AI写代码已经不够看了，AI要自己画芯片——从架构视角看Novasilicon的赌注

造芯片这件事，过去二十年几乎没有本质变化。前端写RTL，后端做综合、布局布线，验证跑仿真——每一个环节都依赖资深工程师凭经验试错。我曾经在字节的推荐系统团队见过类似的困境：模型越来越大，特征越来越多，人工调参的投入产出比直线下降。那时候我们开始用AutoML和超参搜索，效果立竿见影。芯片设计团队现在面临的，几乎是同一个问题——只不过复杂度高了一个数量级。

这次Novasilicon拿到五源资本数千万元首轮融资，核心主张是“从大模型本身出发重新思考芯片设计”。作为一个每天和系统扩展性打交道的后端架构师，我第一反应不是兴奋，而是条件反射地想问：这套方案的扩展性在哪？边界条件是什么？trade-off值不值得？

从工具到引擎：AI角色的本质变化

把AI当作辅助工具，比如用机器学习优化布局布线的拥塞度，这不是新概念。Synopsys和Cadence早就有类似模块。Novasilicon的不同在于，他们认为AI不再是“帮忙调参数的外挂”，而是“设计流程的内在引擎”。从新闻报道看，李林阳团队要把大模型直接塞进芯片设计的核心流程——可能包括RTL生成、微架构探索、甚至物理综合。

从架构角度看，这相当于把原本手工拼接的模块（规范→RTL→网表→GDS）变成一个端到端的可微管线。核心挑战在于：这个管线里每一步的中间表示（IR）如何设计？大模型输出的东西怎么保证正确性？如果出错，回滚成本有多大？

[!note] 关键判断：AI替代的是“经验密集型”的设计决策，而不是“逻辑密集型”的验证环节。芯片设计里最值钱的是能用一周想出别人三个月才能找到的微架构创新，这才是大模型可能发挥作用的地方。

为什么说“重新思考”比“AI辅助”更激进

传统的AI辅助芯片设计，本质是用统计模型逼近物理世界。比如预测某条路径的延迟，或者推荐一组floorplan的坐标。这些任务输入输出都很明确，错误可以接受一定概率——大不了最后多跑几轮仿真。

但大模型的方式完全不同。如果让GPT-like的模型去生成一段RTL代码，它可能会写出一段在语法上正确、但综合后面积爆炸的代码。这种错误的代价不是“重跑一次”，而是浪费一次流片机会——对于初创公司来说，一次流片的成本就是百万美元级别。

所以Novasilicon真正要解决的问题，不是“能不能用AI生成芯片”，而是“如何把AI的错误率降低到可接受的工程边界内”。这已经不是单纯的模型训练问题，而是需要一套完整的闭环验证框架：生成候选方案→高速仿真器快速打分→用反馈微调模型→再生成。类似Google的PaCoder和微软的DeepCoder在代码生成领域做的事情，但芯片设计的搜索空间要大得多。

配图（来源于公开资料）展示了一个典型的AI辅助芯片设计流程，从规范输入到AI驱动的RTL生成，再到自动化验证与迭代。这个流程表面看起来和软件开发的CI/CD很相似，但本质差异在于：软件部署可以热更新，芯片流片之后没法改。

落地挑战：数据、验证、生态系统

聊可行性，必须看三个维度。

数据壁垒

芯片设计的数据不是互联网那种“爬一爬就有的”。公开的RTL代码、testbench、仿真log非常稀缺，而且芯片公司都捂着。Novasilicon虽然从上海AI Lab出来，有学术背景背书，但获取高质量工业级设计数据依然困难。他们可能需要像寒武纪早期那样，先和一家或几家芯片公司深度合作，用真实项目累积训练数据。

验证的正确性

芯片设计最严苛的约束是“必须正确”。软件出了bug可以紧急发补丁，芯片bug意味着数万片废品。AI生成的结果如果不能通过形式验证（formal verification）或者等价性检查（equivalence checking），就根本无法上工程线。我猜测他们的路线可能是先从微架构的辅助探索入手——比如在一个给定ISA的子集下，让AI建议几种不同面积/功耗/性能的RTL实现，然后由工程师选择、手工修改、再验证。这样保守但务实。

与现有EDA生态的集成

商业EDA工具是堡垒。如果你的AI框架不能和Synopsys的DC、ICC2甚至Calibre对接，客户凭什么冒险？Novasilicon要么自己造一条完整的EDA工具链（天方夜谭），要么把AI能力做成插件或API，嵌入现有流程。我倾向于后者——先做“智能前端”，把一个AI-informed的RTL设计助手推出去，比如自动生成参数化IP的配置，或者根据性能约束推荐微架构备选方案。

[!abstract] 总结性评价：从技术路线看，Novasilicon选择的不是“颠覆EDA”，而是“在EDA上再盖一层AI胶水层”。这个策略扩展性更好，试错成本可控。

一句话核心观点

芯片设计的未来不是AI取代工程师，而是AI把工程师从重复性设计中解放出来，让他们专注在架构创新这个真正有杠杆的地方——剩下的事情，交给大模型和一个靠谱的验证闭环。

原文链接：https://www.leiphone.com/category/chips/3nmA7UMFjI21f5Eh.html