# 当AI开始设计芯片---聊聊EDA与AI时代的芯片设计 屠龙之术 · 2026-09-28 · 58 min · https://www.xiaoyuzhoufm.com/episode/6ab9f026e742e36efcbc0d88?utm_source=rss ## 逐字稿 庄明浩 大家好，我是明浩，欢迎收听本期《通用之术》。我上一期更新的节目是关于 AICC 大会的。作为一个一直关注应用层和模型层的行业观察者，当议题探讨到基础设施层时，我遇到了很多难点和不理解的地方，包括在当前这个时间点，对于算力、芯片、机组、元器件以及很多其他事情的未知。 今天很有幸请到一位可以帮我解答很多这类问题的嘉宾，所以今天这期节目是一期对谈。我们先请今天的嘉宾做个简单的自我介绍。 严华 大家好，我是来自新思科技的严华。 庄明浩 很多朋友可能不太了解新思科技，不知道这家公司在行业中的地位和影响力。您要不先简单介绍一下新思科技的业务和公司状态？ ### EDA与IP构成芯片基础 严华 新思科技早期是一家我们所谓的 EDA 公司。EDA 的全称是 Electronic Design Automation，中文翻译是“电子设计自动化”，主要是针对芯片设计的软件。 EDA 在芯片出现的时候就已经存在了，但大家一直不知道它是做什么的，也不知道 EDA 到底是什么。我们可以做一个比较容易理解的比喻：EDA 软件就相当于我们用来编辑文章的工具，比如 Word、WPS，或者编程里的 IDE。 从 Word 的角度来看，一颗芯片就像是一篇在 Word 上写出来的文章。但是，当我去推炮或者文章发表的时候，你并不知道我是用什么工具写出来的。工具在那个层面就消失了，芯片也是一样。 到了后期，新思科技又有了 IP。IP 属于知识产权的一些段落，我把它比作一篇文章中的段落。如果这个段落已经在其他芯片上做过、流片过，并且有成功经验，那么当我把这些段落，比如接口 IP，引入到新的芯片里时，其实就是引用了一段文章，也就是可以复用。 庄明浩 那当这篇文章发表以后，它是获得诺贝尔奖的文章，还是报纸上刊登的一篇文章，或者是一篇还没有人发表过的文章，这取决于什么？ 严华 这取决于整个设计，也就是芯片设计师的能力，和 EDA 这一层没有关系。 比如设计师要做一颗 AI 芯片，或者要做一颗手机芯片，就像你写一篇记叙文还是议论文。这是一个目标：写文章时会先确定要写记叙文还是议论文，芯片设计也是一样。 所以通过这个比喻，大家就知道，原来 EDA 是脱离于芯片的。真正拿到手机或者电子器件时，里面并不存在 EDA；它只是一个平台，让芯片可以在这个平台上完整地产生出来。 全球比较大的 EDA 公司其实没有几家。坦白说，EDA 软件的全球产值大概是每年 129 亿美元，而全球半导体产值大概是 8000 亿美元。所以，EDA 的规模在整个半导体产业中只占不到 2%，大概是 1.6%左右。 但整个芯片设计又离不开 EDA。新思科技在 EDA 市场中的占有率，基本上每年保持在 40%到 50%。 庄明浩 那第二名呢，距离你们差一半？ 严华 第二名跟我们差一点点。你们两家加一起，基本上就没有其他的。还有第三家可能占 20%左右，其余的都非常小。 庄明浩 从某种意义上说，你们在定义这个行业的标准、走势和状态。 但我们刚才也聊到，您在这个行业已经快 20 年了。20 年以前，大家对“芯片”这两个字的理解，和今天这个时间点，行业观察者或者原来的互联网人对芯片的理解，完全不同。 从你们的角度看，你们相当于处在这个行业非常源头的位置，又因为你们的市场地位，所以对趋势的把握可能是“春江水暖鸭先知”。从您从业将近 20 年的经历来看，客户层面发生了哪些比较大的变化？尤其是最近几年 AI 兴起之后，有什么明显的趋势？ ### 应用厂商进入芯片设计 严华 以前芯片设计和芯片生产都是非常专业的领域。生产方面大家比较熟悉，比如台积电、三星，它们一直在做芯片生产。 芯片从设计到最后制造，中间一般分成两块。我们先通过版图的传递，把设计传递到制造工厂，由制造工厂真正把芯片做出来。所谓版图，就是像使用画图软件一样，把芯片画出来。在画版图之前的过程，我们称为芯片设计。 早期像高通，或者最早的飞利浦、NXP，它们都非常专业，只做芯片。但最近几年，应用厂商纷纷进入了这个领域。