基模厂盯上AI4Chip:芯片设计会不会成为下一个Coding?
业内分歧AI4Chip是否为下一个Coding场景
AI4Chip,会不会是下一个Coding场景?
同一个问题,两位受访者给出的答案几乎相反。
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打量芯片设计:AI越来越聪明,人类之所以要分工,根子在于“context有限”,而AI没这道坎。几千人协作做一颗芯片,迟早会被一个足够聪明的AI压扁。他的判断是,AI4Chip就是下一个Coding场景——先帮工程师提效30%,再端到端做简单芯片,最终走向能self-improve的芯片设计。他还在社交平台上放了一句“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,他第一反应是笑。笑完,他给了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。”
两边说的都有道理。这场分歧本身,正好是理解AI4Chip最好的入口。
不过在进入他们的观点之前,有个背景得先摆上桌——为什么“AI4Chip是下一个Coding场景”这句话,会在2026年这个时间点被提起?
01
继Coding之后,基模厂商为什么选中了AI4Chip?
答案藏在Coding的成功里,也藏在Coding的天花板里,还藏在基模厂商的算力账单里。
大模型厂商在Coding场景上的成功,已经不用再论证。Claude Code能写代码,Codex能改“仓库”,Coding agent成了过去两年里大模型最扎实的落地场景——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,基模厂就得回答一个问题:下一个能撑起同等量级收入的高价值任务域在哪里?
AI4Chip被推上前台,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,芯片是算力的上游——对基模厂来说,做AI4Chip不只是卖工具,是往产业链更深处走一步。
招聘市场已经把这种风向摆得很明白了。打开社交平台就能看到,做基模的公司密集发布芯片类岗位,数字前端RTL、验证要人,数字后端的布局布线、时序也要人,有的帖子干脆写明“欢迎vibe芯片的AI-native新人”。业内大多觉得,这背后是同一批人在推两件事:一边训练AI学会做芯片设计,一边自己动手造芯。

国内各个基模厂的招聘信息在社交平台被广泛讨论
为什么基模厂非要做这两件事?
先看“练兵”这层。芯片是眼下链条最长的行业之一,规格、RTL、验证、综合、布局布线、时序、物理检查、流片,每一步都咬得很紧。大模型要能在这条极限链条上跑通,别的场景还有什么拿不下的?
再看另一层,非常现实:算力账单。剁椒酱的原话是:“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?”这句反问点到了根子上——基模厂下场做芯片,卖工具只是表面,真正想要的是不再被上游算力巨头卡住。落到国内厂商身上,还多了一重“缺卡”的推力:“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?”
晒哥对这个判断完全买账,还从商业终局的角度补上了最后一环。他的看法是,模型提供商卖的就是模型能力,和电力一个道理,最后会变成寡头竞争,加上国家层面的强监管。“发电厂”的利润相对固定,基础能源价格不可能高得离谱。基模厂要还想找增长,就得有自己的硬件产品。
这么看,AI4Chip被摆到台面上,技术演进只是一面,另一面是商业上的必然:大模型要找到下一个现金流,基模厂要甩开算力依赖,芯片行业要效率,政策要一个弯道超车的抓手。几股力量凑到一起,基模厂商“自己下场”就成了非走不可的一步。
但动力归动力,当下是否成立是另一回事。这就回到了下面这个核心问题,也是两位受访者分歧的起点。
02
AI4Chip,是不是下一个Coding场景?
先别急着站队:两个人说的“AI4Chip”,不是同一件事。
剁椒酱的逻辑是从上往下看的。
他立论的起点是AI能力往前走的节奏。按他的说法,今天做一颗大芯片,要几百人甚至上千人配合,每人只懂其中一小块——这并非分工本来就该这样,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没有这层束缚。一个足够聪明的AI能无限复制,前端、后端、验证、物理设计可以同时懂。所以拉长看,芯片设计被AI加速是跑不掉的,而且不止加速某一个环节,是整个软硬件co-design的循环,“AI for Chip,Chip for AI,它自己把这个loop转起来。”他给的时间表是未来5~10年。
眼下的走法要务实得多,他直接拿Coding的经验来类比:先让AI学芯片工程师的知识,再学架构师的经验,然后才慢慢学会co-design。前期它是提效工具,替工程师省下30%的活;中期能端到端做掉一些相对简单的芯片设计;最前沿、能自我迭代的阶段放在最后。
在剁椒酱眼里,这条路“可行”有先例可循——Coding已经完整走过一遍。大模型写代码的能力一路演进,让他相信这套逻辑可以搬过来:任务只要拆得足够细、每一步都能验证,AI就会一点点把活啃下来。
他把AI4Chip眼下的阶段比作“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。”这是他给出的判断。
晒哥的态度更谨慎,把“现在”和“将来”分得很开。他的说法是:“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。”
每天和RTL、验证、PPA、wafer打交道的他,承认硬件工程师已经用上了AI:写点前端代码、生成小脚本、查工具怎么用。可这些只是冰山一角。芯片设计难的地方不在那几行代码,最终要落回一个物理实体。“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。”
对当下芯片设计流程里的AI工具,他给了一个很实在的分级:L0到L1。市面上大多数号称“EDA Agent”的产品,都还在L0到L1之间打转——“给模型接了一个 shell,就敢说自己是 Agent”。哪怕是EDA三巨头之一自己发布的AI工具,在他眼里“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”。
两人的话其实没在一个层面上。剁椒酱问的是“AI能不能学会芯片设计”,晒哥问的是“AI已经学会的那部分,在真实芯片交付里能占多大分量”。这是两码事。
不过有一点两人看法一致:AI在芯片设计里会越扎越深。方向没有分歧,分歧在节奏和重心——剁椒酱盯的是能力曲线往外延伸,晒哥盯的是这条曲线在真实交付里落在哪。动力既然不缺,接下来就看落地到了什么程度。问题也就随之而来:大家现在究竟做到哪一步了?
