新思科技与OpenAI合作的消息传出来的那个周一新思股价盘中一度涨超7%。我在工作群里看到这条新闻的第一反应不是去盯K线而是赶紧翻公告原文——一家全球EDA头部厂商和一家顶级大模型公司牵手做芯片设计AI这个信号比股价本身重要得多。如果你正在做芯片设计、验证或者负责公司的EDA工具链选型这条新闻值得你花十分钟认真拆一拆它到底意味着什么哪些环节会先变以及我们手里的饭碗会不会被AI端走。先说一个基本判断这不是一次“贴标”式的品牌合作。新思科技手里握着全球最完整的芯片设计工具链而OpenAI手里握着目前最强的通用大模型能力两边要凑在一起解决的是同一个问题——芯片设计流程里大量靠人肉堆叠的环节能不能用AI真正提效。这篇我尽量从流程、技术、落地三个维度把它讲透也会聊一些我自己实际使用AI辅助设计工具时的感受和踩坑经验。1. 从一根K线说起新思科技到底从OpenAI买走了什么1.1 股价涨7%背后的市场情绪资本市场的反应往往是最诚实的。新思科技作为EDA三巨头之一平时股价波动很少超过2%这次一口气盘中涨超7%说明机构投资者认为这次合作不是小打小闹而是直接改变了市场对这家公司未来三到五年的竞争叙事。为什么这么说因为过去几年芯片设计AI这个赛道一直是“雷声大、雨点小”。各家都在讲AI赋能设计但真正能落地的场景少得可怜。新思自己也早就推出了基于强化学习的DSO.ai谷歌那边有AlphaChipCadence有Cadence.AI听起来都很热闹可芯片设计团队在实际项目里依然是“AI辅助了个寂寞”——真正累死人的验证、排错、ECOAI基本帮不上忙。而这次与OpenAI的合作市场看到的是一个关键变量通用大模型的推理能力终于有机会渗进EDA的专业流程里了。股价涨的不是新思现有的业绩而是市场对“AIEDA终于要动真格了”的预期。1.2 双方各取所需这不是单向的技术采购要理解这次合作得先看清两边各自缺什么。新思科技不缺EDA工具不缺客户也不缺芯片设计流程里的数据。它最缺的是两样东西一是通用的自然语言理解和推理能力二是能快速把“人类用自然语言表达的设计意图”转化为“可执行的设计动作”的中间层。芯片设计团队里的资深工程师脑子里有大量经验但这些经验很难结构化、很难沉淀成工具OpenAI的模型恰好擅长从模糊输入里提取意图。OpenAI这边缺的则更明确缺场景、缺行业纵深。GPT再强如果不知道该把能力对准芯片设计流程里的哪个痛点价值就始终停留在写写周报、改改代码的层面。芯片设计是目前人类工程复杂度最高的领域之一一旦模型在这个领域跑通了其能力迁移到其他垂直行业会容易得多。所以这次合作本质上是新思出流程、出数据、出场景OpenAI出模型、出算法、出泛化能力一起把AI从“聊天助手”推向“设计协作者”。2. 芯片设计流程里AI真正能接管的是哪几块人力2.1 先拆开看一条完整的设计流水线到底有哪些环节很多非芯片行业的读者可能不太清楚一颗芯片从需求到流片大致要经过这样几个阶段架构定义与探索根据产品需求性能、功耗、面积做微架构权衡确定模块划分RTL设计用Verilog/SystemVerilog把微架构实现成寄存器传输级代码功能验证搭建testbench、写断言、跑仿真、做覆盖率分析确保功能正确逻辑综合把RTL映射到门级网表做时序和面积的初步优化物理实现布局布线、时钟树综合、电源网络设计目标是时序收敛签核做DRC/LVS、时序签核、功耗签核确保设计可以送厂流片每个环节都有自己独特的痛点和人力瓶颈。我做了这么多年工具链支持最深的感受是功能验证和物理实现的迭代优化才是真正吞掉人力的地方。RTL设计虽然听起来高深但一个熟练工程师写代码的时间占比其实不高更多时间是在和验证、和综合结果反复拉扯。