全球电子设计与验证领域的重要国际会议——DVCon China 2026圆满举行。大会现场，芯华章首席科学家徐强教授受邀发表题为《从生成到信任：芯片验证智能体的证据闭环》的主旨演讲。这是徐强教授加入芯华章后的首次公开亮相。
他在演讲中提出，AI Agent进入芯片验证流程的关键，不在于能够生成多少RTL片段、测试用例、断言或调试假设，而在于能否将这些生成物转化为可证明、可核验、可追溯、可治理的签核级证据。
随着生成式AI与智能体技术加速进入芯片研发流程，EDA行业正在从工具自动化迈向智能协同。
然而，在芯片验证这一高可靠性工程场景中，生成能力并不等于可信能力。一个看似合理但未经验证的输出，可能带来错误假设、误导性覆盖率判断，甚至隐藏真实设计缺陷。
因此，如何让AI的“生成力”真正转化为验证流程可接受的“可信生产力”，成为AI Agent在EDA领域落地的核心问题。
徐强教授在演讲中指出：“AI Agent真正进入芯片验证流程，关键不在于它能生成多少内容，而在于能否把生成物转化为可审查、可复现、可追溯、可治理的工程证据。模型不是事实源，证据才是。”
填补AI概率性与验证确定性之间的鸿沟
芯片验证与一般AI应用有着本质差异。徐强教授强调，大语言模型本质上具有概率性、上下文敏感性和不确定性，而硬件验证要求确定性、可重复性、语义精确性和证据支撑。
这一矛盾决定了，验证智能体不能只是一个会生成内容的模型接口，而必须成为能够连接验证意图、EDA引擎、证据库和治理机制的工程系统。
因此，下一代验证智能体必须回答两个关键问题：
1.如何将AI的概率性输出，转化为验证签核所需的确定性证据？
2.如何将不可控的自主生成，纳入可治理、可审计、可复核的工程流程？
在徐强教授看来，验证的本质不是生成更多内容，而是完成信任闭环。AI Agent的价值，不在于替代验证工程师做判断，而在于帮助工程师更高效地构建、检查和管理证据。
构建可信验证智能体的“三大支柱”
围绕“从生成到信任”的核心命题，芯华章提出构建可信验证智能体的三大支柱：验证语义映射、EDA引擎证据驱动推理，以及可治理控制平面。
支柱一：验证语义映射——让智能体知道“要验证什么”
验证需求往往来自规格文档、验证计划、RTL 结构、接口协议和项目方法论，并非天然就是清晰、完整、可执行的形式化描述。
芯华章通过构建验证意图模型，将自然语言需求转化为结构化的验证目标，并与信号、事务、场景、断言、覆盖率目标及所需证据建立关联。
徐强教授强调，智能体提出的语义映射首先是“候选假设”，并不等同于事实。只有经过EDA工具验证或工程师确认，相关映射才能进入可信流程。
以一个简单的valid-ready握手需求为例，“valid 必须保持有效，直到 ready 出现”看似直观，但真正落地到验证任务时，智能体仍需确认对应信号、接口范围、复位条件、时序假设、协议语义以及所需证据。这不是简单的文本翻译，而是从模糊需求到结构化验证任务的语义映射过程。
支柱二：EDA引擎证据驱动推理——让工具为结论背书
在验证场景中，不能只问模型“你觉得对不对”，而要问工具“证据是否支持”。智能体提出的断言、约束、覆盖率解释或调试假设，都必须经过EDA引擎校验，才能成为可信结论的一部分。
在该机制下，智能体不再仅凭语言模型给出判断，而是调用仿真、形式验证、调试、回归等EDA引擎进行验证，并将编译结果、波形、覆盖率、证明结果、假设条件及人工审批记录沉淀到证据库（Evidence Store）中，使关键生成物具备可追溯、可复核的证据来源。
徐强教授表示：“没有验证语义，就没有有用的智能；没有EDA引擎证据，就没有信任；没有治理机制，就没有可接受的自治。”
支柱三：可治理控制平面——让智能体在边界内自主
随着AI Agent开始参与真实验证流程，仅有生成能力和工具调用能力仍然不够。智能体必须清楚知道哪些动作可以自动执行，哪些动作需要审批，哪些动作必须记录，哪些动作不能由系统静默完成。