03
大家现在做到哪一步?国内外是否存在差距?
剁椒酱对国内进展的说法比较保守:大家都在水下。浮出水面的,是此前月之暗面发布的KimiK3 用开源 EDA 工具搭配 Nangate 45nm 工艺库,做完了一颗面积约 4mm² 的芯片设计。到9月份,千问官方宣布开展了两项面向生产环境的实验。一项是在芯片设计中,Qwen3.8-Max 从一份 NoC 模块规格出发,走完 RTL、验证和物理实现;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,并持续打磨端到端推理性能。
国外也没闲着。Anthropic已经官宣组建专门的芯片设计团队,开始用Claude做定制芯片的工程开发和设计;OpenAI则联合新思科技宣布多年期战略合作,一起开发面向芯片设计的专用 AI 模型 GPT-Synopsys。把国内外的AI4Chip组合放在一起看,国内在EDA和模型两头都偏弱。但话说回来,不管国内国外,这条路离商业化都还有一段距离。
困难他讲得很直接。芯片公司的经验大多不在纸面上,而在工程师脑子里、在保密文档里。眼下能想到的办法就是雇专家,没有更好的解法。AI4Chip成果好坏怎么评,也得靠行业专家来建标准,“就像AI4Science里拉一堆基础学科大牛来做benchmark一样”。他自己日常碰到的难关是“怎么更好地scaling好的数据”,这个问题由“非常非常多细节堆起来”,很难说哪一环特别难。
晒哥是从落地难处切入的。
他描述了一个行业里常见的矛盾——“态度很Open,行动很谨慎”:老板们既想在这方面做出成绩,又不愿当第一个吃螃蟹的人。公司现在不会单独立项、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;何况不少demo用的EDA工具不是商用货,而是开源的东西,跟全世界主流流程相悖,结果拿不到主流认可,自然也进不了真实生产环境。
那国内外差距到底多大?晒哥给了个更具体的数:大约6个月。
在他看来,国外顶尖模型确实领先,但领先幅度“也就是6个月的时间”。更关键的是,他认为这6个月能靠工程手段补回来——比如别再一味堆模型参数,转而把Harness做得更好。
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。他把国内的优势放在应用端和需求量上:应用铺开之后,产品出货量能正向告诉它该往哪个方向改、往哪儿升级,而不是靠旧数据、旧指标指路。放到AI4Chip上也是同一个道理:真实应用场景带来应用端的正反馈,这个正反馈再推着AI4Chip往前增强。他强调这其实是一条“非常长的链条以及评价体系”,不是答卷那种“答完就得满分”的路子。
这也解释了他为什么把国内赶超的路径浓缩成六个字:农村包围城市。他觉得国内搞AI4Chip的意愿其实更强——芯片这条路上国内一直是追赶者,沿着欧美旧路线走,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,也在这个时点跟了上来。
8月,北京经济技术开发区(下称“北京经开区”)发布《“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)》(下称“AI4Chip 20条”)。这是全国首个AI4Chip专项政策,围绕集成电路产业部署五大行动:“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。按目标,到2028年,北京经开区基本建成集成电路产业AI融合发展体系,培育3~5家具有国际影响力的AI4Chip生态型领军企业,形成10个以上具备行业推广能力的标杆应用。

图源:北京经济技术开发区官网
不过,政策能解决“第一个吃螃蟹的人”的问题吗?答案恐怕还是要谨慎。流片的风险收益比属于商业决策,政策替代不了。真正的拐点不在政策发布那天,而在某家公司肯拿一个真实项目、一笔真实流片预算,把AI-native全流程跑完并且跑成功的那天。
也就是说,眼下是“有demo、有政策、有招聘,但缺真实流片和商业闭环”。那要是真跑通了,芯片行业会被改写成什么样?
04
夹在中间的芯片设计公司:是被挤扁,还是被逼出新的形状?
前面两位受访者已经在一个判断上碰了头:AI会持续深入地进入芯片设计,但短期内远不是“生成即交付”,真正的约束在验证、流片和责任。既然如此,更值得追问的就不是“AI能不能做芯片”,而是另一个更现实的问题:AI真的一步步做进来,谁的利益会被重新分配?
