AI-native芯片设计：稀缺能力与工程落地

1. 从“AI设计芯片”这个说法说起

“AI-native 芯片设计”这个词最近被讨论得很多，起因是某头部研究机构发布了一篇关于用 AI 辅助甚至主导芯片设计流程的研究。消息传开之后，各种解读铺天盖地，有人说“芯片设计师要失业了”，有人说“以后芯片设计就是调参”，还有人把这件事类比成“AlphaGo 之于围棋”。

我在芯片设计和 EDA 工具链这个圈子里待了十多年，看到这些讨论的第一反应是：方向没错，但大部分解读都偏了。偏在哪里？偏在把“AI 能做什么”和“AI 真正稀缺的能力是什么”混为一谈。这两件事之间的差距，可能比很多人想象的要大得多。

这篇文章不打算复述那篇研究的具体内容，而是想从一线从业者的角度，聊聊我对“AI-native 芯片设计”这件事的三点不同看法。核心关键词就三个：AI-native 芯片设计、稀缺能力、工程落地。如果你是从业者，或者正在考虑进入这个方向，希望这些内容能帮你少走一些弯路。

先说结论：AI 在芯片设计领域真正稀缺的能力，不是算法有多强、模型有多大，而是把设计意图准确翻译成约束条件的能力、在巨大搜索空间里做工程折中的能力，以及对设计结果做可信验证的能力。这三点，目前 AI 都还差得远，而这恰恰是人类工程师最值钱的地方。

2. 三点不同看法的整体拆解

2.1 为什么我要“唱反调”

先交代一下我的立场。我不是在否定 AI 在芯片设计中的价值，恰恰相反，我认为 AI 在这个领域的渗透速度会比大多数人预期的更快。但正因为如此，才更需要有人把“能做的事”和“难做的事”分清楚，否则整个行业会陷入一种盲目的乐观，最后在工程落地的环节摔跟头。

我见过太多类似的场景：一个新技术出来，媒体先吹一波，资本跟进一波，然后真正做工程的人发现，demo 很漂亮，但离量产还差十万八千里。芯片设计尤其如此，因为它是一个容错率极低的领域。一次流片失败，可能就是几百万甚至上千万的损失，外加几个月的工期延误。这种场景下，“差不多能用”是远远不够的。

所以我的三点看法，本质上是在回答同一个问题：当 AI 进入芯片设计流程之后，哪些能力会变得稀缺，哪些能力会被重新定价？

2.2 三点看法的逻辑关系

这三点看法不是并列的，而是有递进关系的。

第一点关于设计意图的翻译，这是入口问题。AI 再强，如果输入的设计意图本身就是模糊的、不完整的，那输出一定不可靠。第二点关于搜索空间里的工程折中，这是过程问题。芯片设计本质上是在功耗、面积、性能、成本之间找平衡，这个平衡点怎么找，AI 目前还很难替代人的判断。第三点关于可信验证，这是出口问题。设计出来的东西能不能用、敢不敢用，最终要靠验证来说话，而验证这件事，AI 目前更多是辅助角色。

把这三点串起来看，你会发现一个有意思的现象：AI 在芯片设计中最容易切入的环节，恰恰是那些规则明确、反馈及时、搜索空间相对封闭的环节，比如布局布线优化、参数调优、版图检查。而最难切入的，是那些需要跨领域知识、需要权衡取舍、需要承担决策责任的环节。

2.3 对从业者的实际影响

聊这些不是为了空谈，而是因为它直接关系到从业者的职业选择。如果你是一个刚入行的芯片设计工程师，看到“AI 要取代设计师”的新闻可能会焦虑。但如果你理解了上面这个逻辑，你就会知道：被取代的不是设计师，而是设计师工作中那些重复性的、规则明确的部分。真正稀缺的能力，反而会因为 AI 的普及而变得更加值钱。

举个例子。以前一个工程师可能要花大量时间在手动调参数、跑仿真、看波形上。AI 工具把这些时间压缩之后，工程师的时间会释放出来，去做更有价值的事：理解系统需求、定义设计约束、判断折中方案、做架构决策。这些事，AI 目前做不了，短期内也看不到能做的迹象。

