【导读】中国上海，2026 年 4 月 23 日 —— 楷登电子（美国 Cadence 公司，NASDAQ：CDNS）近日宣布扩大与 NVIDIA 的合作，共同推出涵盖代理式 AI、物理仿真与数字孪生的加速解决方案，以解锁更高水平的生产力，加速从半导体设计、物理 AI 系统到超大规模 AI 工厂的新一代工程设计流程。
通过将 Cadence 在代理式 AI 驱动设计、电子设计自动化（EDA）和系统设计与分析（SDA）领域的领先优势，与 NVIDIA 面向工业数字孪生解决方案的 CUDA-X、物理 AI 及 Omniverse 库强强联合，双方正以真正智能体的速度，在三大关键设计领域重新定义工程设计生产力，加速创新落地。
“代理式 AI 和数字孪生正在重塑从芯片设计到超大规模 AI 系统的整个工程设计版图，”Cadence 总裁兼首席执行官 Anirudh Devgan 表示，“我们与 NVIDIA 的深化合作，加速了设计与物理实现的融合——Cadence AgentStack、Physical AI Stack 以及 AI 工厂数字孪生与 NVIDIA 在加速计算领域的突破性技术相结合，为仿真与系统开发带来前所未有的速度、精度与可靠性。”
“计算领域正迎来一个转折点——CUDA 加速计算和 AI 正在重塑工程设计流程，”NVIDIA 创始人兼首席执行官黄仁勋表示，“我们首次能够在数字世界中创新，以空前的速度与规模探索、测试和优化创意，即先将一切构建成高保真的数字孪生。NVIDIA 与 Cadence 正共同将这一愿景付诸实践，改变工程师设计、构建和运行系统万物的方式。”
加速 Cadence 的 EDA 与 SDA 工具
Cadence 与 NVIDIA 正在利用 NVIDIA CUDA-X、物理 AI、Omniverse 库，以及基于 NVIDIA AI 基础架构打造的 Cadence® Millennium™ M2000 超级计算机，为 Cadence 的 EDA 和 SDA 解决方案提供加速支持。作为此次深化合作的一部分，Cadence 将对其广泛的基于原理的求解器进行加速，并借助 AI 物理模型，将工程设计工作流的速度提升高达 100 倍。
Cadence EDA 与 SDA 客户及合作伙伴，包括 Ascendence、美国 Argonne 国家实验室、本田研发、三星及 SK 海力士在内，均已在使用经 NVIDIA 加速的 Cadence 解决方案，以更快的速度将高性能产品推向市场。
AgentStack：面向新一代芯片设计的代理式 AI
Cadence 近期推出了 ChipStack™ AI Super Agent，该技术将代理式 AI 与基于原理的 EDA 工具相结合，旨在重塑半导体 RTL 设计与验证流程。在超过 10 家领先客户的早期部署中，该工具在设计与验证任务方面展现出高达 10 倍的生产力提升。
在此基础之上，Cadence 于近日发布了 AgentStack™，一个旨在统筹半导体与系统设计所有环节的“主代理（Head Agent）”。AgentStack 将 ChipStack AI Super Agent 的心智模型（Mental Model）与超级代理架构从 RTL 和验证领域，扩展至物理设计、定制/模拟设计及迁移，乃至系统级设计工作流。AgentStack 将 Cadence 智能体与 Cadence EDA 平台相连接，利用 NVIDIA Nemotron 并运行于 NVIDIA 加速计算基础设施之上，用于编排长时间运行的多智能体工作流。
NVIDIA 作为 Cadence 的早期合作伙伴，正在其半导体与系统设计流程中采用 AgentStack 流程，并提供真实应用反馈，这将帮助 Cadence 强化和扩展 AgentStack 功能，以便在更广泛的行业范围内部署。这一演进将标志着从传统的脚本/GUI 驱动流程，向能够对设计层次、关系及协议进行推理的智能体驱动流程的重大转变，从而将迭代周期从数天大幅压缩至数小时。
面向物理 AI 的嵌入式代理式 AI
除半导体设计之外，Cadence 与 NVIDIA 正将合作扩展至面向物理 AI 的嵌入式代理式 AI，通过结合 Cadence Physical AI Stack 与 NVIDIA 机器人仿真库及加速计算，帮助缩小机器人与自主机器在“仿真到现实”之间的关键差距。通过将 Cadence 的高保真多物理场仿真及 AI 工作流，与 NVIDIA Isaac 开源仿真库和 Cosmos 开放世界模型相集成并加速，客户将获得一个端到端、由智能体编排的工作流，该工作流连接了世界模型训练、精确物理仿真、大规模场景测试及持续的真实世界反馈。
在整体架构层面，该联合技术栈可在从训练编排、物理代理模型训练、策略优化，到验证与部署反馈的整个生命周期内，实现对 AI 代理的协同调度。这一工作流覆盖了多个环节：在 NVIDIA Isaac Sim 和 Isaac Lab 中进行虚拟训练，通过 Cadence 精细物理模型进行评估，以及在 VTD（虚拟试驾）和 VTDx（其扩展的高保真复杂真实场景仿真环境）中进行任务级场景仿真。
最终这些成果将被部署到 NVIDIA Jetson 机器人平台及边缘 AI 系统上。在此环境中，实时虚拟孪生技术可实现对系统的持续监控与优化。通过在训练、验证与推理的全流程中嵌入精准的物理模型，Cadence 与 NVIDIA 联合打造的流程旨在大幅加速实验进程，同时在将物理 AI 系统部署至现实世界时，提升其安全性与可靠性。
AI 工厂数字孪生：将单 Token 成本降至最低
双方的合作还延伸至 AI 工厂领域。Cadence 通过集成 NVIDIA Omniverse DSX 蓝图，打造新一代 AI 工厂数字孪生，帮助客户设计、仿真和优化面向训练与推理的大规模 Vera Rubin 和 Grace Blackwell AI 工厂。这些 AI 工厂数字孪生关注超大规模 AI 领域一个关键的新指标：每瓦特 Token 数，即每消耗一单位功率所处理的模型 Token 数量。
通过将 Cadence 系统分析与数据中心仿真工具，与 NVIDIA DSX 库及 Omniverse DSX 蓝图相结合，客户能够在部署物理系统之前，预先评估 GPU 功耗设置、系统配置及冷却架构之间的权衡取舍。在一个联合开展的 10 兆瓦（MW）AI 工厂使用案例中，对 GPU 以降低功耗模式（MaxQ）运行进行建模的结果显示：每瓦特可处理的 Token 数提升了高达 17%；对于大规模部署而言，每吉瓦（GW）可带来数十亿美元的增量年收入。这不仅显著提高了年度净收益，也凸显了仿真驱动设计对 AI 工厂的重要价值。
基于 NVIDIA DSX 的 AI 工厂数字孪生还表明，MaxQ 运行模式搭配更高温度的冷却液，可使每瓦特处理的 Token 数提升约 32%。通过在高保真数字孪生中捕捉 IT 负载、冷却系统、气流与控制逻辑之间的相互影响，运维人员能够在遵守功耗与散热限制的前提下，最大程度提升 AI 工厂每瓦特处理的 Token 数。