大厂里，特斯拉已经在自己做芯片，Meta 也要自己做芯片，OpenAI 最近也说要做芯片。 国内也有很多公司，比如字节、阿里，都纷纷进入芯片领域。所以我们的客户群体从过去那些非常专业、只做芯片而不做系统的公司，变成了系统级厂商。 系统级厂商进入这个领域之后，对我们的要求完全不一样。以前一颗芯片可能要 24 个月或者 36 个月才能最终流片，也就是交给台积电、三星这样的工厂生产。现在一个项目的周期可能被压缩到 12 个月到 15 个月，这已经非常正常了。 庄明浩 那这两年 AI 兴起之后，又有什么变化？ ### AI开始进入芯片流程 严华 坦白说，从芯片设计行业的感知来看，AI 是从 2020 年以后才真正介入芯片设计的。那个时候 AI 在芯片领域还非常薄弱，因为芯片是一个非常高精尖的东西，不像软件。 大家都知道，软件总是会有 Bug。我们上网浏览时，甚至会看到微软发布会出现蓝屏。软件有 Bug 是正常的，但芯片一旦出现错误，很可能导致整颗芯片无法运行。 所以芯片行业是一个容错率非常低的行业。我不能说它绝对不能有错误，但它的容错率确实非常低。AI 本身又会产生幻觉，所以怎样在一个容错率极低的行业里利用 AI，同时获得它的生产力，就需要做平衡。 我们这个行业做了很多探索。从 2020 年开始，才陆续看到一些 AI 功能应用在芯片设计上。 庄明浩 过去几年，汽车公司，尤其是电动车企业，云厂商，无论中国还是美国的大型云厂商，还有现在的头部模型厂商，以及手机厂商，似乎都已经进入了芯片领域。自动驾驶也有一波。 这些厂商原来确实不应该出现在芯片行业里，但今天因为各种各样的原因，它们都出现了，相当于变成了你们的客户。那一家什么样的公司，在什么阶段，或者遇到什么样的选择时，才会主动考虑自研芯片？ 手机厂商、车企，甚至机器人公司，似乎都在考虑这件事。极端情况下，自研芯片可能是必选题，但在中间总有一个节点，或者某种标志，让它开始产生这个念头。 ### 自研芯片先算经济账 严华 根据我和客户沟通的情况，这其实是一本经济账。 以前很多芯片，比如 MCU，都是通用芯片，量很大，电视机、扫地机器人等很多地方都会用到。但如果某个扫地机器人企业大量使用这类芯片，最后发现买芯片的钱加在一起，还不如自己做一颗芯片，那么它就会考虑自研。 当然，不同等级、不同复杂程度的芯片，成本肯定是几个数量级的差距。 庄明浩 以扫地机器人为例，尤其是主控芯片，它预期的投入大概是什么量级？ 严华 如果从扫地机器人的角度来说，我觉得投入量级还是相对比较大的。 现在的扫地机器人有很多传感器，需要实现自动化，本质上就像一个机器人。它要处理传感器数据，还要控制发热。扫地机器人的电池容量有限，不能走 10 步就回去充电，所以还要考虑低功耗。 整个设计下来，再加上生产、流片，我估计可能需要几亿美元的投入，整个团队的投入也要算在里面。 庄明浩 几亿美元？也就是说，如果想做这件事，首先要把这笔钱想清楚。 严华 对。 庄明浩 那回过头来，什么领域更适合自研芯片？ ### 推理芯片需要定制化 严华 比如 AI。早期大家都是买英伟达的芯片做训练，规模小的时候还好，买几片跑一跑，训练一个模型，或者买几百片。 但规模再大一些，电费以及英伟达芯片的投入就会让企业觉得，自己做一颗芯片可能更有效率。 现在 AI 把训练和推理分得非常开。训练需要大量数据计算和算力，英伟达的芯片可能比较合适；但推理未必需要同样的芯片，可能需要一颗 ASIC 芯片。 如果用英伟达的芯片来做推理，电费、机房冷却以及整个基础设施的投入都会非常大。所以企业可能会考虑，从推理的角度自研一颗芯片。 庄明浩 这个逻辑似乎也是今天模型厂商、云厂商，以及我们所说的“Token 工厂”都在沿着做的事情。 最近 OpenAI 不是也推出了一个据说测试效果很好的芯片项目吗？虽然可能还处在测试阶段。国内的模型厂商，比如 DeepSeek，也因为和国产芯片的适配问题，影响了模型发布。大家都在做类似的探索。 但我还有一个问题。假设今天我是一个没有名气的厂商，真的想在推理层面，针对自己的推理场景探索一颗芯片，那么此前其实也有一些专门做推理芯片的厂商，也做过适配这个场景的尝试。英伟达和 AMD 今年不是也收购了两家公司吗？也是这个逻辑。 