2.2 AI能力与各环节的匹配度哪些最先被工具化我把AI技术能力与芯片设计各环节做了一个对应分析基本可以看清这次合作可能最先动手的地方流程环节AI可切入的具体动作主要难点成熟度预判架构探索自然语言规格转微架构选项、做PPA权衡分析设计空间太复杂需要高质量训练数据中期探索RTL生成根据接口定义和功能描述生成Verilog/SystemVerilog骨架代码可读性尚可但正确性验证成本高短期辅助验证自动生成testbench、断言、覆盖率空洞分析、错误根因反推逻辑推理要求高恰恰是大模型强项短期落地综合优化根据约束自动调整综合策略需要和EDA工具深度耦合中期物理实现布局布线的策略建议、时序收敛的ECO方案推荐与签核数据闭环、可解释性要求高长期突破签核报告自动解读、异常自动定位错误类型多样需要大量案例训练中期从这个表能看出来AI最先能落地的不是“写代码”而是“找问题”。验证环节对代码生成的精确性要求没那么高但对逻辑推理和模式识别的需求极大——一个testbench哪里写错了、一条断言为什么失败、一个覆盖率空洞为什么补不上这些问题恰恰是大语言模型的强项。我最近在内部项目里试用了一些AI辅助验证的工具说实话让AI直接生成完整可跑的testbench还会翻车但如果让它解释一段UVM波形为什么没有跳转、帮你补一条SVA断言体验已经相当能打了。这一步的提效比对RTL代码的生成要实打实得多。2.3 最容易被“吃掉”的三类岗位顺着这个逻辑往下推我判断最先感受到变化的是这三类人测试平台搭建和断言编写工程师规则性强、模式固定非常适合让AI先出初稿、人工审核覆盖率分析和报告整理工程师大量数据要汇总、归类、识别异常AI处理这类信息检索和归纳的工作效率极高接口和胶水代码编写者芯片项目里大量模块之间的连接逻辑、寄存器配置代码重复度高AI生成质量已经够用不是说这些岗位会消失而是说这些岗位里“纯执行”的部分会迅速被AI工具压缩剩下的工作重心会转向设计意图把控和结果审查。3. 别把这次合作理解成消费级AI新思手里早就握着AI的底牌3.1 DSO.ai和新思自己的强化学习路线很多人在聊这次合作时会直接把“OpenAI进芯片设计”看成是一次从0到1其实这是错觉。新思科技在AI辅助设计这件事上早就有自己的布局DSO.ai就是典型产品。DSO.ai做的事情说白了就是用强化学习方法做设计空间探索。芯片物理实现阶段有海量参数组合——单元库选择、布局密度、时钟树策略、buf/inverter的插入策略传统做法是资深工程师凭经验定几个组合去试DSO.ai则可以把整个参数搜索空间交给强化学习代理去探索找到更优解。我接触过用DSO.ai的项目它最大的价值不是“取代工程师做决定”而是把试错的空间大大拓宽了。人一天能试两三组参数AI可以同时跑上百组而且能记住哪些方向已经不优了、哪些还没试完。在先进工艺节点PPA优化极度内卷的今天这种探索能力确实值钱。3.2 AlphaChip证明了AI做布局规划可行但为什么没有全面普及提到AI芯片设计绕不开谷歌的AlphaChip。它用强化学习解决芯片布局规划问题在谷歌自家的TPU上已经实际使用了。这个项目的意义非常重大它向整个行业证明了AI产出的布局方案在真实流片中是可行的而且PPA表现不比资深工程师差。但AlphaChip为什么没能横扫整个行业原因简单它属于谷歌的自有基础设施跨公司落地涉及大量知识产权和流程适配问题而且强化学习方案对场景极度敏感换一个不同的芯片架构、不同的工艺库往往需要重新训练甚至重新设计奖励函数。这也是为什么强如AlphaChip行业里真正大规模复用它工作流的团队屈指可数。