当AI开始设计芯片---聊聊EDA与AI时代的芯片设计

摘要

• EDA年产值约129亿美元、约占8000亿美元半导体市场的1.6%，却是芯片设计绕不开的软件平台。 严华把EDA比作写文章用的Word/WPS或编程IDE，把已验证IP比作可复用段落：成品里看不见工具，但设计过程离不开它。新思科技常年占全球EDA市场约40%-50%，行业高度集中。
• 芯片客户正由专业设计公司扩展到汽车、云、互联网、模型和其他系统厂商，项目周期也从24-36个月压到12-15个月。 特斯拉、Meta、OpenAI、字节、阿里等进入后，客户需要的不只是工具，也包括IP、方法学和“保姆式服务”；汽车芯片周期甚至已压到约7个月。
• 自研芯片首先是经济账，而AI推理是较清晰的落地场景之一。 扫地机器人主控若把团队、设计和流片都算上，严华估计可能需要几亿美元；AI厂商则会在GPU采购、电费、冷却和基础设施成本上升后，考虑把推理算法固化到ASIC中。严华的比喻是：通用芯片像“军马的衣服”，大家都能穿，但未必合身。
• 当前AI更主要是协助芯片工程师处理重复搜索和设计操作，而不是替代EDA约束、验证和最终签核。 新思从2020年的强化学习、2023年的Copilot发展到近30个Agent，整个设计流程约有30多个Agent，全球应该已有30多个客户试用；严华认为最终sign-off可能仍离不开人。
• Agent正促使EDA重新讨论收费方式和交付方式。 可能方向包括Token、使用量和Result as a Service，但本地部署开源模型后，按Token收费并不容易。更确定的变化是FDE会更重要，需要把Agent接入每家客户不同的流程、数据和环境。
• EDA的增量更多来自芯片和系统复杂度，而不只是项目数量。 重复方法学的MCU项目未必带来更多软件价值；multi-die、芯片堆叠、功耗散热、封装和系统仿真会创造新需求。新思在收购Ansys后希望从Silicon走向系统，英伟达也已围绕CUDA、网络、存储等构建系统生态。
• “AI全自动设计芯片”目前仍主要是局部自动化或实验性案例，端到端且完全无人参与的流片案例尚未出现。 三星3纳米案例只有强化学习参与，启蒙一号虽完成流片但面积约为Intel 486的十倍；OpenAI“辣椒”项目的后端也交给设计服务公司和博通。未来模型能力变化很快，新的标杆可能在三到六个月内出现，但具体趋势仍难预测。

精读

1. EDA是半导体里最小、却最难绕开的设计入口

• 严华的第一层比喻很直观：EDA像写文章用的Word、WPS，或程序员使用的IDE。芯片做出来以后，没人知道它由什么工具设计，“它在那个层面就消失了”，但芯片设计过程无法脱离这个平台。

• IP则像文章里已经写过、验证过的段落：某个接口如果已经在其他芯片上成功流片，客户就可以把它复用到新芯片中，把主要精力留给自研核心。USB等高速接口就是这种可复用模块的例子。至于成品是“诺贝尔奖文章”还是普通报纸文章，最终取决于芯片设计师，而不是EDA工具。

• 全球EDA年产值约129亿美元，半导体产值约8000亿美元，前者只占约1.6%。新思科技在EDA市场的份额基本保持在40%-50%；第二名与其相差不大，第三家可能约占20%，行业高度集中。

2. 系统厂商进入芯片，首先改写的是交付速度

• 过去的客户以高通、最早的飞利浦、NXP等专业芯片企业为主；近年特斯拉、Meta、OpenAI，以及国内的字节、阿里等系统级厂商也进入芯片领域，客户群由专业芯片公司扩展到系统厂商。

• 新客户带来的刚性变化是周期：传统芯片从设计到流片通常需要24或36个月，如今12-15个月已很常见。严华还提到，汽车芯片周期已经压到约7个月，意味着工具、IP、验证和外部服务都必须共同压缩时间。

• 服务方式也随之改变。传统芯片公司通常是在工具使用遇到问题时提问；新系统厂商要的是“保姆式服务”：即使已经招到专业团队，人手仍不足，希望新思工程师直接参与项目。支持时间一长，工程师也可能被客户吸收。

3. 自研芯片没有浪漫叙事，先算采购、功耗与规模

• 严华把决策归结为“一本经济账”：当企业购买通用芯片的总成本加起来不如自研，而且需求足够稳定，自研才有意义。以扫地机器人为例，传感器数据处理、控制、发热和低功耗需要一起解决，连团队和流片都算上，严华估计可能需要几亿美元。

• AI把这本账拆成训练与推理两部分。训练需要大量数据计算和算力，英伟达芯片可能更合适；推理继续使用通用GPU，则会带来更高的芯片采购、电费、机房冷却和基础设施成本，因此企业可能考虑为推理自研ASIC。

• 关键不只是“有没有推理芯片”，而是现成产品是否匹配自家算法。严华用“军马的衣服”解释：大家都能穿，但未必合身；把自己的推理算法固化进硬件，可以针对安全性、功耗等目标进行定制。