AI 这一波从 2022 年底到现在还不到 4 年，已经出现了比较大的分化。似乎连英伟达、AMD 这样的头部厂商，也看到了这种趋势。 严华 这就涉及第二个层面：你的推理算法是否适合使用通用芯片。 虽然有些芯片主打推理，但每家公司自己的推理算法并不一样。怎样把自己的推理算法通过硬件的形式固化下来，这就是自研芯片的另一个原因。 这就像军马的衣服，大家都能穿，但是否合身是另外一个考量。 这种“合身”可能来自不同的需求。比如汽车领域需要更高的安全性，大模型领域则需要更低的功耗。电费开支以及整个架构的冷却，对他们来说都是非常大的 alpha。 前段时间不是有新闻说，要把数据中心放到天上去吗？最近还有一个很有意思的项目，是这一届 Y Combinator 最火的项目之一：在海上建立新的数据中心，用船来承载，像一个海上钻井平台一样。 海水确实可以帮助散热，但天上因为没有空气，根本无法传热，我也不知道热量要怎么散掉。 庄明浩 星辰大海。 严华 对。不管这个想法最终怎么样，也许他们有更高精尖的技术，但核心问题就是散热。 芯片算力上来之后，对散热的要求也会提高。这也是为什么有些公司要自研芯片：它们觉得自己的算法更适合特定的芯片，可以用更低的功耗实现同样的效果，也就不需要那么强的散热能力。 不同客户有不同想法，需求也不一样。成本、性能、功耗，各个角度的优先级和权重也不一样。 庄明浩 这些客户真的想开始做的时候，会第一时间找你们吗？ 严华 肯定会。 庄明浩 他们找你们时，优先会问什么问题？尤其是这些不是传统意义上只做芯片的公司。 ### 工具与IP降低流片风险 严华 首先，这些公司能够成功，当然说明它们自己很有智慧，也知道要把专业的事情交给专业的人。 它们要做自研芯片，肯定会请一个非常专业的团队。但流片周期的压缩，会让它们需要寻求我们的帮助。 一方面，是如何通过 EDA 工具本身提高效率。比如推理芯片的算力并不小，整个芯片面积也可能很大。 另一方面就是 IP。前面提到的高速接口，过去芯片公司都是自己设计，全部自己画。自己画完之后，不能直接和整颗芯片一起流片，因为风险很大。通常要先单独试流片，确认接口芯片成功之后，再把它整合到一起。 新思科技可以提供已经成功流片过的高速接口。这就像搭积木一样，可以很快把 USB 接口等比较成熟的接口搭起来，客户只需要负责自己内部的核心部分就可以了。 所以现在做芯片，在很大程度上就是拼装和搭建。这也是为什么门槛降低了，很多系统厂商愿意进入芯片领域。 同时，我们有成功流片的经验，可以提高这部分工作的成功率。自研芯片只要能把容错率降下来，流片一次成功的概率就会变高。 庄明浩 听起来，你们的工程师是不是特别容易去这些公司？ 严华 我们的工程师很多。有时候我们会派工程师去支持客户。 以前的传统芯片设计公司只是问你问题：如果软件使用有问题，就请你来帮忙解决。但新的系统厂商不一样，它们希望得到保姆式服务，什么都想知道。 虽然它们请了一个团队，但人员还是少，所以会希望我们一起做项目。做着做着，我们的工程师很可能就去了客户那边。 庄明浩 这也正常。毕竟这是一个高精尖领域，复杂性和经验要求都很高，而且成本太高了。每一次流片，以及每一个选择能不能成功，都会直接决定很多钱。 严华 对。现在如果是 FinFET 3 纳米，一次流片所需要的光罩，整套光罩可能就是几美金，一投就是一次。如果光罩错了，就全部错了，芯片也拿不回来，后面只能重新制作光罩。 软件行业以前讲究快速迭代，允许犯错。今天发布一个版本，如果有问题，明天再发布一个版本。但芯片不是这样，它不是一个做 5 次就一定能成功的事情，而是有很大的风险。 以前做芯片很难，为什么只有那些传统芯片厂商才能做？因为我们确实看到过流片失败的案例。 但近两年，随着大家大量采用 IP，以及工具的加持，我觉得已经很少听说流片失败了。现在大家做的，比如手机芯片、汽车芯片，都是等着装到手机上、装到车上的，很少听说一颗芯片跳票。 而且现在汽车芯片的周期已经压到 7 个月了，非常快。 庄明浩 太吓人了。 严华 所以我觉得，以前和现在确实不一样。 庄明浩 沿着这个问题继续。今天这个时间点，所有软件厂商，无论做什么软件，都回避不了 AI 带来的巨大影响。 刚才您也提到，AI 到来之后，无论时间、进度、成本还是流程，我相信都会发生变化。