3. 第一点看法：设计意图的翻译才是真正的瓶颈

3.1 芯片设计不是从代码开始的

很多人对芯片设计的理解是从 RTL 代码开始的，觉得写 Verilog 就是芯片设计的全部。这是一个巨大的误解。真正的芯片设计，是从理解需求开始的。

需求可能来自很多地方：产品经理说“我要一个低功耗的蓝牙芯片”，系统架构师说“这个模块的吞吐量要跑到多少”，软件团队说“我需要这个接口支持某种协议”。这些需求都是自然语言的、模糊的、甚至互相矛盾的。芯片设计工程师要做的第一件事，就是把这些模糊的需求翻译成精确的、可执行的、可验证的约束条件。

这个过程，我称之为设计意图的翻译。它包含好几个层次：从产品需求到系统架构，从系统架构到模块划分，从模块划分到接口定义，从接口定义到具体的时序、面积、功耗约束。每一层翻译都会丢失信息，每一层翻译都可能引入歧义。

3.2 AI 在翻译环节的真实表现

那 AI 在这个环节表现如何？说实话，目前还很有限。

我试过用一些 AI 工具来辅助做需求分析和约束提取。在结构化程度高的场景下，比如从一份格式规范的协议文档里提取接口时序要求，AI 做得还不错，能省不少时间。但一旦进入非结构化的场景，比如从一段产品讨论的会议记录里提炼出关键的设计约束，AI 的表现就很不稳定，经常抓不住重点，或者把次要需求当成核心需求。

为什么会这样？因为设计意图的翻译不仅仅是语言问题，更是领域知识问题。一个资深工程师在听产品经理描述需求的时候，脑子里同时在跑很多东西：这个需求对应的典型架构是什么，有哪些已知的实现方案，每种方案的代价是什么，哪些约束是硬性的、哪些是可以商量的。这种背景知识的调用，AI 目前还很难做到。

3.3 一个具体的翻译案例

举个具体的例子。假设需求是“这个芯片要支持某种低功耗模式，待机电流要小于某个值”。一个资深工程师听到这句话，脑子里会立刻浮现出一串问题：这个待机电流是在什么温度下测的？是典型值还是最大值？低功耗模式下哪些模块要断电、哪些要保持供电？唤醒时间有要求吗？这些问题的答案，直接决定了电路架构和电源管理策略。

而 AI 拿到这句话，大概率会直接开始搜索“低功耗设计技巧”，然后给你一堆通用的方法：时钟门控、电源门控、多阈值电压等等。这些方法都对，但没有针对性。它不知道你的具体场景是什么，不知道你的约束边界在哪里，所以给出的建议往往是“正确的废话”。

这就是我说的稀缺能力：把模糊需求翻译成精确约束的能力。这种能力目前主要掌握在资深工程师手里，而且很难被结构化、很难被规模化。AI 要在这个环节真正发挥作用，需要的不仅仅是更强的语言模型，还需要领域知识图谱和设计经验库的支撑。

提示：如果你正在做 AI 辅助芯片设计的产品，建议把重点放在“翻译环节的辅助”上，而不是“翻译环节的替代”上。辅助的意思是：帮工程师更快地整理需求、更全地列出约束、更早地发现矛盾。这个定位更现实，也更有价值。

4. 第二点看法：搜索空间里的工程折中无法被算法替代

4.1 芯片设计本质上是一个优化问题

抛开所有的工程细节，芯片设计本质上是一个多目标优化问题。你要在功耗、面积、性能、成本、工期这几个维度之间找平衡。这几个维度往往是互相矛盾的：性能上去了，功耗可能就下来了；面积缩小了，成本可能反而上升（因为良率下降）；工期压缩了，质量可能就出问题。

这个优化的搜索空间有多大？大到难以想象。一个中等规模的芯片，可能有几十亿个晶体管，每个晶体管的位置、尺寸、连接方式都有无数种可能。即使把问题简化到布局布线这一个环节，搜索空间也是天文数字。

AI 擅长什么？擅长在巨大的搜索空间里找局部最优解。强化学习、遗传算法、模拟退火，这些方法在布局布线优化上已经有实际应用，效果也不错。但问题在于，芯片设计要的不是局部最优，而是全局可接受的折中。