3.3 语言模型路线补上了强化学习的短板对比之下这次新思和OpenAI的合作走的是另一条技术路线把大语言模型的泛化推理能力和EDA专用数据处理能力结合起来。强化学习擅长在一个明确定义的搜索空间里找规律比如“给定这些参数组合怎么摆布局让时序最优”。但芯片设计里大量工作不是这类明确定义的搜索而是“理解一段模糊需求把它翻译成一堆明确约束”的过程。比如客户说“这个模块面积尽量小功耗不能超50毫瓦时序要能跑到1GHz”工程师要先把这句话变成架构方案、接口定义、综合约束再进流程。这种自然语言到设计约束的转换正是大语言模型最擅长的。所以这次合作真正的技术增量在于把OpenAI的模型当做一个“翻译官推理引擎”负责理解意图、生成代码骨架、给出验证建议而新思的工具链负责把这些建议变成真正可跑、可签核的EDA流程。新思内部的DSO.ai、形式化验证工具、完善的IP库加上OpenAI的通用推理能力这条组合路线比单押强化学习要完整得多。它试图解决的是整个芯片设计链条的“自动化率”问题而不是某一个环节的单点优化。4. 真正落地时绕不开的三道坎验证、数据与流程深度4.1 验证正确性AI生成的东西你敢拿去流片吗这里可能要说点泼冷水的话。AI生成RTL代码也好、生成testbench也好最大的问题不是“能不能跑通”而是“谁能证明它是对的”。芯片流片的成本摆在那里先进工艺一次流片动辄几千万美元任何一个小bug漏过去损失都是天文数字。传统工程师写RTL时脑子里对设计意图是有完整的逻辑闭环的。而大模型生成代码时本质上是基于概率的符号组合它“看起来像模像样”和“逻辑真的正确”之间隔着一道没有保障的鸿沟。我在试用大模型生成的RTL时遇到过完全语法正确、仿真也能过但放到形式化验证里被秒杀的情况属于典型的“似然而非然”。所以我对这次合作落地阶段的建议是任何AI生成的RTL都必须强制走形式化验证流程并且由资深工程师做设计意图复核。AI可以用来生成候选代码、辅助写断言、加速验证平台搭建但“设计正确性”这个责任短期之内不能甩给模型。新思如果能在工具链层内置一套“AI生成结果自动验证回归”的机制那才是真正降低落地门槛的关键。4.2 数据与知识产权芯片公司的核心资产敢不敢交给模型芯片设计行业的知识产权保护要求极度严格一个CPU核的关键微架构设计是公司最核心的资产。把这类数据喂给云端大模型做训练或推理绝大多数公司心理上过不去合规上也有很多限制。这就引出这次合作另一个需要观察的点模型部署形态。如果新思和OpenAI的解决方案只能通过OpenAI的云端API调用那客户可能很难接受如果能在本地私有化部署一套专用的模型哪怕规模小一些、能力弱一些客户接受度会大幅提升。从技术角度看芯片设计数据的特点是“高价值、低体量、强结构化”和互联网数据完全不同。这也意味着通用模型的预训练权重只能提供基础能力真正让模型理解设计意图还得靠客户自己环境里的数据做微调或上下文增强。这里未来大概率会发展出一套类似“私有化模型本地知识库EDA工具链对接”的部署形态而不是一个简单的SaaS API。我在和一些做芯片的公司工具部门聊这件事时大家最关心的其实不是AI思维能力有多强而是“数据怎么隔离、日志怎么审计、模型权重归谁”。技术之外的安全边界才是决定工具能不能进产线的关键。4.3 流程深度单点AI工具做不出芯片要做的是整条链路芯片设计工具最考验人的地方在于每一道工序的输出都变成下一道工序的输入中间有海量的约束传递和假设检查。就算你有一个超级智能的AI能完美生成RTL接下来综合、布局、验证、签核任何一个环节衔接不上这颗芯片还是做不出来。这也正是新思科技相比初创AI公司的最大护城河——它的工具链覆盖整条设计流程可以把AI能力嵌入到每一个节点并且在节点之间传递上下文和约束。