GPT-Synopsys 把 EDA 授權、模型與算力打包販售，Synopsys 把 AI agent 變成續約籌碼
重點
- Synopsys
- OpenAI 用 Synopsys 工具開發專用模型，再與 Synopsys 授權打包銷售，最懂 EDA 的 agent 因此以 Synopsys 工具為母語；晶片公司日後想改用 Cadence，得連 agent 流程一起搬，Synopsys 還能透過分潤從模型用量抽成。
- OpenAI
- 取得結果能由工具自動判定對錯的 EDA 場景，並借 Synopsys 的業務敲開半導體客戶；公告沒有排他條款，若 OpenAI 轉頭與 Cadence 簽約，主導權就會落到它手上。
- 中型設計公司
- 沒有 CAD 平台團隊，原本無力自建 agent 與工具轉譯層，買打包服務就能取得接近大公司的自動化，會是最快用上的一群。
- 大型設計公司
- 已有平台團隊，省下的主要是工具轉譯人力，卻要把設計資料送進 OpenAI 的雲、同時依賴兩家供應商，續約時也更難把工具、模型與算力拆開比價。
- Cadence 與 Siemens EDA
- 面對的是工具、模型與算力的整包競爭；照 FlexEDA 與 GitHub Copilot 的前例推估，2027 年底前它們很可能宣布與前沿模型公司的同等級合作，或推出與自家授權打包的自研模型。
OpenAI 與 Synopsys 在 2026 年 9 月 30 日宣布共同開發 GPT-Synopsys：專用模型直接操作 Synopsys EDA 工具，目標涵蓋 PPA optimization、timing closure 與 verification closure。OpenAI 取得 Synopsys EDA 工具授權，用來開發這個模型；雙方簽訂多年合作，包含分潤與共同 go-to-market，對客戶提供「算力、模型與授權」打包的聯合服務。服務預定運行於 OpenAI-hosted infrastructure，整合 Synopsys.ai 與 Autopilot，並可接入客戶自己的 agent harness。Synopsys／OpenAI 聯合公告
這筆交易讓 Synopsys 把「最懂 EDA 的模型」做成以自家工具為母語，並把模型收入接進自己的授權生意。對 IC 設計平台團隊來說，第一年最可能看到的是工具轉譯成本下降：各團隊自己維護的 prompt adapter、Tcl 產生規則與報告解讀，會有一部分改由供應商提供。縮短 tapeout 時程或改善 PPA，要等同條件的 benchmark。目前公布的是合作架構與 early technology engagements，沒有客戶名單與量化結果。
專用模型省下哪三種轉譯
今天稍早整理的 Jalapeño／XLS 案例 走的是另一條路：通用模型提出候選修改，XLS compiler、驗證與標準 EDA flow 判定候選能否採用。GPT-Synopsys 則讓模型學會使用特定工具、解讀輸出並連續修改設計。前者把領域知識放在編譯器與 flow，後者放進模型與工具介面。
| 路線 | 領域知識放在哪 | 平台團隊要維護 | 主要風險 |
|---|---|---|---|
| 通用模型＋編譯器／EDA 判定（Jalapeño） | XLS compiler、驗證與 EDA flow | 候選格式、判定流程 | 候選淘汰率決定 tool-hours |
| 專用模型直接操作工具（GPT-Synopsys） | 模型與廠商提供的 action surface | 目標、晉級條件、artifact 版本 | 工具與模型綁同一組供應商，換廠成本高 |
專用模型有機會省下三種轉譯成本。
第一是指令與語意。模型理解工具 command、report 與錯誤訊息，各團隊不必再為每套工具維護 prompt adapter 與報告解析，也不必在每次工具改版時跟著調整。
第二是長程狀態。Autopilot 提供 orchestration、skills、persistent memory、telemetry 與 governance，長程工作因此是有狀態的工作流程，各步驟之間保留上下文。Synopsys Autopilot 公告
第三是合法動作。工具供應商可以把允許的操作與執行語意放進受控介面，模型呼叫的是定義好的動作，避免任意產生 shell 或 Tcl。
