工程正日益演变为一项计算挑战。从芯片到汽车，再到复杂的工业系统，仿真、验证与建模工具不断逼近传统CPU硬件的性能极限。几乎所有现代产品的研发背后都依赖电子设计自动化（EDA）、多物理场仿真和数字孪生技术。而提升速度与规模，已成为行业核心诉求。
在此背景下，英伟达（NVIDIA）与新思科技（Synopsys）宣布建立为期多年的广泛合作，旨在利用NVIDIA的GPU加速平台全面推动Synopsys旗下EDA、仿真及多物理场工具的开发升级。作为合作的一部分，NVIDIA将以每股414.79美元的价格向Synopsys投资20亿美元，获得其普通股股权。
此次合作远超一般供应商协作。双方将整合GPU加速计算、人工智能辅助工程、求解器重构与数字孪生等关键技术，打造覆盖从晶体管级设计到整机系统仿真的全链条解决方案。Synopsys计划加速其在芯片设计、物理验证、光学仿真、分子建模、机械分析和电磁仿真等领域的工具开发；NVIDIA则提供优化的CUDA架构、AI框架、NeMo代理、NIM微服务以及Omniverse平台支持，助力客户运行更大规模、更高效率的仿真任务，缩短迭代周期，并逐步以虚拟原型替代部分物理测试。
未来技术工作的规模
尽管已有超过20个Synopsys应用实现不同程度的GPU加速，但多物理场和电磁仿真等复杂工作流仍需深度重构算法才能实现显著性能提升。双方均承认，现有基于CPU的求解器难以通过简单移植CUDA实现质变，必须进行结构性重写。这一过程预计将持续至2026年乃至2027年。
此前，在DAC大会上，双方已联合发布用于计算光刻的GPU加速方案，涵盖光学邻近校正、光刻胶建模与掩模合成，台积电作为主要合作伙伴反馈仿真时间缩短一个数量级。然而，物理验证与寄生参数提取等关键环节目前仍依赖CPU流程完成整体验证，GPU加速尚处于模块化试点阶段。
“我们已在多个应用中实现GPU加速。此次合作的意义在于，它将真正大幅提升我们的工程效率。”——Sassine Ghazi，Synopsys CEO
短期内，先进工艺仍将基于CPU运行，逐步向GPU迁移。AI也将深度融入技术栈，用于优化求解器、模拟器与数字孪生组件，但全面落地仍需数年积累。
保真度差距和双精度约束
当前面临的核心矛盾之一是：AI偏好的低精度计算与工程领域对高保真FP64双精度浮点运算的刚性需求之间的冲突。NVIDIA最新Blackwell架构优先强化AI量化格式，削弱了传统HPC所需的64位计算能力，引发航空航天、汽车、能源等行业对仿真精度的担忧。
对此，双方提出分层应对策略：部分算法可通过数学重构实现混合精度运行而不损失准确性；另一些关键流程则继续采用FP64编码，并在未来由成熟AI代理模型逐步接替。但他们明确表示，AI不会完全取代经过严格验证的物理求解器，安全关键型负载仍将保持混合计算模式。
“只要答案正确，我不在乎。”——Jack Dongarra教授，TOP500超级计算机榜单联合创始人
TAM 机遇
此次合作的战略意图不仅限于性能提升，更着眼于拓展潜在市场总量（TAM）。目前半导体行业仿真投入约占收入的14%-15%，而多数工业领域仅占2%-4%，主因是企业高度依赖物理原型测试。
若GPU加速能大幅降低仿真成本与时间门槛，更多行业可转向“虚拟优先”的研发范式，类似化学领域先筛选千种分子模拟再实验验证最优候选。这种转变有望释放巨大市场需求。
Synopsys首席工程师Ravi指出：“如果仿真更快更便宜，大量工程工作可转移至虚拟环境，这是一个巨大的增长机会。”
尽管双方未公布市场规模预测，但哪怕仅有少量航空航天、汽车或能源企业采纳该模式，对加速计算的整体需求也将显著上升，带动Synopsys软件销售与NVIDIA硬件部署的双重增长。
这将如何触达客户
客户接入路径尚不清晰。虽然提及联合云就绪产品，但具体交付形式、许可模式（永久授权、按用量计费或云计量）、部署方式（本地、公有云或Synopsys自有平台）仍未明确。
Synopsys将主导商业化落地，依托其在半导体、汽车、工业等领域的长期企业合作关系，弥补NVIDIA在传统工程软件渠道上的短板。NVIDIA则强调Blackwell系统适合此类计算负载，并认为云部署将成为资源受限客户的首选路径。
然而，对于已拥有大型本地集群的企业而言，预算规划与部署灵活性仍是关键考量。未来可能采取多种模式并行的策略，但消费模型细节仍有待披露。
中立性问题
NVIDIA的20亿美元股权投资引发关于平台中立性的讨论：是否会导致Synopsys隐性偏向NVIDIA硬件？两家公司均否认排他性，强调工具将继续支持CPU及其他架构。
但从工程实践看，为CUDA深度重构求解器意味着巨大投入，一旦完成，跨平台性能一致性将面临挑战。客户必然关注其他加速器上的功能成熟度与性能表现。
Synopsys重申其软件具备可移植性，曾成功适配x86、ARM及定制数据中心硬件；NVIDIA则强调加速本质是计算结构变革，而非厂商偏好。长期来看，异构计算环境将持续存在，用户需密切关注各平台求解器的演进节奏。
人工智能在工程循环中的位置
AI在工程流程中的角色被谨慎定位为“辅助层”，而非替代物理求解器。Jensen Huang强调：“AI可用于构建代理模型，加速特定环节模拟，但前提是结果可被工程师验证。”
Synopsys聚焦AI在设计空间探索、边界条件生成、日志分析与重复任务自动化方面的价值，同时坚持中间结果的准确性，尤其在涉及制造合规性与安全认证的关键流程中。
总体而言，AI的目标是缩短迭代周期、减少人工干预，而基于物理定律的数值方法仍是生产级仿真的基石。
分析师观点
过去每个十年都曾憧憬“全面虚拟原型”，但始终受限于算力与精度。如今不同的是，AI驱动的硬件架构变革正真实发生，软件也在随之重构。NVIDIA此次布局不仅是对EDA市场的渗透，更是向实体产业仿真需求的战略延伸。
对NVIDIA而言，这是继AI训练与推理之后，开拓物理仿真与机器人计算的新战场；对Synopsys来说，则是借助加速计算重塑产品边界、引领工具革新的关键契机。
这项合作虽未解决所有技术与商业模式难题——如AI代理的能力边界、求解器迁移路径、定价机制与异构竞争格局——但其核心目标明确：将工程设计推向只有大规模加速计算与AI才能支撑的新形态。
这20亿美元的投资，既是生态扶持，也是战略卡位。接下来值得关注的是，是否有其他厂商跟进类似动作，开启新一轮工业软件与硬件协同进化浪潮。
参考链接
https://morethanmoore.substack.com/p/synopsys-and-nvidia-double-down-on
（来源：编译自morethanmoore）
*免责声明：本文由作者原创。文章内容系作者个人观点，人工智能产业链联盟转载仅为了传达一种不同的观点，不代表人工智能产业链联盟对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。