我们做投资，过去一年多从软件股的表现来看，大家会认为 AI 对软件股影响很大，担心未来可能不再需要传统意义上的软件。 不过，这类讨论更多集中在个人软件和企业软件层面。你们这个领域非常特殊，因为 EDA 是软件里最复杂、最尖端的部分，同时又受益于 AI 行业的巨大增长。 所以从您在公司内部和工程师沟通、与客户沟通的情况来看，AI 对芯片设计这个板块到底产生了哪些正面或负面的影响？ ### AI重塑EDA工作方式 严华 AI 颠覆软件行业已经有一段时间了。大量一线软件工程师，原来写软件代码的那些工程师，可能已经离开了公司。 这对我们也有一些影响。软件行业里，AI 的替换率可能在国内已经达到 70%到 80%，国外最高的可能达到 90%。但即使达到 90%，AI 的引入仍然对人有要求，仍然需要人。 所以一方面是 AI 怎么面对，另一方面也是我们自己的心态怎么调整。 回到芯片设计行业，芯片设计的容错率比较低，和开发游戏软件、普通软件不一样。如果允许 AI 的幻觉存在于整个流程中，最后导致流片失败，那么公司可能面临的是一次破产，而不是撤回后重新发布一个版本。 所以从我们的角度来说，这也是为什么我们从 2020 年才开始把一些 AI 引入芯片设计。 当时我们推出了一些和强化学习相关的功能，让 AI 在某个环节里帮助工程师从烦琐、不断尝试的过程中抽身出来，通过不断尝试得到最优解。 其次，AI 也会帮助我们在芯片设计中寻找平衡。芯片设计有一个业内常说的 PPA，也就是 Performance、Power 和 Area，性能、功耗和面积。这 3 个指标互相影响、互相制约。 比如一根线画得粗一点，信号传输可能更好，但面积会变大；为了控制面积，把线画得细一点，电阻又会升高，功耗可能变大。所以我们要在不同指标之间寻找平衡。 庄明浩 那你们的软件还要承担类似模拟层面的事情吗？设计只是画图吗？模拟这一层又是怎么处理的？ 严华 模拟设计是另外一套流程。芯片设计分成数字设计和模拟设计，完全是两条不同的道路。 数字设计是通过不同的节点，从人类可以使用的 R T O 语言，比如 Verilog，开始经过与、或、非门，最后到版图。 模拟设计则是从原理图开始，大家以前学过的电容、电感等器件，直接到版图，很多时候是靠人来画版图。 所以数字流程和模拟流程是完全两套不同的流程。不过最终到了版图阶段，因为现在很多芯片是数模混合芯片，最后还是可能合在一起流片。 从我们的角度来说，我们也曾经担心，AI 引入之后，EDA 工具是不是就不需要了。但最近各家公司都发布了一些 Agent，国外也有很多小公司成立了专门做 Agent 的公司。 我们观察下来，Agent 还是离不开工具。 庄明浩 我觉得您这个判断很敏锐。最近大家可能更容易理解这一点。比如 GPT-6 出来之后，很多人都在用 GPT-6 操纵 Blender 做 3D 设计。 理论上，今天的大模型可以直接做 3D 模型，但为什么从实际操作和最终效果来看，用它去操纵 Blender，效果反而更好？ 严华 为什么需要 Agent 去操作工具完成这件事？因为 Agent 可以自由发挥，去生成软件代码，或者生成整个芯片的代码；但工具是芯片设计行业多年积累下来的约束。 我们的容错率靠什么保证？靠的其实就是这些约束叠加后的结果。代码需要通过这么多工具的验证，得到一个绿灯之后，才能继续下一步。 过去人做设计时，也是通过这些工具得到绿灯，才能往下推进，从而保证不同流程中的错误率最低。 所以从现在的角度来说，Agent 可以替代一部分人的工作，但还是离不开工具。工具其实就是 Harness 的一部分。 现在大家都很强调 Agent，前段时间“小龙虾”也很火，帮人把钱都转出去了。如果没有任何限制，把所有权限都交给它，没有约束，它未必能做好事。 庄明浩 除了传统意义上的软件，你们提供给客户的服务里，应该也已经有一些 AI 工具，包括 Agent 或者其他流程，变成可以交付给客户的东西。 严华 我们已经做了将近 30 个 Agent，每个 Agent 承担不同的功能。在整个芯片设计过程中，大概有 30 多个 Agent。全球应该已经有 30 多个客户和我们一起在使用、试用这些 Agent。 Agent 怎么说呢？我们可以把 Agent 看作一个硅基员工，人是碳基员工。 招进来一个员工之后，不可能指望他什么都懂。