4. 成熟IP把高风险接口变成可复用积木

• 高速接口过去往往由芯片公司自己设计，但新接口不能未经验证就与整颗芯片一起流片；通常要先单独试流片，确认接口成功后再整合。新思提供已经成功流片的接口IP，相当于把高风险步骤变成可复用积木。

• 客户因此可以搭好USB等成熟模块，把主要精力放在自研核心部分。门槛下降并不等于芯片变简单，而是需要从头验证的部分减少，流片一次成功的概率提高。

• 芯片不同于软件的快速迭代。软件今天发布的版本有Bug，明天可以再发一版；芯片如果光罩或版图出错，芯片拿不回来，只能重新制作光罩。严华观察到，近年随着IP和工具被大量采用，流片失败和手机、汽车芯片跳票的情况已经很少听说。

5. 芯片行业从2020年后才谨慎接纳AI

• 原因不是行业不需要效率，而是芯片的容错率极低。软件允许出现Bug，芯片错误却可能让整颗芯片无法运行，严重时公司可能面临破产；有幻觉的AI必须与近乎零容错的交付目标共存。

• 新思从2020年开始把强化学习等功能引入局部流程，让AI协助工程师从烦琐、不断尝试的工作中抽身，通过反复尝试寻找最优解。这里的AI首先是搜索和效率工具，不是未经验证便直接决定最终版图的设计者。

• 搜索的典型对象是PPA：Performance、Power和Area，即性能、功耗和面积，三者彼此牵制。线画粗，信号传输可能更好但面积会变大；线画细，面积可能下降但电阻会升高、功耗可能增加。AI可以探索组合，工程体系则负责约束和验证答案。

• 严华还特别区分数字与模拟设计：数字设计从Verilog等语言开始，经过逻辑门流程到达版图；模拟设计则从电容、电感等器件的原理图直接进入版图，很多时候依靠人工绘制。两条流程不同，最终才可能在数模混合芯片中汇合。

6. Agent可以操作工具，但工具保存着行业的“护栏”

• 庄明浩用GPT-6操作Blender做3D设计作类比：模型理论上可以直接生成结果，但由它操纵成熟软件，实际效果可能更好。严华的解释是，Agent拥有自由生成能力，工具则承载了芯片设计行业多年积累的公式、规则和约束。

• 每道流程都要经过工具验证并亮“绿灯”，才能把错误率压到足够低。Agent可以生成软件代码或芯片代码、调用设计流程，但仍需这些验证；工具在严华看来是Agent的Harness一部分，而不是可以随意移除的旧界面。

• 他借“小龙虾”把钱转出去的案例提醒：如果没有限制，把所有权限都交给Agent，并不保证它会做好事。对芯片而言，失控可能带来整轮设计和流片的损失。

7. 三十多个Agent正在客户现场学习“这篇文章怎么写”

• 新思已经开发将近30个Agent；在整个芯片设计过程中，大概有30多个Agent承担不同功能。全球应该已经有30多个客户与新思一起使用或试用这些Agent。严华把Agent称为“硅基员工”：它们在公司内部接受过训练，了解新思的工具和功能。

• 但Agent进入客户环境后仍缺少客户的业务和数据。它知道Word的功能，却不知道客户要写的是“议论文还是记叙文”；每家公司芯片目标、设计环境和步骤衔接不同，Agent需要在客户现场学习上下文，之后才可能从接受详细操作指令，发展到只听目标便自动选择流程。

• 这条产品路线经历了三个阶段：2020年强化学习负责局部搜索；2023年Copilot接入知识库，帮助客户处理Warning和Bug问题；Agent再进一步执行设计任务。严华说，Copilot接手这些工作后，AI就有了足够的带宽去做FDE。

8. EDA的收费单位正在从“人”转向“工作与结果”

• 旧License默认工具由人使用，但“碳基员工996就要回家睡觉，硅基员工二十四小时、七天都可以用”。Agent使用工具的频率会更高，按席位计价可能越来越难反映真实价值。

• 严华提出的可能方向包括Token、实际使用量，以及“Result as a Service”。难点是Agent效率不同：相同任务，一家可能只消耗几百个Token，另一家却要消耗几万个；按Token收费未必等于按价值收费。

• 国内很多开源模型可以在客户本地部署，供应商可能收不到Token费用。若客户用自己的集群和模型运行芯片Agent，如何计费、如何衡量结果，新思内部仍在讨论，没有现成答案。

• 相对确定的是FDE会更重要。每个客户从第一步到第二步的交互都可能不同，Agent无法用同一个标准包部署；供应商需要根据客户环境，把Agent、工具和客户方法学接成一条可工作的链路。

9. 狂奔期之后，客户开始追问ROI与性价比

• 严华观察到，过去几年新增客户和项目曾推高软件需求，但近期趋势开始趋平，原因可能是“该进来的都进来了”。

• 庄明浩把它放进更大的AI周期：从2022年底、2023年初到2025年，行业策略近乎只有“策马狂奔”；他随后说“到了2022年”，无论主动还是被动，厂商似乎都开始考虑性价比、ROI和资金规模。

