AI助力仿真故障根因分析，AMIQEDA展示主动式诊断新路径，SLDBenchv2揭示实验规划瓶颈

在芯片设计验证流程中，仿真失败是高频痛点。工程师往往需耗费数小时甚至数天，在海量波形与日志中手动比对信号跳变、寄存器写入时序与错误触发点，以定位根本原因。这一过程高度依赖经验，且极易遗漏关键线索。近期，EDA 工具厂商 AMIQ EDA 在一次内部演示中展示了其将人工智能嵌入仿真调试环节的新能力——AI 助力仿真故障根因分析（Root Cause Analysis of Simulation Failures），为该领域带来实质性突破。

演示中，用户通过自然语言向系统提问：“找出导致 testbench 失败的信号值变更”，AI 助手随即在数秒内完成三步操作：首先识别失败时间戳；其次回溯相关模块的寄存器写入序列；最后高亮显示异常信号路径，如 gpo_veneer_gpo 寄存器在第 31 个时钟周期被意外覆写。整个过程无需人工遍历数百个信号窗口，也未依赖预设断言规则。该功能基于其已有的代码与波形理解引擎，结合轻量级推理模型实现，已在多个客户项目中试用。

值得注意的是，AMIQ EDA 并未采用生成式大模型直接生成修复代码，而是聚焦于“解释性诊断”——即让 AI 成为工程师的“协作者”，而非替代者。这与当前部分 EDA 厂商推动的 GenAI 自动化编码形成差异化路径。正如长期跟踪该公司的技术评论人 Tom Anderson 所述：“这是我在九年观察中见过最具实用价值的 AI 集成案例之一。”

该进展背后反映的是 AI 在工程闭环中角色的演进：从早期的“辅助搜索”（如关键词匹配日志）、到中期的“模式识别”（如聚类相似失败场景），再到如今的“因果推断”（关联信号变更与故障时序）。而要实现后者，关键在于将领域知识（如 UVM 验证结构、寄存器映射关系）与数据驱动方法融合，避免纯黑盒推理带来的误判风险。

与此同时，另一条技术脉络——AI for AI（用 AI 研发 AI）——正面临更深层的挑战。近期发表于 ICLR 2026 的 SLDBench v2 研究揭示：尽管 AI 在被动设定下（即所有实验结果已知）能高效拟合 Scaling Law 公式，但在主动设定下（即需自主决定购买哪些历史训练实验以构建规律），性能显著退化。

SLDBench v2 将真实大模型训练记录构建成一个“实验商店”，每个实验标注了配置、分组及当年实际算力消耗成本。AI 智能体需在预算约束下，分轮次选择实验、更新公式，并最终预测未见的大规模训练结果。结果显示，8 个前沿模型在主动设定下的中位 R² 预测精度普遍下降，误差扩大至被动设定的 1.5 至 4.7 倍。其中表现最优的 Claude Opus 5.5 仅使用全量实验 4% 的成本，其预测精度便超过了经典幂律公式使用全部数据拟合的结果。

这一发现具有双重启示：一方面，说明当前 AI 在“实验决策”层面尚缺乏可靠的探索策略，难以像人类专家那样基于先验判断优先验证关键拐点；另一方面，也印证了“小成本高回报”的可能性——少量高信息量实验足以支撑有效外推，这对降低大模型研发门槛意义重大。

进一步分析其任务架构可见，SLDBench v2 实际模拟了一个典型的“智能体-环境”交互闭环：智能体（LLM）发出动作（购买实验），环境（实验商店）返回观测（损失值与配置），智能体据此更新内部模型（Scaling Law 公式），并决定是否终止。该框架与芯片验证中的“测试激励生成—仿真执行—结果反馈”流程高度同构。换言之，若能将 SLDBench v2 中的主动实验选择机制迁移至 EDA 领域，或可实现“AI 驱动的智能测试用例生成”——即由 AI 判断哪些 corner case 最可能暴露设计缺陷，从而大幅压缩验证周期。

事实上，已有研究开始尝试此类迁移。例如，某头部芯片企业正测试将强化学习智能体接入其回归测试平台，目标是让 AI 根据历史失败模式动态调整 testbench 参数组合。初步结果显示，在 500 万行代码的 SoC 项目中，该方法使关键路径覆盖率提升 12%，而总仿真时间减少 18%。但挑战依然存在：验证环境的确定性远低于训练日志回放，噪声与随机性更高；且芯片设计中的“正确性”标准严格（0 error tolerance），容错空间极小。

与此并行的是，AI 可靠性评估体系也在加速成熟。Grafana Labs 提出的“错误预算”（Error Budget）框架，为智能体行为监控提供了可量化路径：将幻觉率、任务完成度、毒性输出等维度拆解为独立 SLI（服务等级指标），设定 SLO（服务等级目标），并以预算消耗速率反映质量漂移趋势。该方法特别适用于长期运行的 AI 辅助验证系统——当 AI 助手开始频繁给出模糊或错误的根因建议时，错误预算会持续消耗，触发人工复核机制，避免问题累积。

从更宏观视角看，AI 在半导体验证中的落地正经历从“单点提效”向“闭环自治”的过渡。早期工具聚焦于加速波形查看或日志过滤；中期方案引入聚类与异常检测；而当前阶段，以 AMIQ EDA 为代表的实践正推动 AI 进入“因果推理”层，即不仅指出“哪里错了”，还能解释“为何错”。这要求模型具备对硬件语义的理解能力，例如识别 write strobe 信号与时钟边沿的时序冲突，或判断 reset deassertion 与 register initialization 的顺序依赖。

未来，随着更多开源验证数据集（如 Verilator 仿真日志、UVM transaction trace）的积累，以及轻量化推理引擎在 EDA 工具链中的深度集成，AI 辅助根因分析有望成为标准工作流的一部分。但必须清醒认识到：AI 不会取代验证工程师，而是重塑其工作重心——从重复性排查转向更高阶的架构审查与风险建模。

目前，AMIQ EDA 的该功能尚未正式发布，但已进入客户 beta 测试阶段；SLDBench v2 代码与数据已开源，供社区复现与改进。两条技术线虽分属不同领域，却共同指向一个方向：AI 的真正价值，不在于替代人类决策，而在于扩展人类的认知边界，尤其是在高复杂度、高不确定性系统中提供可信赖的推理锚点。