AI会取代芯片工程师？

软件工程已经展现了人工智能自主化的发展轨迹。编码工具从自动补全发展到能够解读请求、检查代码库、修改文件、运行测试并独立迭代的系统。半导体工程也正经历着同样的转变，但其物理限制、专有数据、特殊表示以及巨大的验证成本，使得其影响更为深远。

在人工智能原生集成电路工作流程中，工程师不再需要手动执行每个实现步骤。智能体可以生成RTL代码、构建测试平台、分析波形、调试故障、调整参数并调用电子设计自动化工具。工程师的角色逐渐从编写者转变为审阅者、协调者，最终成为架构师。

这与工程管理类似。管理者通过规范传达意图、分配工作、审核结果并协调专家，而无需监督每一个内部决策。负责监督人工智能代理的工程师也承担着类似的责任。他们必须编写明确的需求，确定代理可以访问哪些设计文档，使用清晰的接口隔离任务，并识别那些看似合理但实际上违反系统深层假设的输出。

芯片设计尤其具有挑战性，因为芯片并非主要以文本形式存在。工程师需要通过原理图、网表、时序图、波形图、布局图、寄生参数、设计规则和器件物理特性来进行推理。基础模型无法可靠地将所有相关关系压缩成一条提示信息。因此，有效的系统必须将语义推理与仿真器、形式验证引擎、静态时序分析、综合和物理设计工具连接起来。模型提出行动方案并解释结果；而专用工具仍然是与电气和物理现实进行交互的权威接口。

随着实现成本的降低，审查环节成为瓶颈。一个智能体可以在几分钟内生成多个RTL变体，多个智能体可以同时探索不同的方案。然而，人类的注意力仍然很大程度上是串行的。这就造成了工程版的阿姆达尔定律：整体吞吐量最终会在需要专家审查的工作量附近达到瓶颈。

危险并非显而易见的缺陷输出，而是几乎正确的输出。软件缺陷可能引发回滚。芯片上的细微缺陷可能需要新的掩模组，导致产品延期，甚至危及整个部署。因此，智能芯片设计系统必须做的不仅仅是生成候选方案。它们需要自动化的循环机制，在将最有力的证据提交给人工处理之前，对解决方案进行生成、评估、拒绝、优化和排序。

正是在这里，搜索变得具有变革性意义。许多半导体问题都兼具庞大的搜索空间和机器可验证的结果。RTL调试、功耗-性能-面积优化、架构探索、验证、布局和参数调优都符合这种模式。多个智能体可以形成相互竞争的假设，检查不同的信号或模块，并通过仿真或形式化分析来验证它们的想法。传统算法搜索状态、图和参数；而语言模型智能体则增加了对意图、行为和可能原因的语义搜索。

最终形成了一个多线程工程工作流程。一个代理分析故障波形，另一个代理追踪连接的RTL代码，几个代理提出根本原因，其他代理则对每个假设进行测试。一个判断系统比较证据，并仅显示高置信度的候选结果。工程师无需亲自遍历每个分支，而是由工程师设计和控制整个搜索过程。

因此，四项能力至关重要。意图是指精确定义系统必须完成的任务。分解是指将复杂的设计拆分成具有明确依赖关系的、有界的任务。验证是指通过断言、测试、形式化属性、时间限制和物理约束来编码正确性。判断是指在权衡功耗、性能、面积、可靠性、进度和风险后，从技术上有效的解决方案中进行选择。

为什么这很重要？当实现方案众多时，架构的清晰度决定了速度是转化为优势还是混乱。糟糕的规范会让代理程序错误百出。薄弱的验证会增加看似合理但不安全的结果的数量。清晰的接口、可执行的需求、可观察的工作流和可信的评估工具构成了自主运行的基础架构。

基础知识也变得更加重要。传统上，初级工程师通过多年的实践和调试来培养直觉。如果代理人承担更多基础工作，组织就必须有意识地教授设备行为、数字逻辑、时序、验证和系统权衡等知识。只有当工程师具备足够的理解能力来发现故障时，委派任务才是安全的。

总之，智能体人工智能不会取代才华横溢的芯片设计师。但智能体人工智能会彻底改变他们的工作方式——从执行单一任务转变为指导多项并行探索。