用户从架构探索阶段就用AI给出候选方案这些方案带着上下文一路走到RTL、验证、物理实现每一站都有AI继续协助而不像单点工具那样AI给完一版代码就撒手不管了。真正能跑通的AI芯片设计工具一定不是一个“AI写代码神器”而是一套“AI辅助的完整设计流水线”。这也是我判断这次合作不是在炒概念的核心依据新思手里有流水线OpenAI手里有脑子组合起来的想象空间不是简单叠加。5. 芯片工程师要不要慌未来五年的分工变化5.1 最先被工具化的岗位长什么样把话放在前面短期内不会有人因为AI失业但有一部分人的工作内容一定会被重定义。我总结了一下最先被AI工具深度介入的岗位普遍具备几个特征任务规则明确、反馈周期短比如testbench能不能跑通几秒钟就知道大量代码或文本翻译工作比如把规格文档翻译成寄存器代码依赖经验积累但不需要极高创造力比如覆盖率优化步骤建议有明确的正确性判据可以自动化验证比如综合约束策略对比对照这个标准芯片验证工程师中偏执行的部分、文档转代码的工作、常规接口集成工作会在未来两三年内被大幅压缩。而像系统架构定义、复杂异构设计决策、前沿工艺的PPA极端优化这些依赖跨领域经验和设计哲学判断的工作AI短期内难以真正接管。5.2 哪些能力反而变得更值钱我在多个项目里观察到一个现象AI工具使用能力的差距正在转变成团队效率的差距。同样是验证一个小模块A团队用AI辅助生成测试框架工程师专心分析覆盖率报告B团队还在手写所有testbench两边的人力投入和进度差距会越拉越大。顺着这个逻辑未来五年芯片行业里更值钱的能力会是这三类设计意图表达与约束编写能力你要能清楚地用自然语言、SDC约束、UPF描述把需求讲明白让AI理解再让AI辅助你生成代码。表达不清的人会把AI的不可用怪罪于工具表达清晰的人AI就是杠杆。AI产出的审查能力AI给你一版RTL你看一眼能不能判断出哪里有潜在问题、哪里的风格和团队规范不一致。这种审查能力要求你比AI更懂设计。跨层联调与问题定位能力芯片设计的每一个bug往往要跨过架构、RTL、验证、物理多个层面才能找到根因。AI擅长单点辅助但把链条串起来的还是人。5.3 给正在用或准备用这类工具的团队一些建议如果你所在的公司打算尝鲜AI辅助设计工具我个人的建议是别一上来就拿核心IP开刀也别指望AI直接产出流片级RTL。建议从这三个方向切入试点选在验证环节让AI先写断言、补testbench、做覆盖率分析这里有明确的正误判据风险可控建立AI产出的review制度AI生成的所有内容并行安排一次资深工程师形式化审查并记录问题类别积累横向对比数据把你所在团队的EDA工具链从上游到下游完整梳理一遍标出哪些环节的输入输出是高度结构化的这些就是AI工具落地的最佳插槽我见过太多团队买了AI工具回来直接扔给新来的工程师乱用最后产出质量不稳定然后得出“AI不靠谱”的结论。问题不在AI在流程没有配套。这次新思与OpenAI的合作既给了行业想象力也把过去几年AI辅助设计工具“能见度高、效果存疑”的尴尬摆到了台面上。对我来说真正值得盯的不是发布会的宣传语而是后续产品形态里验证机制怎么做、数据隔离怎么保证、以及整条流程能不能真的串起来。这三件事做扎实了芯片设计自动化的下一站就真的到了做不扎实那7%的涨幅也只是一种预期。如果你平时就在用AI工具写RTL或跑验证我最后分享一个个人体会先把你的设计意图写成几句话让AI基于这段话拆出一份检查和验证清单再决定让它写什么。这比一上来就让它生成代码靠谱得多——AI对“你要干什么”的理解决定了它干得值不值得你信。 
