物界前沿从基带功耗调试到AI for Science：一个芯片工程师看Seed STEM科学家计划的落地挑战
上周在调试一个7nm工艺的5G NR基带IP时，我遇到一个典型的“功耗墙”问题：射频前端在峰值速率下，动态功耗比预期高了12%，导致结温逼近可靠性上限。常规做法是跑几十轮SPICE仿真，每次迭代改几个管子尺寸，看波形对功耗的影响。但这一轮仿真跑完，需要三天——因为整个PA链路的寄生参数提取用了全芯片级RC。
我坐在终端前，看着CPU利用率曲线发呆。旁边实习生说了句：“要是能让AI替我们把这几十轮仿真给跑了，或者直接预测最优的尺寸组合，该多好。”我苦笑着摇头——AI在EDA领域的尝试很多，但真正落地到量产级设计的，少之又少。因为科学发现和工程优化，本质上不是同一个问题。
今天看到Seed Edge团队发布Seed STEM科学家计划，拟邀请100位前沿科学学者，围绕真实科研问题探索AI加速科学发现。作为在芯片设计一线摸爬滚打的人，我的第一反应不是兴奋，而是想看看这个计划有没有真正触及“从模拟到验证”的落地闭环。
一、AI for Science的“工艺节点”问题
这个计划的核心，是让AI和科学家合作，识别和突破“研究级问题”。听起来很宏大，但工程视角必须追问：问题的粒度是什么？
在芯片设计里，我们习惯把任务分解到可验证的粒度。比如PDK（工艺设计套件）里的每个器件模型，都有明确的物理方程和实测数据对标。AI要介入，至少需要三个条件：
- 可量化的输入输出：科学问题能否转化为一个明确定义的优化目标或分类任务
- 高质量的训练数据：实验数据或仿真数据的噪声水平、分布覆盖度
- 可验证的闭环：AI的输出能否被实验或仿真复现，且误差可控
从新闻看，Seed团队积累的是大模型在通用问答、代码、数学推理上的能力。但科学发现领域，尤其是材料科学、生物医药、量子化学等，问题往往是非结构化的，数据稀疏且有系统性偏差。这就像用28nm的工艺去流片一个5G毫米波功放——不是不能跑，但功耗和性能收益会被工艺本身的缺陷吃掉。
[!note]
我在展锐参与过AI辅助的射频前端自适应调谐项目，最终放弃的原因是：AI模型在仿真数据上准确率超过95%，但一上测试台，实测数据与模型预测的偏差平均达到8%，因为仿真环境忽略了晶圆级工艺波动。科学发现面对的“波动”更大——实验条件、测量误差、样本稀缺，这些都不是大模型擅长的。
二、三个必须突破的“功耗墙”
如果把这个计划看作一个系统工程，有三层“功耗墙”需要解决，否则AI加速科学发现就会停留在论文层面。
第一层：数据获取的“寄生参数”
科学研究中，很多前沿问题根本缺乏足够的数据。比如新催化剂的反应路径，实验数据可能只有几十个样本。AI要训练，必须依赖第一性原理仿真或高通量实验，但仿真本身的计算成本极高。这就像在28nm节点上，要提取全芯片的RC寄生参数——跑一次需要几天，但缺少这些参数，后仿真根本不准。Seed团队需要解决的是：如何让AI在数据稀疏的情况下，依然能给出有意义的指导。这涉及迁移学习、物理约束神经网络等，但工程落地需要量化指标——比如AI预测的误差能否在实验误差范围内。
第二层：模型可解释性的“时序收敛”
在芯片设计里，时序分析工具给出的每个违例路径，工程师都能追溯到具体是哪级逻辑门的延迟超标。这是工程信任的基础。但深度神经网络本质上是个黑盒，科学家凭什么相信AI建议的下一步实验方向？如果AI说“应该换一种溶剂”，但无法解释为什么，科学家不会采纳。这个“时序收敛”问题，需要Seed团队在模型架构上做针对科学问题的设计，比如引入对称性、守恒律等物理先验，让输出可解释。
第三层：验证成本的“流片费用”
科学发现的验证，往往需要昂贵的实验设备或长时间的观测。比如发现一种室温超导材料，验证需要制备样品和反复测试，成本极高。AI可以加速筛选，但最终还是要靠实验验证。这就像芯片流片——一次MPW（多项目晶圆）成本几十万起步，如果AI预测错了，整个项目的预算就烧掉了。Seed团队必须明确：AI的“加速”是提供候选方案，还是直接给出结论？ 如果是前者，需要设计有效的实验验证策略；如果是后者，风险太大。
三、一个务实的方向：从“仿真增强”切入
我猜Seed团队不会一上来就挑战重大科学发现，而是会选择一个“中间态”——用AI加速现有科学仿真流程。这与芯片设计里的AI辅助EDA有相似之处。
在EDA领域，Google的DreamPlace、英伟达的cuOpt等工具，已经用AI优化了布局布线、时序预测等环节，但核心算法依然依赖传统物理模型。AI的角色是加速搜索空间，而不是替代物理方程。