AI4Chip能不能接棒Coding？基模厂研究员和十年芯片工程师吵起来了

（本文作者为 霞光AI实验室，钛媒体经授权发布）

AI4Chip，会不会成为Coding之后的下一个战场？

同一个问题，两个人给出的答案几乎完全相反。

剁椒酱是某基础大模型厂商（下称"基模厂"）的研究员。他从大模型公司的立场出发看芯片设计：AI的智力在往上走，人类之所以要分工，根子在于"context有限"，AI却没这道枷锁。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压扁。他的判断是，AI4Chip会成为下一个Coding场景——第一步帮工程师提效30%，第二步端到端做出简单芯片，最终走到self-improve的芯片设计。他还在社交平台上抛了一句自己的"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。随后他给出一个毫不客气的判断：“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。”

两人说的都有道理。这场分歧本身，恰恰是理解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？

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，更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，已经不需要论证了。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这块市场的容量终归有上限。模型能力继续往上爬之后，基模厂绕不开一个问题：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、且付费方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。

招聘市场已经把信号摆得很直白了。社交平台上，基模厂商招芯片相关人才的帖子扎堆出现，岗位从数字前端的RTL、验证，到数字后端的布局布线、时序都有，有的甚至直接写明"欢迎vibe芯片的AI-native新人"。业内的普遍看法是，这其实是同一拨人在干两件事：训练AI做芯片设计的能力，以及自己造芯。

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？

一头是"练兵"。芯片是眼下最长的链条之一——规格、RTL、验证、综合、布局布线、时序、物理检查、流片，一环扣一环。大模型要能在这条极限链条上被验证，那还有什么场景是"征服"不了的？

另一头则极其现实：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？"这句反问戳的正是要害——基模厂做芯片，不只是为了卖工具，是要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。基模厂若还想求增长，就必须有自己的硬件产品。

于是AI4Chip被推上台面：它不只是技术演进，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"就成了不得不走的一步棋。

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。

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。

他的出发点是AI能力的演进节奏。在他看来，今天做一颗大芯片要几百人甚至上千人协作，每人只懂其中一小块——这并非因为分工天然如此，而是因为"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没有这个限制。一个足够聪明的AI能无限复制，能同时懂前端、后端、验证、物理设计。所以长期看，芯片设计一定会被AI加速，而且不只是加速某个环节，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。"他把这个时间表放在未来5~10年。

眼下这条路线要务实不少，思路直接借了Coding的经验：先让AI学芯片工程师的知识，再学架构师的经验，然后才慢慢摸到co-design。早期它就是个提效工具，能替工程师省下30%的活；到了中期，可以端到端完成一些相对简单的芯片设计；最前沿的自我迭代阶段，排在最后。

他之所以觉得这条路“可行”，是因为Coding已经完整走过一遍。大模型在代码生成上的演进给了他可迁移的信心：任务只要能拆成可验证的步骤，AI就能一步步“吃掉”。

他说，AI4Chip眼下的状态像“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。”

在晒哥看来，“现在”和“将来”得分开讲：“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。”

RTL、验证、PPA、wafer，是他每天要面对的东西。他承认AI已经在替硬件工程师干活了——写点前端代码、生成小脚本、查工具用法。可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，最终要落回一个物理实体上。“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。”

对当前芯片设计环节里的AI工具，他给了一个很具体的分级：L0到L1。市面上大多数所谓“EDA Agent”还卡在L0到L1之间——“给模型接了一个 shell，就敢说自己是 Agent”。即便是EDA三巨头之一自己发布的AI工具，在他看来“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”。

也就是说，剁椒酱谈的是“AI能不能学会芯片设计这件事”，晒哥谈的是“AI目前学会的那部分，在真实芯片交付里到底占多大比重”。两件事不是一回事。

两人其实有个共同判断：AI会持续往芯片设计里走。分歧不在方向，在节奏和重心——剁椒酱盯的是能力曲线怎么延伸，晒哥盯的是这条曲线在真实交付里落在哪。动力既然不是问题，关键就在落地进展。问题也就自然变成：大家现在到底做到哪一步了？

大家现在做到哪一步？国内外是否存在差距？

对国内进展，剁椒酱的判断很克制：大家都在水下。水面上能看到的，是此前月之暗面发布的Kimi K3 使用开源 EDA 工具和 Nangate 45nm 工艺库，完成了一颗面积约 4mm² 的芯片设计。9月份，千问官宣分别开展了两项面向生产环境的实验：芯片设计这边，Qwen3.8-Max从一份 NoC 模块规格出发，走完了 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，并持续优化端到端推理性能。

国外方面，Anthropic已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联合新思科技宣布达成多年期战略合作，共同开发面向芯片设计的专用 AI 模型 GPT-Synopsys。把国外的AI4Chip组合放在一起看，国内在EDA和模型两方面都偏弱。不过总的来说，国内国外，这条路离商业化都还有一段距离。

难处他也讲得很直白。芯片公司的经验大量不在纸面上，而在工程师脑子里、在保密文档里。眼下能想到的解法就是雇专家，没有更好的办法。AI4Chip成果好坏的评价标准，同样得靠行业专家来建，“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”，很难说哪个环节特别难。

晒哥的视角，是从落地困境切入的。

他提到行业里一个普遍矛盾，“态度很Open，行动很谨慎”：老板既想在这件事上有建树，又不太愿意做第一个吃螃蟹的人。公司当前不会立一个项、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可以，可demo不流片就只是demo；不少demo用的还不是商用EDA工具，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，也就进不了真实生产环境。