长河君 · 2026/10/28 16:39:53 · 阅读 1.2k 新思科技联手OpenAI：AI重塑芯片设计流程的拐点
新思科技与OpenAI合作的消息传出来的那个周一新思股价盘中一度涨超7%。我在工作群里看到这条新闻的第一反应不是去盯K线而是赶紧翻公告原文——一家全球EDA头部厂商和一家顶级大模型公司牵手做芯片设计AI这个信号比股价本身重要得多。如果你正在做芯片设计、验证或者负责公司的EDA工具链选型这条新闻值得你花十分钟认真拆一拆它到底意味着什么哪些环节会先变以及我们手里的饭碗会不会被AI端走。先说一个基本判断这不是一次“贴标”式的品牌合作。新思科技手里握着全球最完整的芯片设计工具链而OpenAI手里握着目前最强的通用大模型能力两边要凑在一起解决的是同一个问题——芯片设计流程里大量靠人肉堆叠的环节能不能用AI真正提效。这篇我尽量从流程、技术、落地三个维度把它讲透也会聊一些我自己实际使用AI辅助设计工具时的感受和踩坑经验。1. 从一根K线说起新思科技到底从OpenAI买走了什么1.1 股价涨7%背后的市场情绪资本市场的反应往往是最诚实的。新思科技作为EDA三巨头之一平时股价波动很少超过2%这次一口气盘中涨超7%说明机构投资者认为这次合作不是小打小闹而是直接改变了市场对这家公司未来三到五年的竞争叙事。为什么这么说因为过去几年芯片设计AI这个赛道一直是“雷声大、雨点小”。各家都在讲AI赋能设计但真正能落地的场景少得可怜。新思自己也早就推出了基于强化学习的DSO.ai谷歌那边有AlphaChipCadence有Cadence.AI听起来都很热闹可芯片设计团队在实际项目里依然是“AI辅助了个寂寞”——真正累死人的验证、排错、ECOAI基本帮不上忙。而这次与OpenAI的合作市场看到的是一个关键变量通用大模型的推理能力终于有机会渗进EDA的专业流程里了。股价涨的不是新思现有的业绩而是市场对“AIEDA终于要动真格了”的预期。1.2 双方各取所需这不是单向的技术采购要理解这次合作得先看清两边各自缺什么。新思科技不缺EDA工具不缺客户也不缺芯片设计流程里的数据。它最缺的是两样东西一是通用的自然语言理解和推理能力二是能快速把“人类用自然语言表达的设计意图”转化为“可执行的设计动作”的中间层。芯片设计团队里的资深工程师脑子里有大量经验但这些经验很难结构化、很难沉淀成工具OpenAI的模型恰好擅长从模糊输入里提取意图。OpenAI这边缺的则更明确缺场景、缺行业纵深。GPT再强如果不知道该把能力对准芯片设计流程里的哪个痛点价值就始终停留在写写周报、改改代码的层面。芯片设计是目前人类工程复杂度最高的领域之一一旦模型在这个领域跑通了其能力迁移到其他垂直行业会容易得多。所以这次合作本质上是新思出流程、出数据、出场景OpenAI出模型、出算法、出泛化能力一起把AI从“聊天助手”推向“设计协作者”。2. 芯片设计流程里AI真正能接管的是哪几块人力2.1 先拆开看一条完整的设计流水线到底有哪些环节很多非芯片行业的读者可能不太清楚一颗芯片从需求到流片大致要经过这样几个阶段架构定义与探索根据产品需求性能、功耗、面积做微架构权衡确定模块划分RTL设计用Verilog/SystemVerilog把微架构实现成寄存器传输级代码功能验证搭建testbench、写断言、跑仿真、做覆盖率分析确保功能正确逻辑综合把RTL映射到门级网表做时序和面积的初步优化物理实现布局布线、时钟树综合、电源网络设计目标是时序收敛签核做DRC/LVS、时序签核、功耗签核确保设计可以送厂流片每个环节都有自己独特的痛点和人力瓶颈。我做了这么多年工具链支持最深的感受是功能验证和物理实现的迭代优化才是真正吞掉人力的地方。