作者丨陈悦琳
芯片设计服务正在迎来AI拐点。
雷峰网独家获悉，一家国内创企Novasilicon（芯星元）率先入局，近日已完成首轮融资，由五源资本独家投资数千万元。
与传统Design House不同的是，Novasilicon认为AI不再只是工具。“我们更希望从大模型本身出发，重新思考芯片设计。”创始人兼CEO李林阳告诉雷峰网。
要真正实现这一设想，仅懂AI或仅懂芯片都不够。
公开资料显示，李林阳目前担任上海人工智能实验室青年科学家，曾参与国内首个开源大语言模型MOSS研发，并带队完成国内首个兼具专业围棋能力与自然语言思维解释能力的大模型InternThinker。去年起他还负责了AI for Chip Design相关项目。
另外两位联合创始人则进一步补齐了芯片设计所需的工程能力——COO薛建喜深耕数字芯片设计二十余年，曾对接国内多家知名AI芯片企业；CTO陈建球为翱捷科技早期核心成员，拥有二十余年模拟及混合信号芯片设计经验。
Novasilicon的目标是服务包括大模型企业、智能机器人公司、云计算服务商、消费电子等有增量自研芯片需求的公司。目前Novasilicon已通过NRE（一次性工程服务）模式，正在推进与Foundry、IDM等产业链企业的合作。
按照规划，公司计划于年内推出标准化后端设计产品，进一步验证从工程服务走向产品化的发展路径。
值得注意的是，用AI设计芯片并非新命题。2021年谷歌DeepMind团队就公开用AI完成TPU的版图规划，以缩短芯片设计周期。
而在五年后的今天，大模型的能力早已突飞猛进，国外涌现了一批由谷歌、英伟达前员工创办的用AI驱动芯片设计的公司，累计融资超过5亿美元。
作为国内首家浮出水面的同类型企业，也是AI-Native的新公司，Novasilicon要做什么？计划怎么做？
AI DesignHouse，瞄准AI设计芯片增量市场
在过去半年里，芯片龙头、大模型企业和云厂商不约而同地选择加速押注云端算力：微软时隔两年推出自研的第二代推理GPU，英伟达开始引入新架构芯片LPU，OpenAI与博通合作开发适用于自家大模型推理的ASIC。
与此同时，Fortune Business Insights预计，全球边缘AI半导体市场规模将从2026年的298.5亿美元增长至2034年的1078.6亿美元，多样化的硬件应用场景也在催生定制化芯片需求。
李林阳开始意识到，以人工为核心的芯片设计模式已经无法跟上小批量、多品类、快速迭代的芯片生产节奏，前所未有的增量市场是用AI设计芯片的巨大机遇。
Novasilicon从更宏观的视角判断，AI在整个芯片设计流程中的参与度将从2025年的5%跃升至五年后的80%。
Novasilicon是想要做AI EDA吗？李林阳首先否认这一外界最容易产生的误解：“我们不是一家EDA公司。”
他表示，EDA仍然是芯片设计不可或缺的基础设施，而目前EDA公司的主流思路是在既有工具体系中引入AI。
Novasilicon并不打算替代这些工具，而是选择直接突破原有范式，让多AI Agent承担人的工作，负责设计、规划、调用EDA以及持续迭代优化等任务。
如果必须用一个类比，李林阳认为Novasilicon更像AI版的博通，服务过去很难被覆盖或是当前处于井喷的需求市场，例如有多项芯片设计需求却苦于周期漫长、成本高昂的企业、从未想过自己也能拥有一颗芯片的公司。
具体到交付形式，联创薛建喜表示，客户既可以选择拿到图纸自己投产，也可以直接获得可用的芯片。
“AI版博通”回答的是NovaSilicon今天的商业模式，而谈到长期愿景，团队更愿意用另一家公司来解释自己。
在他们看来，1987年半导体产业完成了第一次专业化分工，IDM逐渐分化为Fabless和Foundry，后者里的龙头台积电让晶圆制造成为整个产业都可以调用的基础设施。
如果说台积电让“制造能力”平台化，那么对于试图推动AI时代下半导体行业第二次分工的NovaSilicon来说，他们希望做到“芯片设计能力”的平台化，推动Fabless进一步演进为“Designless+AI DesignHouse”——越来越多企业无需自建芯片设计团队，而是按需调用芯片设计能力。
不依赖数据，用强化学习从后端切入AI芯片设计
在李林阳看来，真正让“AI设计芯片”这项服务成立的，是大模型本身。
当以Openclaw为代表的Agent框架展现了AI任务规划、工具调用和多智能体协同能力时，这意味着大模型已经有底气承担复杂的工程任务，而芯片设计恰好提供了天然的训练场。
李林阳认为，芯片设计的每次优化都能通过大量的物理仿真得到验证，EDA工具链则进一步缩短了验证和迭代周期。在这个过程中，大模型不仅能够参与设计，更能够在持续试错中不断学习和优化。
OpenAI与博通的合作便是典型案例。从产品定义到流片仅耗时约九个月的背后，离不开OpenAI将自身的大模型能力引入芯片研发流程。薛建喜表示，某种程度上他们也是在构建垂直领域的模型。
也正因如此，Novasilicon没有选择采用行业更主流的模仿学习方式。
“这一路径是基于历史RTL代码、验证数据、网表、版图、设计文档等资料训练或微调模型，在RTL生成等文本化环节确有成效。”
李林阳解释，芯片设计数据天然高度保密，开源高质量的可用数据又极为有限，如何持续获得足够规模的数据集反而成为制约大模型能力的瓶颈。
基于此，Novasilicon选择SuperLearner类似的强化学习路线——构建具备通用决策能力的模型，通过自主探索不断寻找最优策略，而非依赖海量人工数据。
当然，Novasilicon也不是这条路上的孤勇者，谷歌、英伟达等巨头都已在实践。
另一方面，一批围绕用AI设计芯片的新创公司也快速涌现：谷歌AlphaChip核心成员、英伟达芯片设计AI负责人任浩星纷纷选择自立门户，瞄准芯片基础模型的Cognichip吸引了英特尔CEO陈立武加入董事会。
资本也开始集中押注这一方向。雷峰网统计发现，仅Ricursive、ChipAgents和Cognichip三家国外AI芯片设计创业公司，公开融资金额便已超过5亿美元。
在李林阳看来，Novasilicon与这些公司在技术路线和业务模式上并不完全相同。他们希望进一步整合通用模型、多Agent协同和芯片设计能力，最终搭建一套能够持续交付芯片设计成果的平台。
不过芯片设计流程漫长且复杂，实现全流程自动化仍是一道高门槛。当前，Novasilicon选择先从模拟后端版图设计和数字后端布局布线任务切入。
李林阳告诉雷峰网，后端决定“能否制造、制造后能否正常工作”，相比前端拥有更明确的工程约束和量化反馈，是最容易形成商业闭环的突破口。
“许多人认为前端只是很简单地写代码，实则只是看到露在水面上的冰山一角。站在大模型解决问题的角度看，难度其实有本质区别。”李林阳直言。
不过，对于Novasilicon而言，后端只是起点。李林阳透露，未来几个月团队将进一步推进覆盖AI芯片设计前后端全流程的多Agent集群建设，而这也正是Novasilicon想抓住的未来。
更多关于AI Design House的企业故事和产业观察，欢迎添加作者微信 Evelynn7778 交流。