剁椒酱给了一个很形象的判断。他说,原来的芯片设计公司会被夹在大模型和EDA厂商中间。模型公司出智力,EDA公司出工具,两头都在蚕食过去由人提供的价值,芯片公司的价值被往中间挤。哪头吃得多、哪头吃得少?“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”。
晒哥没有直接反驳这个“三明治结构”,而是从另一个角度做了修正。在他看来,EDA厂商不会轻易下场做芯片:芯片种类繁多、场景需求总量大,他们扛不住;更关键的原因不在技术,而在基因。EDA厂商的核心利润就是“卖license”——卖铲子的人,不会轻易变成挖金子的人。大模型厂商这边,他赞同模型厂商为了扩大利润有动力往上游走,但更可能的方式是深度参与AI4Chip、和design house合作,而不是把芯片设计公司替代掉。
那芯片设计公司真正的压力来自哪里?晒哥观察到两头:一头是系统厂自研芯片,云厂商、车企、互联网公司都在自己做;另一头是AI加持下的新兴公司包夹。传统芯片设计公司要是不变,很快就会沦为第三方服务商。“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。”
芯片行业会被AI4Chip带到哪儿去?晒哥划了一条挺锋利的线:分“AI+”和“+AI”两种。只在现有流程里塞个AI助手,那叫“+AI”;组织形式和分工结构真的变了,才算“AI+”。
他设想,未来可能不再动辄是上万人的大公司,而是一群超级个体组成的“Lab”形式集群,“一个超级个体走得快,一群超级个体走得远”。大兵团式作战大概不会太多了,取而代之的是认知匹配的小型组织,借助AI完成以前只有大公司才能做的事。当然,这得靠AI加持,也需要时间——他预测5年可能会有大转变,10年内也许会发生整体的范式变化。
剁椒酱则从需求侧看到另一层变化:长尾需求会被激活。中国应用端极度碎片化,很多定制芯片原来“商务上各种不划算”,如果AI把生成成本降下来,最先受益的会是很多中小公司和碎片化需求。
所以,芯片设计公司会不会被挤压?两位受访者的答案其实收敛到一点:会重新分层。能做出不可替代的新东西的公司,会吃掉两头挤出来的价值;只会做同质化交付的公司,会滑向第三方服务商;长尾市场里,则会冒出一批借助AI、以更小团队和更低成本做定制芯片的新玩家。
那么,出现什么信号,才能判断AI4Chip真的成立了?
05
发生了什么?就可以判定AI4Chip是下一个Coding场景
不是发布会,是流片、出货和“不再讨论”。
先排除伪信号。模型厂商发demo不算,招聘启事挂出来不算,政策发布不算,网上讨论热度高也不算。这些只能说明“有人在押注”,说明不了“场景成立”。
真信号,综合两位受访者的判断,可以列出一张清单。
其一,得真去流片,不能停在demo上。晒哥把话说得很白:demo要是不流片,终究只是demo。他给出的时间判断是,“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”。剁椒酱讲的“端到端做简单芯片”,落点就在这个节点上——不是吐出段RTL就完事,得把整个流程走完、流片,回来还能跑。
第二,进入商业EDA的signoff路径。不是开源工具跑通,而是被主流流程认可。商业EDA的signoff地位短期不会动摇,原因不在技术,在责任。AI4Chip的工具链要进入真实生产,必须先回答这个问题。
第三,数据飞轮转起来。晒哥在文章里写道:“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。”剁椒酱提到的“更好的scaling好的数据”,说的同样是数据飞轮这回事。
其四,商业化分成得算清楚。基模厂商、EDA和芯片设计公司之间,需要形成能长期跑下去的收费与分成模式,别一直停在试点阶段。OpenAI和新思尝试分成,就是个早期信号。
第五点在于讨论的对象换了。晒哥说,真正落地时未必会出现“XX年发生了XXX”那种史书式的大事件:“更多是大家在描述这些工具做出的芯片指标是什么样、应用在哪里、出货量多少——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。”
到了那一天,这个问题自然就没人提了——不会再有人追问“是不是下一个 Coding 场景”,大家都觉得稀松平常。
两位受访者对时间的判断可以对照着看。剁椒酱估的终局是5~10年;晒哥认为5年会迎来一次大转变,10年之内芯片行业的整体范式会变。
当然,这些时间表都有个前提:世界得按剧本走。
可就在近日,行业用两天时间连着给所有人上了好几堂“黑天鹅”课:掌舵英伟达33年、把CUDA做成全球AI产业默认地基的黄仁勋辞任,市值一夜之间险些跌破4万亿美元。Anthropic在IPO前夜推出新一代旗舰模型Claude Fable 5.2,还与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,甚至动手“拆解”CUDA——Claude Mythos Preview 只花了约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 的软件迁移壁垒头一回被 AI 明显压下去。
这两件事,事先没有一份研报预警过。行业的残酷就在这儿:它只管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,多半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。