用边界也成为业内热议的话题。
凌峰告诉记者，Agent 已经能够自己去理解工程师意图、编排任务并思考、执行，但设计结果是否可以直接用于投片或加工，仍需人工确认。
封明安也认为，工程师可以大量运用 AI 去计算、仿真，AI 的参与可以更优化工作效率。但同时，如何将准确的数据萃取出来，必须靠非常经典的仿真模拟或资料库，而资料库的来源，是当初大量的工程师所累积的经验。在封明安看来，至少在当前可见状态下，AI 完全代替人类工程师还是较为困难。
