AI开始造芯，科学家们却说人类最该练的是提问

摩尔定律带来的红利正在退潮，算力需求却一路猛涨。2026世界顶尖科学家论坛上，多位科学家和产业人士都提到，AI如今已不只是芯片产业的辅助工具，它正往芯片设计、架构创新甚至晶圆制造设备的最底层扎进去。下一个十年芯片产业怎么走、科研创新人才怎么带，成了科学界和产业界绕不开的共同议题。

AI for IC

在中国科学院计算技术研究所副所长陈云霁看来，AI时代里AI与IC（集成电路）这两块基石会走向融合交汇。他在人工智能平行论坛上说，一个方向是AI for IC，也就是让人工智能自动设计出更优的芯片；另一个方向是IC for AI，用芯片把AI的推理和训练跑得更高效。他进一步设想，两个方向一旦结合，未来或许会形成RSI（递归自我改进）的新循环——AI造出更好的AI芯片，AI芯片再反过来养出更好的AI技术。

陈云霁举了个例子：去年团队让AI自动设计的芯片启蒙2号，能自动切流水、自动加cache，性能与ARM A53相当，大致相当于十多年前人类主流的CPU。他说，沿着这条路继续走，AI自动设计的处理器芯片总有一天能追上人设计的芯片，甚至做得更好。

制造与设备这一端，AI的推力同样直接。拓荆科技董事长吕光泉在未来半导体平行论坛的主旨演讲中提到，2nm节点设计成本猛涨，2026年只有5%的IC/ASIC项目能首次流片成功，而2012年这个数字是32%。试错代价这么高，半导体技术正朝三大趋势演进：更小的

吕光泉介绍，半导体设备本身极其复杂，沿用传统物理调试办法，成本高、周期也长。设备巨头正把AI装进设备内部，做“虚拟制造”。泛林（Lam）等厂商用物理模型搭出虚拟晶圆厂（数字孪生），让特定刻蚀建模步骤的运行速度最高提升30倍；应用材料（AMAT）则借助AI平台做实时工艺分析，每小时能处理超过百万次的三维晶圆测量。

拓荆科技的做法是让物理腔体与虚拟腔体之间双向映射海量数据，从而实现实时工艺预测、设备健康监测（预测性维护），以及晶圆传输调度的优化。

吕光泉还透露了一组效率上的变化：“在失效分析等场景中，AI代理可自动执行测试任务，将原本需要数百工时的工作压缩到了5.5小时以内。”

芯片产业的人才培养也在转向。纯版图绘制者（Layout Drafter）要向注重系统规范、算法设计、架构探索的“系统架构师（System Architect）”转型，教育的逻辑得从“以实施为中心”改到“以创新为中心”。

为了填上产线与课堂之间的沟，吴汉明团队推行“Virtual-First, Physical-Validation”（虚拟先行，物理验证）的FabGPT方案，还推进“一生一芯”，让高校学生真正到12英寸产线上接触硅片，体验真实的产线环境。

AI时代如何培养新一代科学家

芯片产业的这番变化，只是AI改写科学范式的一个切面。中国科学院院士何积丰在人工智能平行论坛上表示，自己最近比较关注的话题之一，就是AI时代的人才培养。

他说：“现在AI能够完成过去只有专业科研人员才能实现的复杂工作，但我们必须清醒看见背后的本质：AI所有输出的深度、边界与质量，都取决于人类的认知深度。完备的专业体系、评判标准、任务目标，全部来自于人；AI擅长执行任务、生成结果，但无法自主定义真正的研究问题，也难以甄别潜藏的缺陷与风险。”在他看来，AI时代要练三种能力：定义问题、验证AI产出，以及做有道德的判断。

类似的意思，在与会顶尖科学家的发言里被反复提起。2013年诺贝尔化学奖得主、

中国科学院上海有机化学研究所生物与化学交叉研究中心主任袁钧瑛接受第一财经等媒体采访时说：“AI cannot ask a good question（AI提不出好问题）。”她还说，团队现在正“逼着”学生去提问。

袁钧瑛讲了自己的科研经历。多年前在哈佛大学读博时，她提了一个当时被看作冷门、连导师都劝她别做的朴素问题：“细胞是如何死亡的？”正是这个当年在文献里几乎找不到同行的“好问题”，后来开辟出程序性细胞死亡研究的全新领域。

本届顶科奖得主、复旦大学教授陈培宁回答第一财经记者提问时表示：“AI是一个很好的加速器，但它目前还解决不了所有物理机制问题。不要因为有了AI，就觉得不需要思考了，提出好的问题依然是最关键的。”

面对AI带来的效率革命和科研焦虑，本届顶科奖得主、北京生命科学研究所副所长邵峰受访时呼吁，科学研究的本质是探索未知，整个生态应当允许青年科学家盯住科学问题本身，敢于尝试，敢冒风险。

“实验科学研究注定伴随失败，要做好大部分尝试都会出错的心理准备，然后继续前行。”邵峰说。