AI驱动下的芯片设计与验证

人工智能将如何改变工程师工作内容、如何保障芯片设计稳健可靠、行业未来经济格局将发生何种转变？让我们来听听业内专家的答案是什么？

人工智能会对芯片工程师岗位带来哪些影响？

Cindy Cui：生成式人工智能可以快速产出海量设计备选方案，因此人工筛选、判断有效方案的能力变得至关重要。未来芯片研发中，方案筛选会成为架构师、系统设计负责人以及项目主管的核心工作之一，以此协调多个人工智能智能体协同作业。

放眼当下行业，企业岗位仍划分清晰：设计工程师、验证工程师、版图工程师、封装设计工程师。但往后发展，各职能岗位的边界将会彻底消融。所有工程师都必须具备快速学习全新业务需求的能力，借助人工智能理解完整端到端芯片设计流程，进而可靠地指挥各类人工智能智能体完成设计工作。

我们应当借助人工智能探索全新技术领域、积累专业知识，最终打造一套人机协同、高效运转的芯片研发体系。

人工智能是否改变行业的学习曲线？

Wally Rhines：短期会产生一定变化，但长期底层规律不会改变。单位晶体管成本始终遵循固定的下降曲线，多年来从未改变。我在读商学院时，研究过千年间铜的单位重量成本，其变化规律同样符合学习曲线。学习曲线是行业无法规避的客观规律，只是在不同阶段会以不同形式体现。

国内曾发布相关观点：行业不应再单纯衡量单位晶体管成本，而要核算单位算力成本。但归根结底，芯片相关各类成本必然持续下降，成本降低来源于设备折旧、工艺经验积累等多重因素。任何能够以等效算力单位量化的芯片产品，其成本变化都会遵循学习曲线。

我们该如何提升人工智能的可观测性？人工智能模型本质属于黑盒，随着智能体技术落地，芯片与系统内部运算逻辑的不可控性进一步加剧。目前行业是否取得相关突破？

Shelly Henry：我认为人类永远无法完全洞悉人工智能模型内部的运算逻辑。我最早接触人工智能时，这也是我最大的疑问：模型为何能输出出色结果，背后的运行机制是什么？

为此我深入研究模型底层原理，包括嵌入层、矩阵乘法、模型训练整套流程。但最终发现，海量数值运算最终产生的输出更像是一种 “魔术”。一个简单的训练案例彻底震撼了我：向模型投喂大量猫狗图片完成训练，模型可以精准完成猫狗图像分类；即便输入从未见过的全新图片，模型依旧能准确识别。

那一刻我意识到，人工智能并非单纯记忆训练数据、匹配已知图像特征，它能够自主归纳、识别从未见过的全新特征。这套逻辑无法用常规逻辑解释，背后的数学运算复杂度极高。我坚信人类永远无法完全拆解人工智能的底层运行逻辑。

Dave Kelf：资深工程师必须理解人工智能的运行逻辑，才能放心使用工具。但我很好奇，刚毕业的新人工程师是否会有同样的执念。

芯片综合工具刚问世时，新一代工程师并没有深究底层原理的需求，工具可以正常使用即可。企业仅培训新人掌握工具操作方法，工程师就能直接上手完成设计。或许新一代从业者能够接受人工智能黑盒特性，而从业多年的资深工程师或将面临行业淘汰。

由此延伸出一个问题，我们如何确认人工智能智能体未被篡改、不存在非法调取外部数据的行为？

Vince Wong：我们无法直接预判智能体的异常行为，因此必须在研发初期搭建完善的安全防护机制，这套机制同时包含事前预防与故障恢复两大模块。

最有效的手段是沙箱隔离：为人工智能智能体配置独立运行容器，严格限制访问权限，划定固定运行范围，禁止智能体越界调取外部数据。同时系统需具备完整审计能力，一旦出现故障，能够回溯完整运行记录，定位问题根源。

故障发生时，系统还需支持快速恢复。研发过程中持续保存模型运行状态，每个运行阶段设置校验节点，若校验通过则正常推进；即便中途出现故障，也可依托存档数据完成恢复。整套安全防护机制属于前置保障手段，提前规避未知风险。