但硅基员工的好处是，我们已经在公司内部对它做了一些训练，它已经了解新思科技的各种功能和工具。 但当它进入客户环境后，它还缺少什么？缺少客户的业务和数据。 就像它知道 Word 每一个功能、每一个选项怎么使用，但它不知道客户要写的是议论文还是记叙文。Agent 在客户那里锻炼一段时间之后，我们当然希望它具备自我学习能力。以后客户不需要把任务讲得那么复杂，只要告诉它要做什么、目的是什么，它就能理解并完成。 庄明浩 我还有一个问题：商业模式会不会因此发生变化？ 原来的软件商业模式，无论按席位还是按 License，都是比较清晰的。到了 AI 时代，从收入获取方式上会不会有变化？ 严华 我们也在思考，这个议题目前是开放的，大家都在尝试。 以前的工具是给人使用的，之后的工具可能是给 Agent 使用的。如果把 Agent 和人分别看作硅基员工和碳基员工，那么碳基员工 996 就要回家睡觉，但硅基员工 24 小时、7 天都可以使用。 所以，Agent 使用工具的频率会更高。工具如果仍然按照原来的方式收费，可能不一定合适。以后是不是要导向按结果收费，也就是 Result as a Service？ 以前软件公司不承担结果，SaaS 是 Software as a Service。现在是不是可以从 Result 的角度和客户讨论这个事情？这些我们内部都在讨论。 未来 Agent 可能按照 Token 使用量收费。比如做同样的事情，A 公司的 Agent 可能只使用几百个 Token，B 公司的 Agent 却要使用几万个 Token。到底应该怎么收费，我们还在探索中。 庄明浩 今天整个行业其实都在探索，包括所有厂商和云厂商。而且国内外的模式也不太一样。 国内很多开源模型如果本地部署，实际上就收不到 Token 费用。如果客户通过本地集群使用 Agent 来做芯片设计，那应该怎么收费？这件事现在也还在讨论中。 还要考虑客户自身 AI 能力的成熟度，大家的需求都千奇百怪。这也是为什么现在大家开始使用 FDE，由人来解决中间的差异。 严华 FDE 这件事我们已经在逐步改变了。 以前卖软件，就是把一套做好的软件交付给客户。但现在如果要把 Agent 部署到客户环境里，每个客户的环境都不一样，每个客户的需求也不一样。 一个客户从第 1 步到第 2 步之间的交互，和另一个客户从第 1 步到第 2 步之间的交互，可能完全处在不同层面。所以 FDE 的引入会更重要，需要根据客户自身情况把 Agent 部署进去。 庄明浩 明白了。你们也在承担这样一种探索的角色。 严华 对。我们之前在 2020 年发布了强化学习，2023 年发布了 Copilot。 Copilot 的意义是，我们把所有知识库放进 Copilot 里，让它承担辅助角色。以前客户遇到 Bug，软件跳出来一个 Warning，客户会找 AI 来问；现在直接问 Copilot 就可以了。 当这些工作被 Copilot 接手之后，AI 就有了足够的带宽去做 FDE。 庄明浩 这也符合过去几年整个软件生态的变化，也和用户使用各种 Coding 工具的变化类似。最开始是简单问答，然后变成 Copilot，再到这一代的 Agent，之后可能还会探索自动化等方向，彼此是相辅相成的。 现在这个时间点，你们直面了很多不同种类、不同行业的客户。似乎所有科技公司都在往自研芯片上走，这一时间产生的需求特别大。 过去几年有没有一个明显的时间节点，让你们明显感觉到需求突然爆发？ ### 芯片需求进入理性阶段 严华 过去几年，从公司收入的角度来说，客户数量变多，客户项目变多，自然会导致客户对软件的需求变大。 但最近我觉得这个趋势似乎又减缓了一些，变得平稳了。 庄明浩 因为该进来的都进来了，大家已经开始做了。 我觉得很多行业现在都遇到了类似的情况。如果只看 AI 行业，从 2022 年底、2023 年初到 2025 年，大家基本上只有一个策略，就是策马狂奔，没有其他选择。 但到了 2022 年，无论是主动还是被动，无论是原来不做 AI 的厂商，还是只做最前沿模型的厂商，似乎都开始考虑性价比、ROI 和资金规模的问题。 这两天发布模型的状态就很典型。大概两周前，知乎发布了 5.3 Flash，主打便宜，价格非常低。