這三項節省的都是平台團隊的整合人力。設計品質仍由 timing、power 與 equivalence 的結果決定，而這些結果只對特定版本的 netlist、SDC、library、corner、tool build 與 options 成立。模型在下一輪改動約束或設計，前一輪的 WNS 與 power 結論就要重算。因此平台仍要把每次決策綁到 input digest、tool／model 版本、授權身分、動作、輸出 artifact 與判定結果，才能重建模型選擇某個候選的理由。
客戶 harness 要保留三項決定權
公告寫明 GPT-Synopsys 可與 customer agent harness 互通。客戶因此可以保留既有 flow owner、artifact store、policy engine 與放行流程。較穩健的切法，是由 GPT-Synopsys 負責工具操作與領域推理，客戶 harness 保留三項決定權：
- 目標與可改範圍：哪些 RTL、SDC、UPF 或 waiver 可讀、可改，或只能提出建議。
- 晉級條件：simulation、formal、LEC、STA、DRC、LVS 各需要哪些固定條件，什麼結果才進入下一階段。
- 發布與回退：哪個 checkpoint 可以交付下一階段，誰能撤銷、回退或要求重跑。
跨供應商整合靠的是機器可讀的執行紀錄。每個 agent 至少要輸出 run identity、input／output digests、結果類型、有效範圍與失敗狀態；只回傳自然語言摘要，另一個工具就無從判斷讀到的是哪一版 artifact。模型負責解釋結果，工具產物與晉級紀錄才是後續自動化的依據。
長程執行出錯時，留下的是工程狀態
假設 agent 為修正 setup violation，先調整 synthesis options，再啟動 APR 與 STA。APR 在 license server 暫時失聯後 timeout；agent 重試時讀到舊 checkpoint，卻把新一輪 STA report 登記成目前候選。使用者看到 WNS 改善，但 report、netlist 與寄生參數分屬不同 run。
處理方式是先確認狀態，再決定重跑範圍。平台要判斷先前 job 是否仍在執行、scratch 與 license 是否殘留、checkpoint 是否完整，再以 idempotency key 對應 workflow step。任何 input digest 改變，下游結果一律作廢。狀態無法確認時，隔離該候選並從最近一個已驗證的 checkpoint 重跑。
資料治理方面，Synopsys 表示客戶資料不用於模型訓練，提供傳輸與靜態加密，以及 retention、audit 與 permission controls。這回答了企業採用的第一道門檻。GPT-Synopsys 資料治理說明
第一個 PoC 選什麼、量什麼
第一個 PoC 適合選可回退、結果明確的閉環，例如固定 RTL、SDC 與 tool build 下的 constraint diagnosis 或 regression triage，同時保留人工或 script baseline。每次實驗量測 accepted outcomes、工程師審查時間、tool-hours、license 等待、token／compute 成本、重試次數與結果不一致次數。比較基準是同條件下被採用的產出，agent 執行了多少步只是過程指標。
授權、分潤與打包，讓 Synopsys 從模型用量抽成
Synopsys 從這筆交易拿到三樣東西。模型用 Synopsys 工具開發，工具的指令、報告與錯誤語意變成模型能力，晶片公司日後要比較 Cadence，比的是整套 agent 流程。打包銷售把採購從「買工具 seat」擴大成「買算力、模型與授權」，Synopsys 在同一家客戶身上的收入面變大，分潤再讓它從模型用量抽成。最後是防守：通用 agent 普及之後，EDA 工具有被當成可互換後端的風險，Synopsys 先把 agent 綁在自家工具上，把這個風險轉成護城河。
OpenAI 拿到的是另一種資產。EDA 工具產出的 timing、LEC、DRC 結果可以自動判定對錯，這種場景很適合用來改進模型；OpenAI 透過授權取得它，再經由 Synopsys 的業務接觸全球晶片公司，以分潤取得營收。OpenAI 也在與 Broadcom 開發自家晶片（見 Jalapeño 一文），自己就是這套工具的潛在大客戶。
帳單則落在晶片公司身上：打包服務涵蓋算力、模型與授權，價格尚未公布，收入由 Synopsys 與 OpenAI 依分潤分配。拿到好處的兩家廠商和付錢的晶片公司分屬兩邊，導入前要先把這筆帳算清楚。
中型設計公司先用上，大型公司要多算資料與依賴的帳