这一方案存在现实难点：大语言模型的核心能力是抓取各类分散数据、整合跨领域信息。以往不同类型数据相互独立，如今模型能够打通所有数据壁垒。

Cindy Cui：人工智能最大的风险，并非输出错误内容，而是生成看似完全正确、实则存在漏洞的方案。内容表面无明显差错，人类工程师很难识别其中缺陷。

客户常提出一个关键疑问：如果使用同一套数据集完成模型训练与方案验证，这套工具如何核验人工智能智能体生成的代码是否可靠？

答案是：绝对不能使用同源数据完成验证。这也凸显基准测试数据集的重要性。当前所有大语言模型均依托海量通用数据完成训练，但我们必须单独搭建基准数据集，覆盖真实芯片设计场景与高复杂度极端案例，以此核验人工智能智能体解决方案的可靠性。

我长期从事客户成功相关工作，十分重视客户使用反馈。全新研发的工具在上线初期，无法直接判定稳定性与健壮性；但如果数千名工程师每日使用该工具完成真实芯片设计，且多款流片项目顺利落地，我们便可基于海量实践持续迭代优化，最终打造稳定可靠的成熟工具。而整套验证流程必须严谨落地。

Vince Wong：Anthropic 公司曾提及，人工智能智能体之间会自主研发专属 “秘密沟通语言”。但我认为这并非模型的预设功能，智能体自主创造特殊语言，本质是为了优化交互通信、节约 Token 计费成本。

智能体交互时会自主判断：在权限允许范围内，尽可能减少 Token 消耗，而人类并未强制要求智能体使用标准化通用语言，因此模型会自主生成最优简化沟通逻辑。

这种自主创造专属语言的现象需要严格管控，智能体内部逻辑完全不可观测会带来巨大隐患，行业需要保证人工智能全流程可追溯、可查看。

所有大语言模型运行逻辑均依托人工指令约束。我们可以在模型启动前下达硬性指令：所有交互内容必须采用人类可读语言，统一使用 JSON 这类标准化可读格式完成工具间通信，目前行业工具交互也普遍采用该规范。

研发整套人工智能系统时，我们需要提前预判这类潜在隐患，在系统内部设置多层防护限制，大部分通信异常问题都能提前规避。

行业发展人工智能芯片设计工具，最终目标只是更低成本、更快速度完成芯片研发吗？如果以此为目标，未来产业链中哪一方能够实现盈利？芯片制造厂商、终端系统厂商还是 EDA 软件企业？

Dave Kelf：从芯片产出与终端使用的角度来看，行业商业模式不会发生大幅变动。半导体产业链长期维持固定价值分配格局，产业链下游终端厂商长期占据行业绝大部分利润。

若人工智能大幅提升芯片设计效率，理论上 EDA 企业营收会持续缩水。我们并不希望出现该局面，因此我判断人工智能不会彻底颠覆现有行业商业模式。

Wally Rhines：行业传统规则中，绝大多数 EDA 企业营收与半导体企业营收挂钩，EDA 软件采购费用来源于芯片企业研发预算。过去三四十年间，半导体行业研发投入稳定维持在企业营收的 14% 左右，EDA 行业营收随芯片企业营收同步增长。

芯片企业掌握产业链议价权。英伟达市值突破数万亿美元，核心原因是芯片出货量更高、单品定价更高，依托芯片研发效率提升获取超额收益。但传统 EDA 企业无法共享这份红利，行业营收固定绑定客户研发预算，收益增长存在天花板。

行业未来理想发展方向，是打破现有收益分配规则。以我们企业为例，我们正发力开拓芯片制造预算相关业务，这是极具潜力的全新赛道。除此之外，EDA 企业也需要打造多元化增值服务，让客户愿意在固定研发预算外，额外投入资金采购 EDA 软件配套服务。

Shelly Henry：我认同该观点。但另一方面，人工智能大幅降低芯片研发门槛后，行业竞争会进一步加剧，英伟达这类头部企业的利润空间将被持续压缩。EDA 行业与学习曲线推动芯片单位晶体管成本持续下降，大量新玩家涌入市场，行业竞争趋于白热化。

Wally Rhines：没错，像英伟达这样利润爆发式增长的行业泡沫，在行业内十分罕见。

Dave Kelf：行业发展核心诉求究竟是降低研发成本，还是实现技术创新？众多企业尝试对标英伟达，但均以失败告终，直到近年 AMD 竞争力持续提升，行业格局才出现松动。行业存在大量复杂影响因素，但人工智能若能助力企业研发创新型芯片，或将成为行业破局关键。