紧接着，阶跃发布了 5 Pro Preview，也是在打性价比。 它官方推送里的曲线不是传统的打分表，而是帕累托最优曲线，展示单位 Token 价格和模型表现之间的关系。随后小米发布模型时，拉的也是同一条曲线。 这两天发布的 GPT-6 的 Soul 和 Luna [?]，以及 OPPO S5.5 [?]，也都不是最硬、最贵、最强的产品，而是在考虑性价比。 哪怕是今天市场上最有钱、最愿意探索边界的厂商，也在考虑性价比和 ROI。 严华 如果放到芯片这个议题上，我觉得过去几年中国和美国这一波硬科技崛起，包括商业航天、火箭、电动车、机器人到 AI 模型，整个科技行业确实是一浪接一浪。 从某种程度上说，这是一件好事。之前大家头脑一热就开始做，但现在大家开始追求性价比，反而是一条可以长期发展的道路。 庄明浩 我记得前段时间有个笑话，说 Token 太贵了，所以又把员工请回来了。 虽然是个笑话，但它反映出国外厂商的大模型 Token 收费，确实让一些使用者有些力不从心。 回到芯片层面，当一个厂商从策马狂奔转向调整，你们也应该会遇到处于调整过程中的客户。它们会和你们聊什么？比如怎样复用更多资源，怎样提高转化效率？ 严华 从客户角度来看，我们的软件并不是项目越多，收入就一定越多。 从整个商务模式来说，更多项目不一定代表更多收入。真正能提高软件价值的，往往是更高的复杂度，或者客户更多的客制化内容。 比如前面提到的 MCU 芯片，一个小小的 MCU 做 20 款，可能需要的方法学都一样，工具也一样，并没有太多新的东西。 每一款芯片可能流片几亿颗，真正赚钱的是后面的封测厂，以及台积电、三星这样的制造企业。 真正对软件提出更高要求的，是芯片复杂度提高，或者从训练模型走向推理。甚至像华为最近提出的抛定律，把二维芯片折叠、堆叠起来，复杂度就会非常高。 庄明浩 这样一来，标准工具可能都不一样了，之前的工具不能直接使用，需要重新探索。 严华 对。华为有一套抛定律，TSMC 有 SoIC，这些其实是类似的方向。 大家往这个方向走，是因为以前叫 multi-die，就是多颗 die 之间的连线太长，导致芯片性能无法进一步提升，所以才会考虑把它们折叠、堆叠在一起。 但堆叠之后也会出现新的问题，其中一个很大的问题就是散热。芯片是硅片，散热本身就是一个很大的挑战。 这也是为什么新思科技在收购 Ansys 之后，希望从 Silicon 走向系统。两颗芯片叠在一起之后，发热量变大了，我们要怎么控制单颗 die 的发热？ 从芯片角度看，它本身会发热。发热量上来之后，怎么快速把热量散掉？是通过液氮、风冷，还是自然冷却？芯片封装之外，能不能形成一个自然冷却体系？这些都需要系统级仿真来解决。 庄明浩 这似乎也对你们提出了新的要求，不能只关注芯片本身的设计，还要关注系统层面的问题。 严华 客户也在发生变化，很可能已经是系统层的客户了。 现在英伟达也是卖一整套系统，而不是只卖一颗芯片。 庄明浩 所有人都乐见其成。买一整套系统，适配性更好，也更稳定，传输、冷却和成本等方面都可以一起考虑。英伟达当然也乐于这样做。 我觉得英伟达已经是在帮客户做数据中心了，不只是卖芯片。它为什么敢给最新客户兜折旧的底？因为它那套系统插在 A 数据中心和 B 数据中心没有区别。 即使最后客户公司倒闭了，这套设备也可以转给另一个客户，因为它是一套标准化系统。 严华 对。英伟达把这个逻辑想得很清楚，核心还是 CUDA 生态。 英伟达不只是芯片公司，也是生态公司。固态、光、网络传输设备，都是一起的，甚至包括存储整合。 现在 AI 的发热量太高，大家都在研究硅光。如果信号在硅片上通过光来传输，就没有发热的概念。 大家都在想办法。黄仁勋也讲过，现在限制 AI 继续发展的因素之一就是铜线，因为铜线的发热太大。 所以我们的客户变成系统厂商之后，对我们的要求也不再只是一颗芯片，而是更多系统级的复杂问题。 庄明浩 我们做一些稍微远一点的畅想。按照这个方向再往下走两三年，您觉得在芯片设计这个你们比较熟悉的领域，会出现哪些比较大的变化和趋势？ ### Agent尚不能独立造芯片 严华 从我的角度来看，首先，在整个芯片设计流程里，工具是离不开的，不管 Agent 的参与度达到什么程度。 国外确实有一些专门做 Agent 的公司，主打使用它们的 Agent 就不需要 EDA 工具，因为 EDA 工具已经被训练、内化到 Agent 里了。 