RTL设计虽然听起来高深但一个熟练工程师写代码的时间占比其实不高更多时间是在和验证、和综合结果反复拉扯。2.2 AI能力与各环节的匹配度哪些最先被工具化我把AI技术能力与芯片设计各环节做了一个对应分析基本可以看清这次合作可能最先动手的地方流程环节AI可切入的具体动作主要难点成熟度预判架构探索自然语言规格转微架构选项、做PPA权衡分析设计空间太复杂需要高质量训练数据中期探索RTL生成根据接口定义和功能描述生成Verilog/SystemVerilog骨架代码可读性尚可但正确性验证成本高短期辅助验证自动生成testbench、断言、覆盖率空洞分析、错误根因反推逻辑推理要求高恰恰是大模型强项短期落地综合优化根据约束自动调整综合策略需要和EDA工具深度耦合中期物理实现布局布线的策略建议、时序收敛的ECO方案推荐与签核数据闭环、可解释性要求高长期突破签核报告自动解读、异常自动定位错误类型多样需要大量案例训练中期从这个表能看出来AI最先能落地的不是“写代码”而是“找问题”。验证环节对代码生成的精确性要求没那么高但对逻辑推理和模式识别的需求极大——一个testbench哪里写错了、一条断言为什么失败、一个覆盖率空洞为什么补不上这些问题恰恰是大语言模型的强项。我最近在内部项目里试用了一些AI辅助验证的工具说实话让AI直接生成完整可跑的testbench还会翻车但如果让它解释一段UVM波形为什么没有跳转、帮你补一条SVA断言体验已经相当能打了。这一步的提效比对RTL代码的生成要实打实得多。2.3 最容易被“吃掉”的三类岗位顺着这个逻辑往下推我判断最先感受到变化的是这三类人测试平台搭建和断言编写工程师规则性强、模式固定非常适合让AI先出初稿、人工审核覆盖率分析和报告整理工程师大量数据要汇总、归类、识别异常AI处理这类信息检索和归纳的工作效率极高接口和胶水代码编写者芯片项目里大量模块之间的连接逻辑、寄存器配置代码重复度高AI生成质量已经够用不是说这些岗位会消失而是说这些岗位里“纯执行”的部分会迅速被AI工具压缩剩下的工作重心会转向设计意图把控和结果审查。3. 别把这次合作理解成消费级AI新思手里早就握着AI的底牌3.1 DSO.ai和新思自己的强化学习路线很多人在聊这次合作时会直接把“OpenAI进芯片设计”看成是一次从0到1其实这是错觉。新思科技在AI辅助设计这件事上早就有自己的布局DSO.ai就是典型产品。DSO.ai做的事情说白了就是用强化学习方法做设计空间探索。芯片物理实现阶段有海量参数组合——单元库选择、布局密度、时钟树策略、buf/inverter的插入策略传统做法是资深工程师凭经验定几个组合去试DSO.ai则可以把整个参数搜索空间交给强化学习代理去探索找到更优解。我接触过用DSO.ai的项目它最大的价值不是“取代工程师做决定”而是把试错的空间大大拓宽了。人一天能试两三组参数AI可以同时跑上百组而且能记住哪些方向已经不优了、哪些还没试完。在先进工艺节点PPA优化极度内卷的今天这种探索能力确实值钱。3.2 AlphaChip证明了AI做布局规划可行但为什么没有全面普及提到AI芯片设计绕不开谷歌的AlphaChip。它用强化学习解决芯片布局规划问题在谷歌自家的TPU上已经实际使用了。这个项目的意义非常重大它向整个行业证明了AI产出的布局方案在真实流片中是可行的而且PPA表现不比资深工程师差。但AlphaChip为什么没能横扫整个行业原因简单它属于谷歌的自有基础设施跨公司落地涉及大量知识产权和流程适配问题而且强化学习方案对场景极度敏感换一个不同的芯片架构、不同的工艺库往往需要重新训练甚至重新设计奖励函数。