4.2 折中背后的“不可言说”知识

什么叫“全局可接受的折中”？就是综合考虑了各种因素之后，选一个“够用就好”的方案。这个“够用就好”的标准，往往不在任何文档里，而是存在于资深工程师的脑子里。

我举个例子。假设你在做一个移动端芯片，有两个布局方案：方案 A 的性能高 5%，但面积大 10%；方案 B 的性能低 5%，但面积小 10%。选哪个？这取决于很多因素：产品的定位是什么，成本压力大不大，散热条件怎么样，竞争对手的产品是什么水平，甚至公司当前的战略重点是抢市场还是保利润。

这些因素，很多是商业层面的，不是技术层面的。AI 可以告诉你方案 A 和方案 B 的技术指标差异，但它很难告诉你“在当前市场环境下，应该选哪个”。这个判断，需要的是商业敏感度和工程经验的结合，而不是算力。

4.3 AI 在折中环节的合理定位

那 AI 在折中环节能做什么？我认为最合理的定位是提供决策支持，而不是替人做决策。

具体来说，AI 可以做的事包括：快速生成多个候选方案，并给出每个方案的技术指标；对候选方案做敏感性分析，告诉决策者“如果某个约束放松一点，收益有多大”；记录历史决策和结果，形成可检索的经验库，帮助新人快速上手。

这些事，本质上是在扩大决策者的信息输入，而不是替代决策者的判断。我觉得这个定位很重要，因为它决定了 AI 工具的设计方向。如果你把 AI 定位成“决策者”，那你会追求更高的自动化程度；如果你把 AI 定位成“决策支持者”，那你会更注重可解释性和交互性。

注意：在芯片设计这种高风险领域，“可解释性”往往比“准确性”更重要。一个准确但无法解释的 AI 建议，工程师不敢用；一个稍微不那么准确但能说清楚理由的 AI 建议，工程师反而更愿意采纳。

5. 第三点看法：可信验证是 AI 最难跨越的门槛

5.1 验证占了芯片设计一半以上的工作量

在芯片设计行业，有一个不太被外界知道的事实：验证工作量通常占整个设计周期的 50% 到 70%。也就是说，设计工程师写 RTL 代码可能只花了 30% 的时间，剩下 70% 的时间都在验证这个设计对不对。

为什么验证这么重要？因为芯片一旦流片，改不了的。软件有 bug 可以打补丁，芯片有 bug 只能重新流片，代价是几百万到几千万，外加几个月的工期。所以芯片行业对验证的要求极其苛刻，追求的是尽可能高的覆盖率和尽可能低的漏检率。

5.2 AI 在验证环节的现状

AI 在验证环节的应用，目前主要集中在几个方向：自动生成测试用例、智能分析覆盖率漏洞、辅助定位 bug 根因。这些方向都有实际的产品和案例，效果也参差不齐。

自动生成测试用例是相对成熟的方向。传统的测试用例靠工程师手写，覆盖率和效率都有限。用 AI 来生成测试用例，可以更快地覆盖更多的场景，尤其是那些边界场景和异常场景。但问题在于，AI 生成的测试用例质量不稳定，有时候会生成大量冗余的、无效的用例，反而增加了验证的工作量。

智能分析覆盖率漏洞是另一个有意思的方向。芯片验证有一个核心指标叫“功能覆盖率”，衡量的是测试用例覆盖了多少设计功能。AI 可以分析覆盖率报告，找出覆盖不足的地方，并建议补充哪些测试用例。这个方向我觉得很有前景，因为它把 AI 的模式识别能力用在了合适的地方。

5.3 验证的本质是“建立信任”

但不管 AI 在验证环节做多少事，有一个核心问题始终绕不开：你敢不敢信 AI 的验证结果？

验证的本质，不是跑多少测试用例，而是建立对设计的信任。这种信任的建立，需要的是可追溯的证据链：每个功能点都被验证过，每个边界条件都被考虑过，每个异常场景都被覆盖过。这个证据链必须是完整的、可审计的、可复现的。

AI 目前的问题在于，它的验证过程往往是黑盒的。你给它一个设计，它告诉你“验证通过了”，但你不知道它是怎么验证的，不知道它覆盖了哪些场景，不知道它有没有漏掉什么。这种黑盒的验证结果，在芯片行业是很难被接受的。

