芯片设计正在被 AI 重新定义,但没有人敢说自己看清了终点。
AI 能不能用、好不好用、该怎么用,业内其实分歧不小。最近在 2026 年 ESD Alliance Executive Outlook 大会上,Semiconductor Engineering 请来六位嘉宾做了一场圆桌对谈,聊的都是大家关心又说不清楚的问题:AI 到底会在芯片设计的哪个环节真正起作用?交给 AI 的活儿谁来负责?工程师会不会被 AI "边缘化"?
六位嘉宾分别是:
- Cindy Cui,ChipAgents 全球客户成功副总裁
- Wally Rhines,Silvaco 首席执行官
- Shelly Henry,Moores Lab AI 首席执行官
- Dave Kelf,Breker Verification Systems 首席执行官
- Vince Wong,Verific AI 开发负责人
- Ann Wu,Silimate 首席执行官
以下是这场对谈的实录整理。
一、AI 犯错了怎么办?没人敢打包票
主持人抛出的第一个问题很直接:AI 芯片设计有两大老大难——一是搞不清楚芯片到底用在哪、要跑什么样的负载;二是 AI agent 做得越"像样",工程师反而越不敢站出来说"这里不对"。
Dave Kelf 直言,幻觉这类问题很难缠,任何东西都得回头再核实一遍。"我们现在已经在这么做了——有设计流程,也有专门的验证流程去查设计流程。真正的问题是,还要补上什么样的检查手段,才能让这套东西真正可靠,而且是百分之百可靠。这个门槛其实相当高。"
Shelly Henry 的看法更直白:市面上的通用大模型和 agent 框架,压根就不是为半导体行业量身定做的。"中间还差一大块。我们仍然离不开半导体领域的专业知识,才能判断 AI 做出来的东西对不对。也许五年之后会有专门的 agent 来干这个,但今天肯定还不行。经验和对芯片用途的理解,现在还是替代不了的。"
Cindy Cui 补充说,"一键流片"这件事目前还做不到。"如果让 AI 全权掌控一整颗芯片或者一套系统的设计,出了问题算谁的?没有明确的责任归属,这事儿就很危险。人还是要在关键节点做判断、做取舍、去核实证据。"
不过她话锋一转,提出了一个更长远的担忧:如果为了眼下的效率,把 AI 方案做成一个谁也看不懂的黑盒,今天的问题解决了,明天可能会留下更大的人才断层。"工程能力得持续积累,这个行业才能往前走。"
二、"人在环路"?其实根本退不出去
有人提出,大芯片厂都在喊"要超越人在环路",把 AI 当成按一下按钮就能出结果的黑科技。这种想法靠谱吗?
Dave Kelf 的态度很坚决:根本到不了那一步。"这些年 EDA 行业一直有个共识——用工具的工程师必须搞清楚自己在干什么。高层次综合(HLS)就是个活生生的例子:拿一个很高层次的 SystemC 模型丢进去,'魔术般'吐出一堆门电路。当年工程师就会问:这怎么可能?时序是怎么加进去的?里面到底发生了什么?正因为说不清楚,这类工具当年根本推不动,足足磨了几十年才慢慢起来。"
他的结论是:这事儿不能是黑盒,必须足够透明。用工具的人得先明白结果是怎么算出来的,才会真正信任、真正上手,大家也才能一起验证结果到底靠不靠谱。
Wally Rhines 则从历史经验里找到了乐观的理由。他说高层次综合当年之所以能站稳脚跟,是因为它把可探索的方案空间一下子撑大了很多——用 C 语言综合的速度比直接综合到 RTL 快上千倍,自然能探索大得多的设计空间。"我觉得 AI 本质上在做同一件事:让你能在流程早期,把非常大的方案空间探索一遍,找出最靠谱的路子。"
三、定制化时代,没有先例可循
过去做高层次综合的时候,不同公司面对的是相似的问题。但现在的芯片设计定制化程度越来越高,这条路该怎么走,业内其实没有现成答案。