这也是为什么强如AlphaChip行业里真正大规模复用它工作流的团队屈指可数。3.3 语言模型路线补上了强化学习的短板对比之下这次新思和OpenAI的合作走的是另一条技术路线把大语言模型的泛化推理能力和EDA专用数据处理能力结合起来。强化学习擅长在一个明确定义的搜索空间里找规律比如“给定这些参数组合怎么摆布局让时序最优”。但芯片设计里大量工作不是这类明确定义的搜索而是“理解一段模糊需求把它翻译成一堆明确约束”的过程。比如客户说“这个模块面积尽量小功耗不能超50毫瓦时序要能跑到1GHz”工程师要先把这句话变成架构方案、接口定义、综合约束再进流程。这种自然语言到设计约束的转换正是大语言模型最擅长的。所以这次合作真正的技术增量在于把OpenAI的模型当做一个“翻译官推理引擎”负责理解意图、生成代码骨架、给出验证建议而新思的工具链负责把这些建议变成真正可跑、可签核的EDA流程。新思内部的DSO.ai、形式化验证工具、完善的IP库加上OpenAI的通用推理能力这条组合路线比单押强化学习要完整得多。它试图解决的是整个芯片设计链条的“自动化率”问题而不是某一个环节的单点优化。4. 真正落地时绕不开的三道坎验证、数据与流程深度4.1 验证正确性AI生成的东西你敢拿去流片吗这里可能要说点泼冷水的话。AI生成RTL代码也好、生成testbench也好最大的问题不是“能不能跑通”而是“谁能证明它是对的”。芯片流片的成本摆在那里先进工艺一次流片动辄几千万美元任何一个小bug漏过去损失都是天文数字。传统工程师写RTL时脑子里对设计意图是有完整的逻辑闭环的。而大模型生成代码时本质上是基于概率的符号组合它“看起来像模像样”和“逻辑真的正确”之间隔着一道没有保障的鸿沟。我在试用大模型生成的RTL时遇到过完全语法正确、仿真也能过但放到形式化验证里被秒杀的情况属于典型的“似然而非然”。所以我对这次合作落地阶段的建议是任何AI生成的RTL都必须强制走形式化验证流程并且由资深工程师做设计意图复核。AI可以用来生成候选代码、辅助写断言、加速验证平台搭建但“设计正确性”这个责任短期之内不能甩给模型。新思如果能在工具链层内置一套“AI生成结果自动验证回归”的机制那才是真正降低落地门槛的关键。4.2 数据与知识产权芯片公司的核心资产敢不敢交给模型芯片设计行业的知识产权保护要求极度严格一个CPU核的关键微架构设计是公司最核心的资产。把这类数据喂给云端大模型做训练或推理绝大多数公司心理上过不去合规上也有很多限制。这就引出这次合作另一个需要观察的点模型部署形态。如果新思和OpenAI的解决方案只能通过OpenAI的云端API调用那客户可能很难接受如果能在本地私有化部署一套专用的模型哪怕规模小一些、能力弱一些客户接受度会大幅提升。从技术角度看芯片设计数据的特点是“高价值、低体量、强结构化”和互联网数据完全不同。这也意味着通用模型的预训练权重只能提供基础能力真正让模型理解设计意图还得靠客户自己环境里的数据做微调或上下文增强。这里未来大概率会发展出一套类似“私有化模型本地知识库EDA工具链对接”的部署形态而不是一个简单的SaaS API。我在和一些做芯片的公司工具部门聊这件事时大家最关心的其实不是AI思维能力有多强而是“数据怎么隔离、日志怎么审计、模型权重归谁”。技术之外的安全边界才是决定工具能不能进产线的关键。4.3 流程深度单点AI工具做不出芯片要做的是整条链路芯片设计工具最考验人的地方在于每一道工序的输出都变成下一道工序的输入中间有海量的约束传递和假设检查。就算你有一个超级智能的AI能完美生成RTL接下来综合、布局、验证、签核任何一个环节衔接不上这颗芯片还是做不出来。