前不久，Cadence、ChipAgents、Keysight EDA、Siemens EDA和Synopsys的相关负责人，在设计自动化大会（DAC）一次闭门圆桌中，讨论了Agentic AI用于芯片设计时面临的新问题。

其中，一个变化已经越来越明显：Token成本正在成为新的EDA预算问题。

EDA预算不再固定

Cadence表示，最近三四周，越来越多设计、验证和实现团队开始询问Token效率、Token预算，以及如何为部署AI工具、工具所调用的其他工具和通用代码助手进行预算。

行业已经看到Agentic AI的价值，但新的问题是，如何真正衡量ROI，以及能否用更高的Token效率，以什么成本、以多高效率得到正确答案。

Keysight EDA认为，在讨论Token ROI之前，首先要考虑芯片到底需要多少次迭代。因为一套台积电掩模版可能要花费数百万甚至数亿美元，芯片设计没有所谓的“信任”，只有“信任并验证”。

最终仍然需要物理仿真引擎进行验证。如果热预算或者功耗出错，再多Agent、再多Token也没有意义。对于大型CPU和AI芯片，一次设计错误就可能带来下一轮迭代，而这笔成本会高于Token本身。

但Cadence提出，Token预算正在变得足够大，已经开始占到掩模成本中一个值得关注的比例。去年，没人关心这个问题。

Keysight EDA进一步表示，过去芯片项目可以把工程师成本、软件成本等逐层拆开，EDA预算基本是固定的。现在企业却面对一个不断膨胀、又难以控制的Token预算。

“你可以更高效，原来做2颗芯片，现在可以做10颗。”问题是，Token预算也可能随之失控。

从“无限Token”变成“限制Token”

Keysight EDA认为，企业需要的是可预测的成本，因此接下来Token效率会成为主要问题，客户会尝试小语言模型（SLM），采取各种方式限制Token支出。

Synopsys表示，这已经不是“明年会发生”的事情。很多客户的讨论已经从无限预算，转向在工程师层面限制Token数量或者美元支出。

这也是开放源代码模型越来越受关注的原因。

Siemens EDA表示，客户正在变得更聪明：设计初期或者不需要最强能力的任务，不再直接使用最新、最强的模型，真正极端的任务可能只占整个流程的一小部分。

“六个月前，每个人都在开法拉利去买菜。”现在，企业开始思考什么任务该使用什么LLM。

一些公司甚至算过一笔账：完成同样的工作，工程师可能比Agent更便宜。

真正的战场不只是模型

ChipAgents表示，按照目前的使用趋势，未来18个月，每名工程师每年的Token消耗可能达到1000亿。

但他们同时指出，通过定制Agent流程，在相同任务上可以比基准方案便宜40%至50%；其自研开放权重模型，在芯片特定任务和高难度SoC任务上的表现接近前沿模型，但成本低至五分之一。

问题由此转向了模型之外。ChipAgents认为，仅靠一个通用LLM并不能解决问题。企业还需要理解组织内部“没有说出来的东西”，需要把团队和个人之间的知识映射到工作流中，同时进行模型微调和后训练。

Keysight EDA则把这种过程称为“流程捕获”：把原来只存在工程师脑中的工程知识，转化为确定性的技能和工具。投入越多进行工作流使能，任何LLM的能力都可以提高。

Siemens EDA也认为，上下文智能、工具素养和工作流素养都可以降低Token成本。对于混合专家系统，则可以通过模型路由，根据任务性质和复杂度决定使用哪个模型。

最终，Keysight EDA给出了一个更直接的判断：如今LLM本身反而是整个技术栈中最不重要的一环。真正重要的，是模型之上的使能技术，包括Token效率、上下文、工具链以及工作流。而这场讨论，已经从“Agentic AI能不能进入EDA”，转向了一个更现实的问题：AI带来的效率，到底要花多少Token买单。