但从我的角度来看，真正把工具内化之后，它给出的答案是不是符合原来的公式和逻辑？有没有带有幻觉？这些都需要确认。 所以我们这个行业一直知道，流片确实可能失败。从我们的角度来说，流片是非常严肃的事情，希望做到零容错。 现在我们的工具可以给 Agent 加上约束，让 Agent 去处理过去由人完成的一些工作，包括语言生成、布局布线等。 但最后的 sign-off，也就是签核动作，我相信可能还是离不开人。因为最终还是要由人对芯片结果负责，Agent 不会为芯片失败负责。 现在所有人都在发展 Agent，最终谁能胜出还不好说。但从我个人观察来看，EDA 厂商首先有工具，其次还有芯片设计的 know-how。 芯片设计的 know-how 一部分在工具里，另一部分在客户自身。Agent 可以把客户的 know-how 学习进去，再加上 EDA 工具，未来确实可能做出一颗芯片。 所以我觉得，未来 IC 行业也可能出现人员减少的趋势。一颗简单的芯片，也许两三个人就可以完成。 庄明浩 现在一颗芯片的人员规模大概是什么情况？比如您刚才讲的扫地机器人芯片，需要准备几亿美元的资金。那从人员角度，一个项目又该怎么评估？ 严华 如果从头到尾做一颗 AI 芯片或者手机芯片，可以讲一个以前的例子。我们过去有个客户叫泽库，也就是 OPPO 的芯片部门，大家都知道。 他们当时有 3000 人，做的是手机芯片。这里面包含软件，真正做芯片设计的可能有 1500 人左右。 不过他们当时的范围比较大，也尽量减少 IP 采购，很多东西都自己搭，所以花了比较长的时间，投入也比较大。 如果是现在比较节俭的一家汽车芯片公司，后端外包给设计服务公司，整个芯片团队可能两三百人就可以完成。 因为前面讲过，一个是工具，一个是 IP。现在搭积木的工作更多，不需要所有东西都从头造轮子。 庄明浩 像最近比较热的 OpenAI、阿超这样的公司，它们想做的可能更多是 AI 推理芯片。它们的团队也要达到这个体量吗？ 严华 差不多。 庄明浩 OpenAI 最近那个“辣椒”项目，其实也涉及一个问题：Agent 做芯片究竟能做到什么程度？它们的定制化程度如何？ 现在很多新闻会说，用 AI、完全没有人工参与，就做出了一颗芯片。 我做了一些探索，甚至直接问 AI。我们问的问题会比较刁钻，比如整个流程中用到了哪些工具，某个节点使用了什么语言。我们会问到一些细节，而 AI 的回答和新闻报道里的内容可能并不一样，因为新闻不会报道到这种程度。 严华 目前真正实现流片的案例，我能数出来。 我把以前提到的强化学习也算进去。2021 年，三星和新思科技合作做过一颗 3 纳米制程的芯片，但那只是强化学习参与了部分流程，并不是 AI 独立完成。 英伟达有一个叫 Chip Neill 的项目，也号称使用 AI Agent 系统来做芯片。但它使用了大量辅助模型工程师编写的验证脚本。虽然其中一些代码由 AI 生成，但仍然需要验证逻辑树，所以它才敢把结果公布出来。 联发科也曾经号称使用了谷歌的 AlphaChip。做 AlphaChip 的两位研究人员后来出来成立了一家公司。 当时谷歌讲了一个故事，说它用 AlphaChip 做出了芯片，但美国某所大学尝试复现时，教授没有办法复现。最近谷歌又公布了它们使用的权重，但之后就没有人继续复现了。所以到底能不能复现，我们也不知道。 真正看到过流片的案例，一个是中国科学院计算技术研究所做的 65 纳米芯片“启蒙一号”。它在 2023 年 6 月流片，使用 AI 全自动流程，加上开源 EDA 工具 OpenROAD。 它摒弃了传统的从 Verilog 语言到网表的流程，使用一种叫 BSD 的算法。简单来说，因为芯片有输入和输出，电流就像水流一样从前往后，不会往回走，所以它用一种类似弯管的方式直接搭建电路。 比如输入多少电流、输出多少电流，通过电路控制水流大小。它采用的是一种单向、无回路的逻辑。 当然，他们也用了很多形式验证和静态验证来验证结果。 这颗芯片最终流片了，但它号称可以对标英特尔 486。英特尔 486 有多少门级？它用了 40 万个逻辑门，而这颗芯片用了 400 万个逻辑门，也就是流片后的面积比英特尔 486 大 10 倍。 