这也正是新思科技相比初创AI公司的最大护城河——它的工具链覆盖整条设计流程可以把AI能力嵌入到每一个节点并且在节点之间传递上下文和约束。用户从架构探索阶段就用AI给出候选方案这些方案带着上下文一路走到RTL、验证、物理实现每一站都有AI继续协助而不像单点工具那样AI给完一版代码就撒手不管了。真正能跑通的AI芯片设计工具一定不是一个“AI写代码神器”而是一套“AI辅助的完整设计流水线”。这也是我判断这次合作不是在炒概念的核心依据新思手里有流水线OpenAI手里有脑子组合起来的想象空间不是简单叠加。5. 芯片工程师要不要慌未来五年的分工变化5.1 最先被工具化的岗位长什么样把话放在前面短期内不会有人因为AI失业但有一部分人的工作内容一定会被重定义。我总结了一下最先被AI工具深度介入的岗位普遍具备几个特征任务规则明确、反馈周期短比如testbench能不能跑通几秒钟就知道大量代码或文本翻译工作比如把规格文档翻译成寄存器代码依赖经验积累但不需要极高创造力比如覆盖率优化步骤建议有明确的正确性判据可以自动化验证比如综合约束策略对比对照这个标准芯片验证工程师中偏执行的部分、文档转代码的工作、常规接口集成工作会在未来两三年内被大幅压缩。而像系统架构定义、复杂异构设计决策、前沿工艺的PPA极端优化这些依赖跨领域经验和设计哲学判断的工作AI短期内难以真正接管。5.2 哪些能力反而变得更值钱我在多个项目里观察到一个现象AI工具使用能力的差距正在转变成团队效率的差距。同样是验证一个小模块A团队用AI辅助生成测试框架工程师专心分析覆盖率报告B团队还在手写所有testbench两边的人力投入和进度差距会越拉越大。顺着这个逻辑未来五年芯片行业里更值钱的能力会是这三类设计意图表达与约束编写能力你要能清楚地用自然语言、SDC约束、UPF描述把需求讲明白让AI理解再让AI辅助你生成代码。表达不清的人会把AI的不可用怪罪于工具表达清晰的人AI就是杠杆。AI产出的审查能力AI给你一版RTL你看一眼能不能判断出哪里有潜在问题、哪里的风格和团队规范不一致。这种审查能力要求你比AI更懂设计。跨层联调与问题定位能力芯片设计的每一个bug往往要跨过架构、RTL、验证、物理多个层面才能找到根因。AI擅长单点辅助但把链条串起来的还是人。5.3 给正在用或准备用这类工具的团队一些建议如果你所在的公司打算尝鲜AI辅助设计工具我个人的建议是别一上来就拿核心IP开刀也别指望AI直接产出流片级RTL。建议从这三个方向切入试点选在验证环节让AI先写断言、补testbench、做覆盖率分析这里有明确的正误判据风险可控建立AI产出的review制度AI生成的所有内容并行安排一次资深工程师形式化审查并记录问题类别积累横向对比数据把你所在团队的EDA工具链从上游到下游完整梳理一遍标出哪些环节的输入输出是高度结构化的这些就是AI工具落地的最佳插槽我见过太多团队买了AI工具回来直接扔给新来的工程师乱用最后产出质量不稳定然后得出“AI不靠谱”的结论。问题不在AI在流程没有配套。这次新思与OpenAI的合作既给了行业想象力也把过去几年AI辅助设计工具“能见度高、效果存疑”的尴尬摆到了台面上。对我来说真正值得盯的不是发布会的宣传语而是后续产品形态里验证机制怎么做、数据隔离怎么保证、以及整条流程能不能真的串起来。这三件事做扎实了芯片设计自动化的下一站就真的到了做不扎实那7%的涨幅也只是一种预期。如果你平时就在用AI工具写RTL或跑验证我最后分享一个个人体会先把你的设计意图写成几句话让AI基于这段话拆出一份检查和验证清单再决定让它写什么。这比一上来就让它生成代码靠谱得多——AI对“你要干什么”的理解决定了它干得值不值得你信。