Shelly Henry：人工智能确实能够助力芯片技术创新。

Wally Rhines：行业还存在另一层发展趋势。过往芯片差异化竞争力核心来源于可编程性，芯片具备灵活多变的适配能力。但当下行业极致追求高性能、低功耗，各大企业开始针对专属算法研发定制化专用芯片。

定制化芯片研发赛道前景广阔，催生海量全新芯片设计需求。但定制化芯片研发成本极高，单款芯片研发投入可达 2 亿美元，长期维持高额研发投入无法实现良性商业循环。

我判断，可变重构芯片将成为行业未来发展方向。新一代芯片可自主重构内部互联架构、内存分区、指令集，芯片运行过程中可实时切换硬件架构，适配不同运算算法。

Cindy Cui：针对行业竞争格局与盈利主体问题，我们企业正布局一条完全差异化的全新赛道，该赛道市场体量庞大，且保持高速增长。

传统 EDA 市场发展成熟、客户预算固定，行业增长空间有限。但当前各大半导体企业均单独设立人工智能专项研发预算，美光、迈威尔、英伟达等万亿市值科技企业均加大相关投入。我们布局的人工智能芯片设计工具赛道增长潜力巨大。

产业链各方协同研发创新产品，最终所有参与企业都能共享行业发展红利，实现多方共赢。

Ann Wu：人工智能对行业长期经济格局的影响值得持续观察。英伟达能够维持超高利润率，核心限制因素是晶圆厂产能供给不足。有完整行业资料记录：台积电当年暂缓扩充人工智能芯片产能，企业无法预判 AI 市场能否长期稳定发展，晶圆制造端产能供给受限，直接造成芯片供货紧张。

行业芯片产能优先供给出货规模庞大的头部厂商。未来随着芯片研发成本持续下降，终端系统厂商持续推出各类专用定制芯片，晶圆厂产能将迎来大规模扩张，整个半导体生态市场总体潜在规模（TAM）将大幅提升。产业链所有企业都能依托市场扩容实现营收增长，维持甚至超越当前盈利增速。

过去二十年 EDA 行业初创企业融资难度极高，风险投资机构普遍认为赛道退出渠道有限，企业营收仅绑定客户固定研发预算。但在座多家企业均完成大额融资，各位是如何实现融资突破？风险投资机构看中哪些收益增长点，打破 EDA 小企业过往融资困境？

Ann Wu：硬件类初创企业融资难点突出，项目整体风险高，从首轮融资到产出首款基础可用、性能存在缺陷的测试芯片，周期漫长；想要支撑下一轮上亿美元融资，必须完成高难度技术里程碑，多年研发周期叠加技术不确定性，整体投资风险极高。

而我们企业主营软件产品，公司成立不到一年就签下首份年度软件授权合同。软件企业可快速交付产品，数天、数周内就能向客户落地商业价值，对比硬件企业多年研发周期，融资难度大幅降低。

同时当下行业处于发展风口，也是融资利好因素。近两年来，各大主流财经媒体几乎每隔一天就会刊发半导体行业相关头条新闻，赛道市场热度高涨，大量风险投资机构主动跟进行业热点。资本看好人工智能芯片设计赛道的发展前景，愿意向行业初创企业提供资金支持。软件初创企业能够快速落地商业价值，叠加行业风口红利，融资难度大幅下降。

Wally Rhines：风险投资机构过往更偏好软件赛道，软件企业前期投入成本低，落地产品、产生营收后再追加投入即可。硬件赛道恰好完全相反，企业在获取客户、产出成熟产品前，就需要投入巨额前期资金。

我此前运营 Cornami 公司时，花费五年时间对接各类风投机构。只要提及企业主营硬件研发，投资方都会委婉结束洽谈。如今行业环境彻底改变，英伟达等企业重塑行业投资逻辑，不少硬件初创企业尚未推出成熟产品，就能收获超高估值。

Cindy Cui：当前整个半导体行业正处于关键发展拐点。台积电、美光、爱立信等头部芯片企业纷纷布局相关投资，行业巨头均认可新一代人工智能芯片设计工具的商业价值，看好其重塑芯片研发全流程。行业发展迎来关键转折点，初创企业依托行业红利，能够快速完成大额融资。