那国内外差距究竟多大？晒哥给了一个更具体的尺度：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。

芯片终究是软硬结合的东西。被问到国外EDA、制造链条完整先进，长期累积下来国内外差距会不会反而拉大时，晒哥持乐观态度，他把国内的优势锚定在应用端和需求量上。应用铺开之后，产品出货量能正向指导它往哪个方向改进、升级，而不是靠旧有数据、旧有指标来指导改进。放到AI4Chip上也是同理：真实应用场景带来应用端的正反馈，这个正反馈再指导AI4Chip去增强。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。

这也解释了他为何把国内赶超的路径概括成六个字：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，沿着旧有欧美路线走，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，北京经开区（全称北京经济技术开发区）对外公布了《“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）》，这份文件也被叫作“AI4Chip 20条”。它是国内第一份专门面向AI4Chip的政策，落点在集成电路产业，围绕“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”育芯五项行动集中推进。按照文件设定的目标，到2028年，北京经开区要基本搭起集成电路产业的AI融合发展体系，扶出3~5家在国际上有影响力的AI4Chip生态型领军企业，并形成10个以上能在行业内推广的标杆应用。

图源：北京经济技术开发区官网

不过，政策能不能解决“第一个吃螃蟹的人”的问题？答案恐怕还是偏谨慎。流片这笔账值不值得算，属于商业决策，政策替代不了。真正的拐点不在文件发布那天，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全流程跑完并且跑成了的那天。

说到底，眼下是“有demo、有政策、有招聘，但缺真实流片和商业闭环”。那要是真跑通了呢，芯片行业会被改成什么样子？

夹在中间的芯片设计公司：是被挤扁，还是被逼出新的形状？

前面两位已经在一点上想到了一起——AI会越来越深地进入芯片设计，可短期离“生成即交付”还差得远，卡住人的是验证、流片和责任。顺着这个往下问，问题就不再是“AI能不能做芯片”，而是更实际的另一层：AI真的一步步做进来，谁的利益会被重新分？

剁椒酱的判断很形象。他说，原来的芯片设计公司会被夹在大模型和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，两头都在拿走原先由人提供的价值。哪头拿得多、哪头拿得少，他的说法是“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”。

对这个“三明治结构”，晒哥没有直接反对，而是换了个角度补了一笔。他觉得EDA厂商不会随便下场做芯片：芯片种类太多、场景需求的总量他们接不住；更关键的原因不在技术，在基因。EDA厂商靠“卖license”赚钱，卖铲子的人不会轻易改行去挖金子。至于大模型厂商，他同意模型厂商为了把利润做大会有往上游走的动力，但走法更可能是深度参与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、互联网公司都在做；另一头是AI加持下的新兴公司从旁边包上来。传统芯片设计公司要是不变，很快会掉到第三方服务商的位置。“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。”

放到整个芯片行业看，AI4Chip带来的改变，晒哥划了一条很利落的分界：得看是“AI+”还是“+AI”。只给现有流程加个AI助手，那叫“+AI”；真叫“AI+”，是组织形式和分工结构跟着变。

他设想，以后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”。大兵团作战大概会少下去，替上来的是认知对得上号的小型组织，靠AI干完以前只有大公司才干得成的事。当然，前提是有AI加持，而且急不得——他估计5年会有大转变，10年内也许整体范式都会变。

剁椒酱看到的变化在需求那一侧：长尾需求会被激活。中国应用端碎得很，不少定制芯片原先“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的需求。

那芯片设计公司会不会被挤？两位受访者的说法最后收到同一个点上：会重新分层。能做出不可替代的新东西的公司，会把两头挤出来的价值接走；只会做同质化交付的，会往第三方服务商滑；长尾市场里则会冒出一批新玩家，借AI用更小的团队、更低的成本做定制芯片。

那么，出现什么信号，才能说AI4Chip真的成立了？

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，还有“不再讨论”。

先把伪信号排掉。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，按两位受访者的判断合起来，可以列成一张清单。

第一，真流片，不是demo。晒哥讲得挺直接：demo不流片就只是demo。时间表上，他的判断是“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。”剁椒酱说的“端到端做简单芯片”对上的就是这个节点——不是生成一段RTL，是把整个流程走完、流片，拿回来还能工作。

第二，进得了商业EDA的signoff路径。不是开源工具跑通就算，得被主流流程认。商业EDA的signoff地位短期不会动，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，数据飞轮得转起来。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。”剁椒酱提到的“更好的scaling好的数据”，说的其实也是同一件事。

第四，商业化分成要清楚。基模厂商、EDA、芯片设计公司之间得形成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，就是一个早期信号。

第五点在于讨论的对象换了。晒哥说，真正铺开的时候，恐怕不会出现"XX年发生了XXX"那种能写进历史书的大事件。"更多是大家在讲这些工具做出来的芯片指标怎么样、用在哪里、出货多少——等媒体开始这么报，而不是还在报模型本身，那才算真落地。"到那时候，这个疑问自己就没了，没人再问"是不是下一个 Coding 场景"，大家都当寻常事。

两位受访者给出的时间表可以摆在一起看：剁椒酱估的终局是 5 到 10 年；晒哥认为 5 年会迎来一次大转变，10 年之内整个芯片行业的范式都会变。

当然，这些时间表都有个前提——世界照着剧本走。

可就在近日，行业用两天时间，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辞任，市值一夜之间几乎跌穿 4 万亿美元。Anthropic 则在 IPO 前夜放出新一代旗舰模型 Claude Fable 5.2，还与电路板设计制造公司 Diode 合作，让 Fable 5.2 依据一段简短要求，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，并开始"拆解"CUDA。

另一头，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，第一次被 AI 明显压了下去。

这两件事，事先没有一份研报预警过。行业的残酷也在这里：它只管让所有精心推演的时间表一夜作废。真到拐点来的时候，大概率也不会按我们此刻设想的样子出现。

不过无论从哪边看，时钟都已经开始走了。