MooresLabCTOSirishMunipalli谈AI芯片验证，用智能体重构传统EDA流程

在半导体设计日益复杂、验证成本持续攀升的背景下，AI正从辅助工具转变为芯片验证流程的核心驱动力。Moores Lab AI联合创始人兼CTO Sirish Munipalli近期在接受访谈时系统阐述了公司如何以“智能体（Agentic AI）”重构传统电子设计自动化（EDA）中的验证环节——其核心产品SpecAgent™并非简单地用AI替代脚本，而是构建一个能理解规格、自动生成测试用例并动态修正模型偏差的自主验证智能体。

Munipalli拥有约15年一线芯片验证经验：早期在英特尔负责FPGA原型验证，后于高通从事流片后验证，再至微软参与机器学习芯片的设计验证与架构建模，其中包括视觉处理模块的开发。尤为关键的是，他长期深耕神经形态计算领域，曾主导脉冲神经网络（SNN）处理器的架构设计、硬件实现与验证，并开发配套软件仿真器与工具链，还完成深度学习模型向脉冲网络的转换工作。这一背景使其对“AI for AI”的落地路径有独特洞察。

传统芯片验证依赖大量人工编写的测试激励与断言，周期长、覆盖率难保障，尤其在面对异构AI加速器时，传统方法常陷入“测试盲区”。Munipalli指出：“验证的本质不是穷举所有可能输入，而是让系统学会‘思考’——它需要理解规格意图，预判潜在失效模式，并在发现异常时回溯根源。”为此，Moores Lab推出SpecAgent，该平台将自然语言规格文档自动转化为形式化模型，再由智能体驱动仿真环境进行探索式验证，过程中可动态调整测试策略、生成边界案例，甚至提出规格歧义点供工程师复核。

这一思路与当前主流“AI增强EDA”存在本质差异：多数方案聚焦于用大模型优化现有流程（如生成UVM代码或预测覆盖率），而Munipalli团队更强调“认知层重构”——即让验证系统具备类似人类工程师的推理能力。例如，在验证一款支持稀疏计算的NPU时，SpecAgent不仅能识别常规数据通路错误，还能主动构造高稀疏度、非均匀分布的输入组合，模拟真实场景下可能出现的激活失衡问题，而这往往被传统随机测试忽略。

值得注意的是，Munipalli的技术路径与其神经形态研究高度协同。他解释道：“脉冲神经网络的异步、事件驱动特性，天然适合建模为状态机+事件触发的验证对象；而验证过程本身又可反哺架构迭代——我们曾基于验证中发现的时序冲突，重新设计SNN单元的突触更新机制，使功耗降低18%。”这种“验证-设计-再验证”的闭环，正是其倡导的“验证即设计反馈”理念的体现。

行业观察显示，随着3nm及以下制程普及，单颗SoC的验证周期已占整体开发时间60%以上，且70%以上的流片失败源于验证遗漏。在此背景下，多家EDA巨头已布局AI验证方向，但多集中于局部优化。Moores Lab的差异化在于：其智能体不依赖海量历史验证数据训练，而是基于规格语义解析与符号推理，更适合新架构、无先验知识的芯片项目——这对初创公司和前沿AI芯片团队尤为重要。

Munipalli同时提及，当前AI芯片验证面临两大挑战：一是规格本身模糊性（如“低延迟”未定义量化阈值），二是跨层级一致性缺失（RTL、固件、系统级行为脱节）。SpecAgent通过引入“规格图谱”（Specification Graph）技术，将分散的文档、接口协议与性能约束整合为可推理的知识网络，从而支撑端到端一致性检查。该公司目前已申请三项相关专利，涵盖规格语义解析、智能测试生成与偏差归因算法。

对比其他AI驱动验证方案，Munipalli强调：“我们不做黑盒替代，而是增强人类工程师的认知带宽。”其系统输出不仅包括通过/失败结果，还包括“为什么失败”的因果链推导——例如指出某条断言失败源于时钟域交叉未同步，而非单纯报告信号毛刺。这种可解释性对安全关键领域（如车规芯片）至关重要。

值得延伸讨论的是，Munipalli的观点与近期机制可解释性（Mechanistic Interpretability）研究形成呼应。正如Goodfire AI科学家汤姆·麦格拉思所言，理解模型内部运作是防范“奖励篡改”等风险的前提；而在芯片验证中，同样需要穿透仿真表象，定位根本原因。Moores Lab的路径实质是将“大脑扫描”思想迁移到硬件验证领域：不是仅看输出波形，而是重建设计意图与实现之间的逻辑映射。

尽管Moores Lab尚未公布具体客户名单，但据公开信息，其技术已在数家AI芯片初创企业中进入POC阶段。一位不愿具名的验证工程师评价：“他们把验证从‘消防队’变成‘气象台’——不再只扑灭已发生的bug，而是提前预警风暴路径。”

在行业趋势层面，AI for EDA正从“效率提升”迈向“范式转移”。传统EDA三巨头近年均加大AI投入，但多聚焦于布局布线、功耗优化等环节；验证环节因高度依赖领域知识与不确定性，进展相对缓慢。Munipalli团队的尝试表明：当AI具备规格理解与主动推理能力时，验证可成为芯片创新的加速器，而非瓶颈。

需说明的是，本文所述内容聚焦Moores Lab AI在芯片验证领域的技术路线，与同期引发关注的模思智能（聚焦情境智能与全模态交互）属不同赛道。后者由复旦邱锡鹏团队孵化,主攻人机交互中的实时情境理解，其MOSS Live系统强调语音、视频与环境的连续感知；而Moores Lab专注硅基芯片的设计验证底层环节，二者虽同属AI应用层，但目标对象、技术栈与客户群体截然不同。

Munipalli最后指出：“未来五年，验证工程师的核心竞争力将不再是写测试用例的速度，而是定义正确问题的能力——即如何让智能体理解‘什么才算真正可靠’。”这暗示着一场静默却深刻的分工变革：人类转向更高阶的规格抽象与风险判断，AI则承担重复性探索与逻辑推演。对于正面临验证危机的AI芯片创业公司而言，这条路径或许提供了一种兼顾速度与可靠性的新解法。