芯华章认为，治理不是一句提示词（Prompt），而是一套控制平面（Control Plane）。例如，智能体可以在权限范围内自动生成断言、调用仿真或读取覆盖率报告；但若涉及修改验证需求、调整关键假设、豁免失败断言或影响签核状态，则必须触发审批、记录和审计流程。
通过策略管理、权限控制、风险分类、人工审批、审计追踪和证据留存，验证智能体可以在保持自主性的同时，始终运行在清晰的工程边界内。换言之，智能体需要自由度来帮助工程师，也需要边界来赢得信任。
EDA原生能力是可信验证智能体落地关键与核心壁垒
徐强教授指出，AI Agent要真正进入验证签核流程，不能脱离EDA引擎、验证方法论和工程师判断。通用大模型可以提供推理、生成和规划能力，但工业级验证智能体还需要将模型能力与仿真、形式验证、调试、覆盖率、回归基础设施及签核流程深度结合。
具备底层EDA引擎、验证方法论积累和工程实践经验的EDA公司，将成为可信验证智能体落地的重要承载方。芯华章在数字验证领域长期积累的仿真、形式验证、硬件加速、调试和验证管理能力，为构建以证据闭环为核心的验证智能体提供了重要基础。
在这一体系中，AI Agent并不是外接在验证流程之外的聊天助手，而是与真实验证工作流深度连接：理解验证意图，调用EDA引擎，解释工具结果，沉淀证据记录，并在治理机制下与工程师协同完成验证闭环。
这种“EDA原生引擎 + 验证方法论 + 智能体协同 + 证据治理”的能力组合，共同构成可信验证智能体的专业壁垒。
早期内部pilot显示工程落地潜力
围绕可信验证智能体的技术路径，芯华章已在部分内部组件级pilot中开展探索。
早期结果显示，在工具证据闭环与工程师复核机制下，Formal Agent、Simulator/Debug Agent已在协议合规、调度策略、覆盖率收敛和故障定位等任务中展现出显著效率提升：
Formal Agent
在AXI4-Lite Bridge协议合规、Memory Scheduler调度策略等任务上，实现超过10倍效率提升，并达到95%以上的证明核心覆盖率（Proof Core Coverage）；
Simulator/Debug Agent
在多个SoC模块和缺陷实例中展现出覆盖率收敛与调试效率提升。
芯华章表示，这些结果并非完整自治或通用基准，而是表明：以EDA引擎为依据、以证据为闭环、以人为治理节点的智能体路线，具备走向工程落地的潜力。
徐强教授在演讲中强调，可信验证智能体的目标不是让AI绕过工程师，而是让工程师拥有更强的判断工具、更完整的证据链和更高效的验证闭环。
验证工程师不会被替代，而会被进一步放大
面对AI Agent带来的工作流变化，徐强教授认为，验证工程师的角色不会被削弱，反而会变得更加重要。
随着智能体承担更多生成、执行和分析任务，工程师将更加聚焦于验证意图定义、风险判断、边界治理和最终证据审定。
他表示：“AI时代的验证工程师不会被替代，而会被放大。未来工程师将成为智能体团队的治理者、验证意图的引导者和证据质量的裁决者。”
在这一新模式下，验证工程师将从繁重的手工执行中逐步释放出来，转向更高价值的工程判断：定义目标、设定边界、审查证据、管理风险，并最终对签核质量负责。
AI Agent则作为一组可治理、可审计、可复核的“数字化验证助手”，协同工程师完成更复杂、更长期、更高覆盖度的验证任务。
这一理念与芯华章EDA 2.0愿景高度契合。面向更复杂的芯片研发挑战，芯华章将持续推进开放标准化、自动化智能化、平台化服务化的技术路径，将AI Agent、EDA原生引擎和证据闭环机制深度融合，推动验证流程从工具驱动走向证据驱动，从局部自动化走向可信智能协同。
芯华章将深耕可信验证智能，帮助芯片企业在提升研发效率的同时，守住验证质量、工程可控性和签核可信度。