• 庄明浩举例称，知乎发布5.3 Flash，阶跃发布5 Pro Preview，小米发布模型时也展示了单位Token价格与模型表现之间的帕累托最优曲线。他还提到GPT-6的Soul和Luna [?]，以及OPPO S5.5 [?]，认为这些产品也不只是追求最强，而是在考虑性价比。

• 严华认为，商业航天、火箭、电动车、机器人到AI模型的硬科技发展一浪接一浪；此前大家可能头脑一热就开始做，现在追求性价比反而更有利于长期发展。庄明浩提到“Token太贵，所以又把员工请回来了”的笑话，用来说明自动化成本并不天然低于人力。

10. 真正拉动EDA价值的是复杂度，而不是芯片数量

• 从新思的商业模式看，项目越多不一定收入越高；复杂度和客制化程度才决定软件价值。同一种方法学做20款MCU，需要的工具可能完全相同，芯片出货量很大，真正赚钱的可能是封测厂以及台积电、三星等制造企业。

• 新需求来自原有工具难以覆盖的设计。节目以华为“抛定律”和台积电SoIC为例：multi-die之间连线过长会限制性能，因此考虑把芯片折叠、堆叠起来，但堆叠又会把散热推成更严重的问题。

• 这解释了新思收购Ansys后希望“从Silicon走向系统”的方向。单颗die如何控制发热只是第一步，热量如何通过液氮、风冷或自然冷却等方式散掉，需要把芯片、封装和整机放在一起做系统级仿真。

• 英伟达被节目视为系统化的样板：严华强调其核心仍是CUDA生态，并提到固态、光、网络传输设备和存储整合。庄明浩进一步认为，标准化整套系统即使客户公司倒闭，也可能转给另一家客户；其价值不再只是孤立的一颗芯片。

11. 铜线、散热与系统仿真正在重画芯片边界

• 严华把当前AI基础设施的核心问题归到散热：算力上升后，对散热的要求也提高。节目提到把数据中心放到天上、在海上用船承载数据中心等设想；庄明浩追问，天上没有空气，热量究竟如何传走。

• 节目谈到硅光，是希望让信号在硅片上通过光传输，减少铜线带来的发热。按严华转述，黄仁勋也曾把铜线视为限制AI继续发展的因素之一；这意味着下一轮工具需求会跨越电、光、热和机械结构。

• 系统厂商之所以自研，并不只是追求峰值性能，也可能是因为自己的算法可以在定制芯片上以更低功耗运行，从而降低冷却需求。成本、性能、功耗和安全性的权重各不相同，不存在一颗通用芯片解决所有客户问题。

12. 全自动芯片尚未出现，但人员需求可能下降

• 面对宣称把EDA工具内化进Agent、因而不再需要独立EDA工具的公司，严华的疑问是：内化工具后给出的答案是否仍符合原来的公式和逻辑，是否带有幻觉？他的判断是，Agent参与度会提高，但最终sign-off可能仍离不开人，因为Agent不会为芯片失败负责。

• 三星2021年的3纳米案例只是强化学习参与部分流程，并非AI独立设计；英伟达相关项目虽然使用AI生成部分代码，但仍依赖模型工程师编写的验证脚本和逻辑树验证。AlphaChip的公开案例也存在复现争议：谷歌曾公布权重，但之后能否复现仍不确定。

• 中科院计算所的“启蒙一号”于2023年6月以65纳米流片，采用AI全自动流程和开源EDA工具OpenROAD，并使用节目所称的BSD算法，绕开传统的Verilog到网表流程。它用了约400万个逻辑门，对标约40万个逻辑门的Intel 486，流片后的面积约大十倍，更像实验性Demo，不具备实际落地价值。

• 2023年，VeriCall宣称可以从219个字生成GDS，完全没有人工参与，但只使用了虚拟的标准单元库，无法真正流片。OpenAI的“辣椒”项目则把后续工作交给设计服务公司和博通，OpenAI主要负责前面的原理图部分；因此从头到尾完全没有人工参与的流片案例仍未出现。

• 人员需求可能先下降。严华判断，简单芯片未来也许两三个人就能完成。泽库当年有3000人，其中真正做芯片设计的约1500人；这部分投入较大，也与其尽量少采购IP、很多内容自己搭建有关。若采用成熟IP并把后端外包给设计服务公司，一家较节俭的汽车芯片公司可能两三百人就能完成项目。

• 严华同时拒绝做过度确定的预测：新思2023年做Copilot时，不同模型的回答准确度差异还很大，但很快各种模型基本都可以使用。模型发展很快，未来也许三到六个月就会出现新的标杆，因此现在很难预测。

• 人仍要决定“做一颗什么样的芯片”，尤其是顶层架构。当前相关人才仍主要来自集成电路、通信、电子等理工科专业；未来更重要的可能是跨界知识、创意，以及用自然语言准确表达需求的能力。

• 另一端，原本为人设计的部分工具可能消失。例如看波形的可视化工具，是让人通过波形寻找模型问题；未来也许由Agent与Agent直接沟通，不再需要人查看波形。严华强调，这不代表所有工具都能被替代，而是要回到第一性原理，判断中间到底需要什么。