沒有 CAD 平台團隊的中型設計公司，原本沒有人力自建 agent、工具轉譯層與長程執行管理，買打包服務就能取得接近大公司的自動化，收益最直接。大型設計公司已有平台團隊，省下的主要是轉譯人力，邊際收益小得多，要付出的卻一樣。
那筆代價有四個部分。工具綁 Synopsys，模型與算力綁 OpenAI，任一方調價或改版都會直接傳到設計流程。服務跑在 OpenAI 的基礎設施上，公告沒有提到 VPC 或地端選項；同樣在開發 AI 加速器的公司，等於把設計資料送進一個也在做晶片的對手的雲，受出口管制限制的客戶也會卡在同一關。模型版本更新會改變 agent 的決策，同一個設計兩次執行的結果可能不同。按用量計費則讓 EDA 支出從固定授權變成浮動支出，探索越多、帳單越高。
膠水層搬進供應商的產品之後
過去，把 EDA 工具接成自動化流程的那層膠水程式碼，握在晶片公司自己的 CAD 團隊手上；要換供應商，重寫膠水層就好。打包服務把這一層搬進供應商的產品裡，轉換成本跟著上升。續約時，Synopsys 可以把工具、模型與算力一起報價，客戶很難拆開比價。前面提到客戶 harness 要保留的三項決定權，正是晶片公司守住談判位置的最後一道防線。
被壓縮的工作有三類：晶片公司內部的 prompt adapter 與報告解析；以 LLM 包裝原廠 EDA 工具為主要賣點的 AI-EDA 新創，因為原廠同時握有工具介面與授權；以及初階工程師看守 run、整理報告的部分日常。
FlexEDA 與 Copilot 留下的線索
打包算力與授權並不新。2022 年起，Synopsys Cloud 的 FlexEDA 就提供託管算力加按分鐘計費的授權。Synopsys：What is FlexEDA 這次多出來的是模型，以及資料改流向 OpenAI 的基礎設施；大型設計公司過去對託管 EDA 的接受程度，大致就是 GPT-Synopsys 的天花板。
GitHub Copilot 提供了另一條線索。它起初只用 OpenAI 的模型，2024 年 10 月 29 日加入 Anthropic 的 Claude 3.5 Sonnet 與 Google 的 Gemini 1.5 Pro。GitHub Blog 掌握使用介面與通路的一方，最後把模型變成可替換的零件。GPT-Synopsys 的公告同樣沒有排他條款。
照這兩條線索往下推，2027 年底前，Cadence 或 Siemens EDA 很可能宣布與前沿模型公司的同等級合作，或推出與自家授權打包的自研模型。GA 前後，Synopsys 也大概需要補上客戶雲或地端部署；如果首批具名客戶以中型公司為主、看不到大型 AI 晶片開發商，就表示資料流向確實是採用的瓶頸。
如果 OpenAI 也找上 Cadence
另一種走向是主導權最後落到 OpenAI。OpenAI 握有模型、算力，以及 agent 這個直接面對工程師的介面，又透過授權學會 EDA 工具的用法；公告沒有排他條款，一旦模型的 EDA 能力可以遷移到其他廠商的工具，OpenAI 大可再與 Cadence 合作，Synopsys 就從平台退成後端之一。客戶 harness 可互通、客戶資料不用於訓練，也讓晶片公司保有替換模型的空間。
這個走向要成真，需要 OpenAI 與其他 EDA 廠商簽下類似協議，或模型在不同廠商工具之間的表現差距很小。在那之前，主導權仍在 Synopsys：agent 執行任何操作都需要 Synopsys 的授權，工具的內部語意與產品路線圖在它手上，晶圓廠認證的 signoff 流程短期內也難以替換，分潤還讓它隨模型用量收費。OpenAI 與 Cadence 的合作公告一旦出現，這個排序就要倒過來。
證據範圍
- 公告沒有提供 GA 日期、支援工具與版本清單、價格、客戶名單、benchmark、可自主運作的最長工作範圍，也沒有說明失敗後如何恢復。文中對時程、PPA 與主導權歸屬的判斷是推論。
- 公告寫明 OpenAI 取得授權「用於開發專用模型」，沒有說明是否以工具結果作為訓練訊號；「適合用來改進模型」是推論。
- OpenAI 與 Broadcom 開發晶片的資訊來自前文引用的訪談；OpenAI 是否會使用 GPT-Synopsys，公告沒有提及。
- 公告沒有寫明是否排他，也沒有提到 VPC 或地端部署；對 2027 年與 GA 前後的推估都以此為前提。
- 資料治理尚未公開資料駐留、跨客戶隔離、export-control policy、模型更新對重現性的影響，以及跨 customer harness 的 audit schema。
- 圖一的版本化設計狀態、晉級檢查與出錯處理路徑是參考設計，用來說明客戶端需要保留的控制點。