包括OpenAI的Jalapeño在内的AI工具和传统EDA软件被部署在现代半导体设计工作流中，以加速芯片开发。

8月底，Architect Labs宣布其设计了一款几乎完全由AI设计的芯片——声称这是行业首创。AI已被部署在半导体开发的多个阶段：优化芯片布局、版图放置和布线，以及验证。生成式AI可以协助工程师编写RTL代码，而新兴的代理系统可以操作电子设计自动化（EDA）工具，分析结果，识别问题，修改设计，并以逐步减少人类干预的方式进行迭代。然而，人类工程师仍然定义架构并做出决定芯片功能和运作方式的基本设计决策。

这形成了一个有趣的反馈循环。当今的AI模型运行在由人类工程师设计的处理器上，这些处理器逐渐得到AI的协助；这些模型随后可以帮助设计下一代AI系统的更强大的处理器。随着EDA供应商和半导体公司授予AI对设计过程越来越大的控制权，该行业正逐步从人类使用AI工具设计芯片转变为AI系统参与设计其后继者将运行的硬件。

机器今天能真正设计机器吗？可能不能。但它们将来能够吗？这个问题具有重要的影响——工程师对此的思考已经比许多人意识到的时间更长。

**芯片开发中AI的简明历史**

Cadence、Synopsys和Siemens EDA以及Ansys都是EDA和仿真软件的领先开发商，他们在2020年代初期发布了工具的AI增强版本，早于生成式AI改变行业的时代。

第一代AI增强型EDA软件主要使用机器学习和强化学习来解决定义良好的优化问题。给定现有设计、约束条件和特定目标，这些工具可以探索众多实现选项以优化版图放置和布线——从而优化功耗、性能和面积（PPA）——同时减少开发时间。AI可以找到实现设计的更好方式，但设计本身及其目标仍然是工程师的领域。

一个关键优势是能够从以前的运行中学习，并使用累积的数据指导后续的设计空间探索，减少达到PPA目标所需的迭代次数，有时产生的结果比传统方法需要的工程努力少得多。然而，自主性是有限的：工程师定义约束、配置流程、运行单个工具、分析输出，并决定下一步要尝试什么。AI加速或优化了特定的开发阶段，但人类控制了整个设计流程。这种情况正在随着新一代工具而改变。

最新的AI增强型EDA工具野心更大。生成式AI可以编写或修改RTL和验证代码、分析报告、识别潜在故障点并建议修复。新兴的代理系统可以操作多个EDA工具并以最少的人类干预执行工程任务序列，分析结果、修改设计或参数、启动新的仿真运行、评估结果，并重复直到达到指定的目标。因此，AI正在从优化EDA工具内的单个步骤转变为自动化整个芯片开发工作流程的部分。

**从大规模到架构**

在2023-2024年间，Cadence和Synopsys都宣布数百个芯片设计已经使用他们的AI增强工具完成（Cadence.ai DSO.ai/VSO.ai/TSO.ai）。领先的高科技公司披露了他们的AI驱动项目的细节。然而，将Google、Nvidia、OpenAI和Architect Labs组合在一起忽略了重要的区别——它们代表了芯片开发中AI参与程度的不同。

Google是最早宣布AI加速器AI驱动开发的主要科技公司之一，但其方法似乎是最不激进的。Google的AlphaChip主要使用强化学习进行物理芯片布局：它放置电路块并优化布局，但不发明整个设计或架构。Google DeepMind在2024年报告AlphaChip已应用于TPU的前三代，使Google在整个EDA行业处于领先地位。（该公司此后未分享详细进展。）

Nvidia的方法更值得注意，因为其内部AI系统自动化了传统上由硬件工程师执行的工作。区别在于Nvidia能够在其自有的RTL、文档和专有积累的工程知识上培训专用模型——这是商用EDA供应商无法获得的。这是芯片设计师将其专有GPU、AI加速器、CPU、DPU和网卡背后的工程数据转换为AI训练数据的一个典范。然而，Nvidia本身在其自动化和自主芯片设计之间保持了明确的界限。

OpenAI的Jalapeño可能代表迄今为止最强有力的真实硅芯片例子。OpenAI表示AI直接参与了实现、设计空间探索、验证循环和算术电路优化，使公司能够在九个月内从初始设计进行到流片。在Hot Chips大会上，OpenAI披露了具体的性能指标：与人类基准相比，AI辅助设计将BF16乘法器提高了56%，FP4点积块提高了21%，FP32累加器提高了10%，同时将矩阵和SIMD单元的面积分别减少了10%和8%。

OpenAI没有声称AI发明了Jalapeño的架构，所以人类仍然对此负责。但AI被广泛应用于将该架构转换为硅并优化它——这把我们引向了Architect Labs。

Architect Labs的Redwood在质量上是不同的。两位人类架构师定义了规范；之后，Architect Labs表示其AI自主生成和验证了逻辑、生成RTL、验证并生成固件。AI也协助了软件开发，包括驱动程序和内核。与Google、Nvidia和OpenAI不同，该公司明确描述其系统执行机器学习协同设计，并表示它可以探索架构，尽管未详细说明。

Redwood在两周内完成，运行数十亿级参数模型，但存在重要警告：它尚未流片。它从未作为ASIC生产；加速器运行在FPGA上，声称相对于Nvidia的Jetson Orin Nano 3.4倍的能效优势是基于预计的三星8LPP工艺设计。

**最后的话**

就在几年前，AI在半导体开发中主要是一种优化技术，帮助工程师找到实现人类设计芯片的更好方式。今天，它可以生成RTL、验证设计、操作EDA工具，甚至探索架构选择——尽管人类仍然定义最终构建的内容。

我们离机器设计机器已经相当接近，但远未达到真正的自主性。目前，芯片正在帮助设计它们的继任者。但它们仍然远未决定这些继任者应该是什么。