AI4Chip是不是下一个Coding场景？两位从业者给出相反答案

AI4Chip，会不会成为Coding之后的下一个场景？

同一个问题，两位受访者给出的答案几乎相反。

其中一位是某基础大模型厂商（下称"基模厂"）的研究员剁椒酱。他从大模型公司的角度谈芯片设计：AI的智力在往上走，人类之所以要分工，根源在于"context有限"，AI却没有这层束缚。几千人协作才能完成的芯片设计，早晚会被一个足够聪明的AI压缩。他的判断是，AI4Chip就是下一个Coding场景——先帮工程师提效30%，接着端到端做简单芯片，最终走到self-improve的芯片设计。他还在社交平台上放了一句自己的"暴论"：基模厂迟早都会有自己的芯片厂。

另一位是晒哥，做数字芯片设计近十年，也是AI芯片设计领域的知识博主。听到"下一个Coding场景"这个说法，他的第一反应是笑。随后他给出一个不留情面的判断："它不是下一个vibe coding的场景。因为芯片设计本身不只单纯那点代码。"

两人的说法都站得住脚。这场分歧本身，正好是理解AI4Chip最好的切入点。

不过在进入他们的观点之前，有个背景得先摆出来——"AI4Chip是下一个Coding场景"这句话，为什么会在2026年这个时间点被提起？

继Coding之后，基模厂商为什么选中了AI4Chip？

答案既在Coding的成功里，也在Coding的天花板里，还在基模厂商的算力账单里。

大模型厂商在Coding场景上的成功，已经不用再多论证。Claude Code能写代码，Codex能改"仓库"，过去两年里，Coding agent成了大模型落地最扎实的场景——任务可验证、数据可获取、付费意愿明确、使用频率高。

可Coding的市场容量有天花板。模型能力继续往上爬，基模厂就绕不开一个问题：下一个能撑起同等量级收入的高价值任务域在哪？

AI4Chip被推到台前并非偶然。它符合"下一个Coding"的几个核心特征：任务高价值、专家经验密集、结果可验证、有大量可被学习的过程数据，付费方还是利润丰厚的芯片和EDA公司。更关键的是，芯片处在算力的上游——对基模厂而言，做AI4Chip不只是卖工具，是往产业链更深处走一步。

招聘市场已经把信号摆得很直白。社交平台上，基模厂商招芯片相关人才的帖子密集冒出，岗位覆盖数字前端的RTL、验证，也包含数字后端的布局布线、时序，有的甚至直接写明"欢迎vibe芯片的AI-native新人"。业内普遍的看法是，这其实是同一拨人在干两件事：一是训练AI做芯片设计的能力，二是自己造芯。

国内各个基模厂的招聘信息在社交平台被广泛讨论

基模厂为什么非要做这两件事？

另一头是"练兵"。芯片这条链子极长，规格、RTL、验证、综合、布局布线、时序、物理检查、流片，一环扣一环。大模型若能在这样一条极限链条上经受住检验，那还有什么场景是它拿不下的？

另一头极其现实：算力账单。剁椒酱说："如果你有一个智力程度是碾压级别的模型，那你为什么还要买别人的卡呢？它既然是AGI，为什么不自己造卡呢？"这句反问直指核心——基模厂做芯片，不只为了卖工具，是为了摆脱对上游算力巨头的依赖。对国内厂商来说，还多了一层"缺卡"的倒逼："如果根本原因是缺算力，那为什么要优化细枝末节，而不是直接去优化这个根本约束呢？"

晒哥完全认同这个判断，并从商业终局上补了最后一环。在他看来，模型提供商卖的产品就是模型能力，跟电力一样，最终会走向寡头竞争和国家强监管。"发电厂"的利润相对固定，基础能源价格不可能太离谱。基模厂还想求增长，就必须有自己的硬件产品。

所以AI4Chip被推上台面，不只是一次技术演进，也是商业上的必然：大模型需要下一个现金流，基模厂需要摆脱算力依赖，芯片行业需要效率，政策需要弯道超车的抓手。几股动力叠在一起，基模厂商"自己下场"成了不得不走的一步棋。

但动力归动力，当下能不能成立是另一回事。这就回到下面这个核心问题，也是两位受访者分歧的起点。

AI4Chip，是不是下一个Coding场景？

先别急着站队：两个人说的"AI4Chip"，并不是同一件事。

剁椒酱的逻辑是从上往下看。

他这套判断的起点，是AI能力演进的节奏。眼下要产出一颗大芯片，几百人乃至上千人得一起上，而每个人只摸得着其中一小块——说到底，这并非分工本来就该如此，而是"个人的智力带宽有限，个人能处理的 context 极其有限，因而不得不把工作流切分成很细的小块"。AI不受这个约束。一个足够聪明的AI能无限复制，前端、后端、验证、物理设计可以同时都懂。因此放长眼光看，芯片设计被AI提速是必然的，并且不止是某个环节快一点，而是软硬件co-design的整个循环，"AI for Chip，Chip for AI，它自己把这个loop转起来。"他把这个时间点定在未来5~10年。