所以我认为，AI 在验证环节的真正挑战，不是技术上的，而是信任上的。要让工程师敢用 AI 的验证结果，AI 必须做到过程透明、证据完整、结果可复现。这三点，目前都还有很大的差距。

提示：如果你在做 AI 验证工具，建议把“可解释性”和“可追溯性”放在第一位。宁可 AI 的验证速度慢一点，也要保证每一步都有记录、每一个结论都有依据。在芯片行业，“快”从来不是第一优先级，“稳”才是。

6. 常见问题与排查技巧实录

6.1 关于 AI 芯片设计的常见误解

在和同行交流的过程中，我发现有几个误解反复出现。这里整理一下，附上我的看法。

6.2 实操中的排查思路

如果你正在尝试把 AI 工具引入芯片设计流程，遇到问题可以按这个思路排查。

第一步，确认问题出在哪个环节。是输入的设计意图不清晰，还是 AI 的输出不可靠，还是验证环节跟不上？不同环节的问题，解决思路完全不同。

第二步，检查数据的质量和数量。AI 在芯片设计中的表现，很大程度上取决于训练数据的质量。如果你的数据是零散的、不规范的、有噪声的，AI 的输出一定好不到哪里去。先把数据整理好，再谈模型优化。

第三步，评估 AI 输出的可解释性。如果 AI 给出的建议你无法理解、无法追溯，那这个建议就不应该被采纳。宁可不用，也不要用一个你搞不懂的工具。

第四步，小范围试点，逐步扩大。不要一上来就把 AI 用在核心模块上。先在一个边缘模块上试点，积累经验，建立信任，再逐步扩大应用范围。

6.3 几个实操心得

最后分享几个我在实际工作中总结的心得。

心得一：AI 工具的价值不在于“替代”，而在于“加速”。把 AI 当成一个不知疲倦的助手，而不是一个全能的专家。它帮你跑仿真、整理数据、生成报告，但最终的判断还是你自己做。

心得二：领域知识比算法更重要。在芯片设计这个领域，一个懂设计的算法工程师，比一个不懂设计的算法专家更有价值。因为只有懂设计，才知道什么问题值得优化，什么约束不能碰。

心得三：不要追求“全自动”，追求“人机协同”。全自动的 AI 芯片设计，目前还看不到落地的可能。但人机协同的工作模式，已经在很多环节产生了实际价值。工程师负责定义问题和判断结果，AI 负责搜索方案和执行重复劳动，这个分工是目前最现实的。

心得四：验证环节的 AI 应用，要格外谨慎。验证是芯片设计的最后一道防线，这道防线如果被 AI 的“黑盒”特性削弱了，后果可能是灾难性的。在验证环节用 AI，一定要保留完整的人工复核流程。

7. 对从业者的一点个人建议

聊了这么多，最后说点实在的。如果你是一个芯片设计工程师，面对 AI 浪潮，我的建议是：不要焦虑，但要主动适应。

焦虑没有用，因为焦虑改变不了趋势。AI 进入芯片设计领域是必然的，就像当年 EDA 工具取代手工绘图一样。但适应是有用的，因为适应能让你在新的工具环境下找到自己的位置。

怎么适应？我的建议是：把时间从重复性工作中解放出来，投入到那些 AI 做不了的事情上。比如，多花时间理解系统需求，多花时间思考架构方案，多花时间积累跨领域的知识。这些事，AI 短期内替代不了，长期看也很难替代。

另外，如果你对 AI 本身感兴趣，不妨主动去了解一些 AI 工具的原理和用法。不需要成为算法专家，但至少要能看懂 AI 的输出，知道它的局限性在哪里。这种跨领域的理解能力，在未来会越来越值钱。

芯片设计这个行业，从来都是靠经验吃饭的。AI 的出现，不会改变这一点，反而会让真正有经验的工程师更加稀缺。因为当 AI 把重复性工作干掉之后，剩下的都是需要经验和判断的工作，而这些工作，恰恰是资深工程师最擅长的。

所以，与其担心被 AI 取代，不如想想怎么用 AI 把自己武装得更强。这个思路，我觉得比什么都重要。