所以它更多是一次实验性的 Demo，并不具备可操作、可落地的价值。 2023 年，VeriCall 又做了一个项目，宣称从 219 个字直接生成 GDS，完全没有人工参与。它也是使用 OpenROAD 做物理实现，中间使用 Verilog、resfi 的那些综合工具。 但它没有真正流片，因为只使用了一个虚拟的实现标准单元库，所以没有办法流片。 最新的就是 OpenAI 的“辣椒”项目。它后面的工作全部交给设计服务公司和博通完成，OpenAI 只做前面的原理图部分。它其实相当于芯片设计中 R T O 的生成，也就是生成整个芯片设计语言，但使用的不是传统芯片设计语言，而是谷歌的开源语言体系。 所以真正从头到尾完全没有人工参与的案例，其实还没有出现。 庄明浩 深挖执行细节之后，我对这个行业还是有信心的。现在距离理想状态还很远。 严华 对，还很远，也不好说。2023 年我们做 Copilot 的时候，模型能力对回答问题的准确度影响很大，我们当时测试了很多模型。 但很快，各种模型基本上都可以了。模型发展得非常快，未来也许 3 到 6 个月就会出现一个新的标杆，所以现在很难做预测。 庄明浩 这个行业确实变化太快了。软件层面基本上一个月就是一个版本，每个月都是一个大版本。今天的事情，一个月之后可能就变成上个版本、上个时代的古老故事，非常恐怖。 不过不管怎么样，相比软件行业，芯片设计还是需要人。你要做什么样的芯片，仍然需要人从顶层架构开始设计。 现在这个时间点，最核心的芯片设计人才，他们大概是什么背景？是学通信、电路、计算机，还是集成电路？ 严华 现在很多大学都有集成电路专业，这当然是最对口的。 通信、电子等专业也可以，它们都属于弱电。强电可能更多和 Ansys 相关，偏向系统层面。 庄明浩 AI 到来之后，这件事会发生变化吗？ 我无数次聊 AI，最后大概率都会聊到教育。这个问题我也一直在和家里的孩子讨论：如果 AI 真像冲击软件行业、芯片行业一样冲击更多领域，现在很多学生、高考生都希望选择数学、物理、理工科，未来会不会反而是那些有创意、有想法的人，或者文科背景的人，更有优势？ 严华 目前还没有出现这种变化。现在仍然需要严谨性，还是非常需要理工科人才，还是需要人来做事情，不是只靠天马行空的想法。 庄明浩 你们这个行业太特殊了。它处在整个产业最尖端的位置。如果有一天连你们这个领域都被 AI 完全解决了，那人类可能真的可以躺下了，也不用再想别的事情。 严华 如果真的出现全套 Agent，完全离开人、离开工具，AI 就可以独立做出芯片，那我觉得距离《Magic死》这样的电影情节就不远了。 庄明浩 那就是科幻电影里的极端状态，所有人只负责给它供电，最后变成人形电池。 严华 回到严肃的角度，未来对学生的期待，我觉得跨界人才仍然会非常重要。 只会芯片设计可能还不够，因为我们已经走到了系统层，甚至还要看芯片所应用的领域。跨界知识如何整合，仍然很重要。 另外，有创意、有想法，以及能够把需求表达清楚的能力，也会很重要。现在和 AI 交流时，使用不同的语言，可能会得到不同的结果。怎样把自己的需求描述出来，怎样用自然语言表达清楚，这种能力未来也会越来越重要。 我还会反过来思考：像新思科技的 EDA 工具，本来是为人设计的，是 Design for Human。未来有些工具可能会消失。 并不是说工具可以被完全替代，而是有些工具，比如看波形的工具，本来是给人看的，让人通过波形找到模型中的问题。未来可能不需要人来看波形，而是由 Agent 和 Agent 直接沟通，不再需要可视化界面。 当然，我不能说所有工具都可以消失，但还是要从第一性原理出发，考虑中间到底需要什么。 庄明浩 今天聊得差不多了，非常感谢严总精彩的分享。对于我这样一个硬件外行来说，今天学到了很多东西。 就像我们刚才私下聊到的，过去做互联网、做投资、研究行业时，可能不需要对科技和技术底层有那么深的理解。但今天不一样，所有硬科技，包括 AI、算力、芯片以及各种基础设施，发展到足够深的程度之后，确实需要这些更硬的知识来支撑理解。 再次感谢大家收听。然后，如果大家对新思科技有需要了解，可以去他们的官网查一下，比如他们最近在招什么人。我觉得是一家非常好的公司，非常强，站在产业链非常核心位置，并且有垄断状态的一家公司。好，再次感谢。 严华 感谢明浩，感谢感谢。