眼下走的路要务实得多，做法直接照搬Coding的经验：头一步，让AI去学芯片工程师的知识；第二步，学架构师的经验；第三步，再逐步学会co-design。前期它是提效工具，替工程师省下30%的活；中期可以端到端地做掉一些相对简单的芯片设计；最后才进入很前沿、能自我迭代的阶段。

在剁椒酱眼里，这条路子能走通，是因为写代码已经完整走过一遍。大模型在代码生成上的进步给了他一种可以搬过来的底气：任务只要拆得开、每一步都能验，AI就能一块一块啃下来。他说AI4Chip眼下有点像是“去年或者前年的 Coding”，“大家已经感觉到它基本上能给你写大段的代码了。你可以把任务交给它，但它也留下了10%~20%最难的部分给到你。”

晒哥不这么混着说。他把“现在”和“将来”拆得很开：“AI4Chip是一个很前沿的话题，业内讨论也挺多，但它现在还不是下一个vibe coding的场景。”

他天天打交道的是RTL、验证、PPA、wafer。AI已经在给硬件工程师帮忙，这点他认：写点前端代码、生成小脚本、查查工具怎么用。不过他强调这只是冰山一角。芯片设计真正难的地方不在那点代码，最后总要落回一个物理实体上。他的原话是：“你还要考虑物理设计、测试，以及 PPA（功耗、性能、面积）这个不可能三角……单纯输出代码其实是很简单的事，我们目前也已经在做了。但整体意义上的AI4Chip，其实是一个系统性的考量。代码，只是开头的那一小部分。”

至于当下这些芯片设计环节里的AI工具，他给了一个挺具体的分级：L0到L1。市面上绝大多数所谓“EDA Agent”都还没爬出这个区间——“给模型接了一个 shell，就敢说自己是 Agent”。就连EDA三巨头之一自己发的 AI 工具，在他看也“更多像是小助手，能帮你查东西、生成小脚本，甚至还到不了半自动化的程度”。

说白了，剁椒酱问的是“AI能不能把芯片设计学会”，晒哥问的是“AI眼下学会的那部分，在真实芯片交付里能占多大分量”。这俩不是一码事。

但有一点两人想到了一块：AI会往芯片设计里越扎越深。方向没分歧，分歧在节奏和重心——剁椒酱盯着能力曲线往外延伸，晒哥盯着这条曲线在真实交付里落到哪。动力既然不缺，那就要看落地走到哪一步了。问题也就顺势变成：现在大家到底做到什么程度了？

现在做到什么程度？国内外有没有差距？

对国内的进展，剁椒酱的判断比较收着：大家都在水下。水面上能看见的，是此前月之暗面发布的Kimi K3 用开源 EDA 工具加 Nangate 45nm 工艺库，做出了一颗面积约 4mm² 的芯片设计。到了9月份，千问官宣分别开展了两项面向生产环境的实验：一项是在芯片设计里，Qwen3.8-Max从一份 NoC 模块规格出发，把 RTL、验证和物理实现都做完了；另一项独立实验里，Qwen3.8-Max 把 Qwen3.8-Flash-Next 部署到平头哥真武M890 上，并持续优化端到端推理性能。

国外那边，Anthropic也已官宣组建专门的芯片设计团队，开始拿Claude做定制芯片的工程开发和设计。OpenAI则联合新思科技宣布达成多年期战略合作，一起开发面向芯片设计的专用 AI 模型 GPT-Synopsys。把国外的AI4Chip组合摆到一起看，国内在EDA和模型两头都偏弱。不过总的讲，不管国内国外，这条路离商业化都还有一段距离。

难处他也讲得明白。芯片公司的经验很多不在纸面上，在工程师脑子里，在保密文档里。眼下能想到的办法就是雇专家，没有更好的招。AI4Chip成果好坏怎么评，标准也得靠行业专家来立，“就像AI4Science里拉一堆基础学科大牛来做benchmark一样”。他日常碰到的坎，是“怎么更好地scaling好的数据”，而且这问题由“非常非常多细节堆起来”，很难说哪个环节特别难。