Wally Rhines 认为这恰恰是好事:"每个人都需要定制设计、定制软件,这会给整个行业带来巨大收入。"他回顾说,过去很长时间里,每一代技术都靠一款标准品打天下——大型机时代是 IBM 360,小型机时代是 DEC VAX,个人电脑时代是 8086 处理器。"我以前以为英伟达会是下一个'标准品',结果他们自己出来说:不对,推理的每种算法都需要完全不同的架构。于是他们又收购了 Groq,继续拓展其他方案。AI 时代,每个应用都要把性能榨干、把功耗压低,通用处理器那一套正在慢慢出局,各种独特架构反而越来越多——这对整个 EDA 行业来说是好事。"
Ann Wu 用"杰文斯悖论"来形容这个现象:效率越高,需求反而越旺盛。"我们现在有能力做出真正贴合特定负载的专用芯片。理想情况是,超大规模云厂商正在做的那一套,能慢慢下沉、普及到其他也想做垂直整合的玩家身上。"
但她也提醒,这背后绕不开两个老问题:一是会不会影响所需的工程师数量——不同公司的选择可能完全不同,有的会精简团队,只留下架构师或者拍板的人;有的反而会因为资源更充裕,去追以前够不着的激进目标。二是责任归属的问题始终存在,"这块归你负责,出了问题你来担",这一点不会因为有了 AI 就消失。
四、AI 初创公司 vs 传统 EDA:速度上就不是一个量级
现在市面上的工具,通用性够不够用?
Cindy Cui 结合自己从传统 EDA 转到 AI 初创公司的经历给出了一个很实在的观察:做定制方案的方式完全变了。"很多工程师已经变成了'AI 原生'的工程团队,年轻一代用各种通用 AI 工具写代码的速度快得惊人。就拿我们公司来说,我们是按周发新版本的,传统 EDA 可能半年到一年才发一版。"
这种速度差,让 AI 初创公司有能力做出更多定制方案,也逼着大家去拼真正的差异化。"我们有能力做出真正特别、真正突破的东西,这才是专业化的未来——而不是把它做成一个放之四海皆准的通用工具。"
那这算不算是对 EDA 行业根本逻辑的颠覆?毕竟 EDA 一直以来都是靠开发能跨很多设计复用的通用工具吃饭的。
Dave Kelf 倒觉得这事儿不新鲜:"看看今天的芯片——处理器是标准的,上面一大堆 IP 也是标准的,一颗大 SoC 上真正定制的,往往就是那两三个加速器。所以相当大一部分其实还是通用的,这个格局不会变。"至于 chiplet、三维集成带来的新问题,他也不担心:"这类演进我们一直在经历,到目前为止都扛过来了,以后 AI 也会帮上忙。"
Shelly Henry 用自己做过的十八颗芯片举了三个极端的例子。在 Arm,做的是面向全世界的芯片,根本不知道最终会跑什么负载,所以验证时能上的手段全部用上,还要在几乎所有仿真器上测一遍,确保客户那边无缝对接。到了微软,情况就不一样了——是给自家服务器做芯片,团队清楚整条软硬件栈,芯片真出了问题,还能靠软件打补丁解决,这是一种更折中的做法。而她听谷歌的人说,他们甚至不太信任功能覆盖率,代码写完上 FPGA 跑通就直接流片了。"越往谷歌这种风格走,可能就越需要不一样的工具,因为那时候已经高度定制化了。"
Vince Wong 的看法比较务实:现有工具其实够用,关键是怎么把 AI 这个"大脑"用好、用出新花样。"可以把 AI 嵌进工具里,也可以让 AI 反过来去调度工具,我觉得后者才是正路——如果把 AI 死死嵌在工具里,反而会受限制。大模型本身一直在升级,你完全可以拆了旧的换新的,可能过三个月又有更好的了,这些都是'白捡的'升级。工具本身也在持续进步,未来还会有更多工具出现。今天已有的加上未来会出现的,再叠上 AI,应该能应付这些工作。"
五、AI 出错谁来发现?会不会出现"agent 管 agent"
如果 AI 没按预期干活,大家什么时候才会发现?会不会出现"超级 agent"专门监督普通 agent 的新层级?
