NVIDIA GTC 大会释放的 AI 革命信号正在改写工业软件的游戏规则。黄仁勋提出的'AI 即界面'理念与 Cadence 等巨头展示的自主 AI 工程师案例，揭示了工程知识体系与 Agent 技术的深度耦合。本文将透过两张关键 PPT，拆解芯片设计领域如何实现 40 倍效率跃迁，以及工业软件沉淀的工程规则为何成为 AI 时代的核心壁垒。

前天，黄仁勋再次掀桌子，在 NVIDIA GTC 的一场演讲轰动全球科技圈。

“人类不再学习使用软件，一切都交给 AI。”黄仁勋认为，过去 40 年形成的计算机交互模式，正在被一种全新的方式取代。简单概括就是：“AI 成为新的用户界面（AI is the UX）。

相比很多媒体说的“软件时代的终结”，我却认为这是一种工作方式的变革。从此，我们个人价值的衡量标准将会发生翻天覆地的变化，而那些AI减少工作岗位的说法也将不攻自破。

尤其是对工业软件产业的影响，我觉得是前所未有的冲击。到底是如何冲击的？下文我将采用黄仁勋的两张 PPT 展开分析。

01 工作方式的颠覆

几十年来，我们使用工业软件的方式，一般都是先输入参数，然后建立模型，最后进行分析和结果修正。在这个过程中，完全由工程师来驱动软件执行。

而黄仁勋描述的 Agent 时代——工程师不再操作软件，只需把目标告诉 AI，由Agent理解需求，然后拆解任务、调用相关工具、执行分析并持续优化，直到达成目标为止。

下面的一页 PPT 就是最好的说明。Cadence、达索系统、西门子、新思科技、Flexcompute、Luminary、nTop 等软件巨头，都在基于 NVDIA 提供的大模型、Agent 框架以及加速计算设施，探索构建面向工程场景的自主 AI 工程师。

另外，这页 PPT 也透露出一个行业趋势：大模型正在通用化，而真实工作流将成为新的核心竞争力。因为，决定Agent价值的不是模型本身，而是背后工业软件沉淀的真实工程知识、规则和流程。所以，一定程度上来说，黄仁勋展示的不只是简单的合作伙伴名单，而是未来 Agent 时代的产业版图。

02 Cadence 完全自主的 AI 工程师

我要说的第二张 PPT，是黄仁勋重点介绍的典型案例：Cadence 基于 NVIDIA 相关 AI 基础设施打造的“完全自主的 AI 工程师”，可以独立执行芯片设计与验证工作流。据介绍，NVIDIA 已经使用该系统实现自主验证芯片设计。

从 PPT 上的架构来看，ChipStack AI 超级智能体不再是传统的 AI 助手，而是由多个专业 Agent 组成的一支工程团队。用户只需输入 RTL 代码和设计规格，随后由 ChipStack AI 统一规划和编排任务。其内部包含了多个专业 Agent ，例如负责理解设计意图的 Mental Model Agent、负责单元测试的 Unit Test Agent、负责形式化验证的 Formal Agent 等。这些 Agent 围绕同一个验证目标协同工作，自动完成测试生成、验证执行、缺陷定位以及代码修复等任务。

“过去需要数周完成的工作，现在只需要几个小时；验证周期提升超过 40 倍。”黄仁勋强调说，NVIDIA 正在与 Cadence 共同利用 AI Agent 重新定义芯片设计流程。

与此同时，Cadence 也宣布将 ChipStack AI 超级智能体升级至 L5 级自主能力。根据官方介绍，该系统基于 Cadence AI 驱动 EDA 平台构建，结合 NVIDIA Nemotron 模型以及 OpenShell 安全运行环境，能够在工程师监督下自主执行复杂的芯片设计与验证任务。

03 工业软件的全新价值

看到这里，你或许会疑问：黄仁勋为什么要大篇幅介绍工业软件？我个人认为，一定程度上是在强调 Cadence、西门子、达索系统等工业软件巨头所掌握的工程能力。

因为，大模型只是台前，而真正决定结果的仍然是幕后的工程体系。虽然 AI 可以理解需求，可以生成方案，也可以自动执行流程，但却无法判断结果是否正确。尤其是在芯片设计领域，一个验证错误就会带来巨大的研发和时间成本损失。

因此，Cadence 在官方发布中反复强调一个概念——“以工程事实为基础”！道理很简单，Agent 不是自由发挥，而是建立在工业软件数十年积累的设计与验证体系之上的。无论是 Xcelium 逻辑仿真平台，还是 Jasper 形式化验证平台，本质上都是经过产业长期验证的工程规则和签核标准。

总结来说，NVIDIA  Nemotron 负责理解问题，NVIDIA OpenShell 负责安全运行，而 Cadence 等工业软件提供的是工程可信度。但是，“ Agent 没有耐心，它们希望立刻得到答案。”黄仁勋表示，NVIDIA 也正在积极推动 Cadence 工具链向 CUDA 体系全面加速。因为在 Agent 时代，客户越来越在乎能否更快地调用工具、完成验证并形成工程闭环。

最后，再回头看黄仁勋的两张 PPT，一张展示的是工业软件与 AI 基础设施正在深度融合，另一张展示的是 AI 工程师如何进入真实工程流程。它们的结果其实都是一致的：未来工业软件的 AI 创新，一定是把数十年积累的工程知识、物理规律和验证体系，转化为真正能够执行工作的 AI 工程师。