晒哥是从落地卡在哪讲起的。

他描述了一个行业里常见的拧巴状态，“态度很Open，行动很谨慎”：老板既想在这上面做出点东西，又不太愿意当第一个吃螃蟹的。公司现在不会单独立一个项、砸几亿去支持一个从头到尾AI-native的芯片项目流片。工程师做demo没问题，可demo不流片，就只是demo；况且不少demo用的EDA工具不是商用货，是开源的东西，跟全世界主流的流程反着来，结果拿不到主流认可，自然进不了真实的生产环境。

那国内外差距到底多大？晒哥给了一个更具体的数：大约6个月。

他觉得国外顶尖模型确实领先，但领先幅度“也就是6个月的时间”。更要紧的是，这6个月能靠工程手段补——比如不去继续堆模型参数，而是把Harness做得更好。

可芯片终归是软硬结合的东西。被问到国外EDA、制造链条又完整又先进，长期积累下来国内外差距会不会反而拉大时，晒哥偏乐观，他把国内的优势押在应用端和需求量上。应用铺开了，产品出货量就能正向地告诉它往哪儿改、往哪儿升，而不是靠旧数据、旧指标来指路。放到AI4Chip上也是一个道理：真实应用场景带来应用端的正反馈，这个正反馈再推着AI4Chip往前走。他强调这其实是“非常长的链条以及评价体系”，不是答卷那种“答完就得满分”的路数。

这也解释了他为什么把国内赶超的路子概括成六个字：农村包围城市。他认为国内对AI4Chip的意愿其实更强——芯片这条路上国内一直是追赶者，顺着旧有的欧美路线走，弯道超车不太可能。“你想要超过他们，可能是有另外一条赛道，就类似于新能源汽车似的。”AI4Chip就是那条新赛道。

国内的政策，也在这个时点跟上了。

8月，北京经济技术开发区（下称“北京经开区”）拿出了《“AI4Chip”人工智能赋能集成电路产业跨越式发展行动计划（2026-2028年）》，也就是“AI4Chip 20条”。这是全国头一个AI4Chip专项政策，落点放在集成电路产业上，主攻五大行动：“AI原生全链赋能”“AI+智能设计”焕芯、“AI+制造封测”筑芯、“AI+设备材料”强芯、“AI+产业生态”育芯。按计划，到2028年北京经开区要大体搭起集成电路产业的AI融合发展体系，养出 3~5 家在国际上有影响力的AI4Chip生态型领军企业，攒下10个以上能向行业推广的标杆应用。

可政策能搞定“第一个吃螃蟹”这件事吗？答案恐怕还是得谨慎。流片这笔账划不划算，是公司自己做的商业决定，政策替不了。真正的拐点不在政策发布那天，而在某家公司肯拿出一个真实项目、一笔真实流片预算，把AI-native全流程跑完还跑成了的那天。

眼下的局面因此是：demo有了，政策有了，招聘也挂出来了，缺的是真实流片和商业闭环。那要是真跑通了，芯片行业会被改成什么样？

夹在大模型和EDA之间的芯片设计公司：被挤扁，还是被逼出新形状？

前面两位在一个判断上已经碰了头：AI会越扎越深地进到芯片设计里，可短期内远谈不上“生成即交付”，卡点落在验证、流片和责任上。顺着这个往下问，重点就不是“AI能不能做芯片”了，而是更实际的一层：AI真的一步步做进来，谁的利益会被重新切？

剁椒酱的比喻很形象——原来的芯片设计公司，会夹在大模型和EDA厂商中间。EDA和大模型都在把芯片公司的价值往中间压：模型公司出智力，EDA公司出工具，两头啃的都是原先由人提供的价值。哪头啃得多、哪头啃得少，剁椒酱说“目前还没有太清晰，得看谁做出了特别新、特别不可替代的东西”。

对这套“三明治结构”，晒哥没正面反驳，但从另一个角度补了一刀。他觉得EDA厂商不会随便下场做芯片：一头是芯片种类太多、场景需求太杂，总量他们扛不住；更要紧的另一头不在技术，在基因。EDA厂商挣的核心钱就是“卖license”——卖铲子的人，不会轻易转去挖金子。大模型厂商这边，他同意模型厂商为了多挣钱有动力往上游走，但更可能的方式是深扎进AI4Chip、跟design house合作，而不是把芯片设计公司顶掉。

那芯片设计公司真正的压力从哪来？晒哥看到的是两头：一头是系统厂自己造芯片，云厂商、车企、互联网公司都在动手；另一头是AI加持下的新公司从两侧包夹。传统芯片设计公司要是不变，很快会掉成第三方服务商。“第三方服务不代表不赚钱，但成长空间有限——当你技术不是最领先、又没有足够的护城河时，你干的就是苦力活。”