Shelly Henry 说得很实在:"芯片坏了,你自然就知道了。"但主持人追问,现实中很多问题并不总能这么快暴露出来。
Ann Wu 表示,这也是为什么确定性工具、签核(sign-off)工具这类"最后一道关卡"仍然不可或缺。Dave Kelf 也认同,必须有多条流程互相校验:"我们现在有设计流程也有验证流程,以后可能会出现更复杂的对应机制,甚至真的会有'超级 agent 叠在 agent 上面'这种结构。"
Wally Rhines 提到了一些正在尝试的思路,比如让多个 agent 各自给出方案再互相投票,形成共识;或者专门设一个"验证 agent",独立看问题,不被原始方案的输入带偏,从而获得多元视角。"但我同意,真正麻烦的 bug 往往是那种要到流程很晚期才冒出来的——更糟的是,芯片已经出货之后才暴露出来。"
六、五年后,什么样的工程师能留在牌桌上
最后一个问题最扎心:五年后,芯片设计和验证这个行业的人才结构会变成什么样?工程师现在该学点什么才能不被淘汰?
Shelly Henry 打了个很形象的比方:这有点像上世纪90年代末电脑普及、会计不再靠手写账本记账的那个年代。"会计这个职业还在,只是换成了电子表格,仅此而已。真正丢饭碗的,是那些拒绝用新工具、还坚持手写账本的人。只要能借 AI 提高生产力,大部分岗位其实都稳。"
不过 Dave Kelf 提出了一个真实的担忧。他们公司内部也在用 AI 写很多基础的核心代码,效果不错,但问题是——这些原本正是应届毕业生该干的活。"招他们进来,本来就是从写这些基础东西开始成长的,现在这批人反而承受了更大压力,得想办法学会用 AI 工具去完成同样的事。可我们所有人当年不都是这么从初级岗位一步步走过来的吗?如果没有初级工程师往上成长,这个行业迟早会断档,这确实是个不小的隐忧。"
Ann Wu 认为,拥抱 AI 是大方向,但有个前提:现在的 AI 系统还是有短板的,会"一本正经地说错话",给出的东西真假参半。"至少目前看,能在团队里真正把 AI 用好的人,靠的往往是一种辨别力——需要一定的创造力和洞察,能从不完全正确的结果里看出有价值的线索,提炼出有用的部分,绕开噪音。随着 AI 系统慢慢变得更稳、更准,这种能力的重要性可能会有起伏,但只要模型还带着一定的随机性,凭直觉和创造力去做判断,就仍然重要。"
Wally Rhines 则给出了一个完全相反的视角:说不定被淘汰的不是应届生,而是那些拒绝改变的老人。"如果新毕业生进来只是干写文档、跑测试这类苦活,这部分工作确实容易被替代。但回想当年 Verilog、VHDL 刚出现、大家从原理图设计往上走的时候,资深工程师是怎么说的?'这些新人连晶体管都不懂,就是个写软件的,不行,用不上。'可事实是,新毕业生反而是最快学会用 Verilog 的一批人,VHDL 也一样,二三十岁的人学得很快,倒是四五十岁不愿意改的人,原地没动。所以有可能,被淘汰的从来不是应届生,而是拒绝改变的人。"
Dave Kelf 最后总结了一句挺实在的话:"与其在毕业典礼上对着台上的人喝倒彩,不如想想自己怎么参与进去、怎么把这事儿搞明白、怎么真正用起来。"
原文：
https://semiengineering.com/ai-in-chip-design-lots-of-promise-plenty-of-unanswered-questions/
今日推荐：