说到AI4Chip对整个行业的改变，晒哥划了条很利的线：得看是“AI+”还是“+AI”。只给现有流程配个AI助手，那叫“+AI”；真格的“AI+”，是组织形态和分工结构都变了。

他设想，将来可能不再是动辄上万人的大公司，而是一群超级个体凑成的“Lab”式集群，“一个超级个体走得快，一群超级个体走得远”。大兵团作战大概不会太多了，顶上来的是认知对得上号的小型组织，靠AI干成以前只有大公司才干得动的事。当然，这得靠AI加持，也得给时间——他估计5年会有大变化，10年内或许整体范式就换了。

剁椒酱则从需求侧看到另一层：长尾需求会被激活。中国应用端碎得厉害，不少定制芯片原来“商务上各种不划算”，AI要是把生成成本压下来，最先受益的就是一批中小公司和碎片化需求。

那芯片设计公司到底会不会被挤？两位受访者的说法其实收到了一处：会重新分层。能做出不可替代的新东西的，会把两头挤出来的价值吃掉；只会做同质化交付的，会滑向第三方服务商；长尾市场里则会冒出一批靠AI、用更小团队和更低成本做定制芯片的新玩家。

那要看到什么信号，才能说AI4Chip真的立住了？

出现什么，就能判定AI4Chip是下一个Coding场景？

不是发布会，是流片、出货，还有“不再讨论”。

先把假信号排掉：模型厂商发demo不算，招聘启事挂出来不算，政策发布不算，网上讨论热也不算。这些只说明“有人在押注”，说明不了“场景成立”。

真信号，把两位受访者的判断合起来，能列成一张清单。

头一条，是真流片，不是demo。晒哥讲得直白：demo不流片就只是demo。时间表上，他判断“MPW 的流片近几年可能会越来越多，但肯定不会是先进工艺。full-mask的流片，未来3~5年可能会有，而从 full-mask 到完全量产，则还需要一段时间。”剁椒酱说的“端到端做简单芯片”，对的正是这个节点——不是生成一段RTL就完事，是把整个流程走完、流片，回来还能干活。

第二条，是进到商业EDA的signoff路径里。开源工具跑通不算数，得被主流流程认。商业EDA的signoff地位短期内动不了，原因不在技术，在责任。AI4Chip的工具链要进真实生产，这个问题绕不过去。

第三条，是数据飞轮转起来。晒哥在文章里写过：“EDA被攻破是时间问题，不是可能性问题。工具运行日志、仿真波形、时序报告，这些数据每天都在服务器上产生，一旦有商业模式把它们组织起来，稀缺性就会被打破。”剁椒酱讲的“更好的scaling好的数据”，指的也是同一件事。

第四条，是商业化分成算得清。基模厂商、EDA、芯片设计公司之间得跑出能持续的收费和分成模式，不能老停在试点。OpenAI和新思的分成试水，就是个早期信号。

第五点，聊的对象换了。晒哥认为，真到落地那天，未必会出现“XX年发生了XXX”那种能写进历史书的大事。他描述的场景是：大家讨论的变成这些工具做出的芯片指标怎么样、用在哪儿、出货多少。“当媒体开始这样报道，而不是报道模型本身的时候，才是真正的落地状态。”

真到了那一天，这个问题自己就没人提了。也不会再有人问“是不是下一个 Coding 场景”，大家都习以为常。

两位受访者给出的时间判断可以对照着看。剁椒酱估计，那个终局想象要等未来5~10年；晒哥的判断则是，5年会有一个大转变，10年之内整个芯片行业的范式都会变。

当然，上面这些时间表，前提都是“世界按剧本走”。

可就在近日，行业花了两天时间，给所有人连上了好几堂“黑天鹅”课。执掌英伟达33年、亲手把CUDA做成全球AI产业默认地基的黄仁勋黯然辞任，市值一夜之间几近跌破4万亿美元。Anthropic在IPO前夜放出新一代旗舰模型Claude Fable 5.2，同时拉上电路板设计制造公司Diode合作，让Fable 5.2照着一段简短要求，设计出家庭语音助手中枢、USB会议扬声器和掌上虚拟宠物三款设备，甚至开始“拆解”CUDA——Claude Mythos Preview 只用了约 3 天，就让一个 Claude 模型在 AMD Instinct MI355X 上跑通了关键推理环节。近100%的GPU内核代码由模型移植或重写，人工干预很少，CUDA 的软件迁移壁垒第一次被 AI 明显压缩。

这两件事，事前没有一份研报预警过。这行的残酷就在这儿：它只负责让所有精心推演的时间表一夜作废。所以真正的拐点到来时，大概率也不会是我们此刻想象的那个样子。

但不管从哪边看，时钟都已经开始走了。