AI会写芯片了，谁敢让它流片？

【摘要】当AI开始生成RTL、修改代码甚至自动调试，芯片设计似乎迎来了效率革命。但硅片没有“撤回键”：代码可以批量生成，正确性却不能靠概率保证。

今年的CCF芯片大会上，大家开始关注“证据闭环”，试图回答一个更关键的问题——AI会写芯片之后，谁敢让它流片？

这个问题也揭示了国产EDA的新机会：不只是替代工具，而是定义一套让机器负责生成、工具提供证据、工程师最终签核的可信流程。

以下为正文：

1994年秋天，美国弗吉尼亚州林奇堡学院的数学教授托马斯·尼利，正在用一组计算机研究孪生素数及其倒数之和。他原本追逐的是数字世界的秩序，却发现其中那台搭载奔腾处理器的电脑，在某些浮点除法中给出了错误答案。

英特尔后来解释，这种情况在随机数对中大约每90亿次除法才出现一次。但这个看似微不足道的缺陷，最终让英特尔在1994年第四季度确认了4.75亿美元的一次性税前计提，用于处理器更换、替换物料、库存减记及其他相关成本。

如果说这件事给芯片产业留下了什么启示，那就是：错误可以极其罕见，但信任从来不能靠概率。

32年后，地点转到无锡。

2026年7月，第三届中国计算机学会（CCF）芯片大会举行。会场上，人们讨论的对象已经从一张由工程师填写的查找表，变成了能够生成测试用例、修改代码、调用工具并自动调试的AI智能体。一众国产公司开始追逐确定性，EDA领域的代表性公司芯华章则在这里发布X-IVS智能验证系统、X-IDS智能设计系统和新一代高速仿真方案。

大家反复强调的其实是一个词：证据闭环。芯华章首席科学家徐强教授表示，AI Agent融入芯片研发流程，核心并不只是提升 RTL、测试用例等内容的生成效率，而是要将大模型概率化输出转化为可证明、可核验、可追溯、可治理的签核级证据。

这句话点出了这一轮EDA变革的真正矛盾：AI正在让代码变得越来越容易获得，却没有让可信度自动产生。未来芯片产业真正稀缺的，是一条能够回答“为什么可以相信它”的工业证据链。

01

硅片没有撤回键

如果把芯片验证理解为软件测试的加强版——写完设计，再找几个人挑错——就会低估半导体产业的残酷。

软件出现问题，通常还可以发布补丁、回滚版本。芯片一旦流片，设计便会被写进硅片，错误也可能被复制到成千上万颗芯片中。重新设计、重新投片、推迟量产、错过产品窗口，任何一项都可能吞掉一家创业公司的现金流，也可能打乱头部公司的产品节奏。

这种代价并没有随着产业成熟而消失。

2024年，英伟达Blackwell芯片在量产爬坡前遭遇设计问题。英伟达随后修改了GPU掩模以改善生产良率。黄仁勋后来承认，芯片原有功能并不需要改变，但设计问题拉低了良率，责任“100%在英伟达”，台积电则协助其完成了修复。

这虽然不是功能错误，却揭示了一条产业规律：一颗芯片“能够运行”，不代表它已经满足可制造、可交付和可盈利的全部条件。

因此，验证不是流片前的一次考试，而是把功能、时序、功耗、物理实现乃至系统风险逐层落定为证据的过程。

EDA的数字验证，则是这座证据工厂中最靠近逻辑正确性、也最不能失守的一层。

仿真负责在大量场景中观察电路行为；形式验证在给定模型和约束下证明属性成立，或者给出错误反例；覆盖率衡量哪些代码结构、状态和功能目标已经被触达；调试再结合波形、源代码和信号传播路径追查故障源头。

Cadence在2026年发布ChipStack AI Super Agent时披露，英伟达有数千名工程师，每年投入数十亿计算小时、运行数百万次测试来验证设计。由此可见，今天的验证已经成为一座消耗海量算力、数据和人力的持续生产系统。验证团队需要做的工作会更加复杂。

问题在于，传统EDA流程往往以工具为中心：规格文档在一处，断言在一处，仿真结果和形式验证结果各有数据库。设计复杂度上升时，最先失控的可能是证据之间的关系。

所以，下一代验证平台的竞争应该更加关注确定性。这也是芯华章反复强调统一覆盖率数据和证据闭环的原因：仿真、调试、形式验证不应只是几件各自工作的工具，而要共同回答每个结论来自哪项需求、基于什么假设、经过哪些检查，又由谁最终确认。

02

代码易得，信任难求

在验证如何生产可信证据之外，到了AI时代，问题还会多一层：当设计方案可以批量生成，验证能否跟得上？

从C/C++生成RTL并不是新事物。所谓RTL，可以理解为描述芯片内部电路行为的工程语言；把C/C++算法转换为RTL，就是把软件层面的计算过程翻译成真正可以综合为硬件的电路结构。高层次综合工具已经做了多年，但AMD的Vitis HLS至今仍要求进行C/RTL协同仿真，因为“生成了一段电路”与“生成了正确的电路”是两回事。

大模型改变的首先是速度。过去工程师逐个尝试的方案，如今智能体可以同时生成几十个版本，并围绕功耗、性能和面积反复优化。

风险也由此产生。

一个版本面积变小，可能是结构更优，也可能是漏掉了边界条件，若缺少等价验证、仿真和完整约束，漂亮的数字并不能证明设计可用。AI像突然开出了十条设计生产线，验证窗口却仍只有一个，未经证明的候选方案越积越多，最终形成的便是AI加速效率之后留下的债。

2026年6月发布的RTL-BenchLS预印本提供了一个直观参照。研究者用一万多个经过形式验证的Verilog设计测试八个大模型。即使表现最好的模型，在自然语言重建设计、补全缺失逻辑和修复真实仓库缺陷上的通过率，也分别只有约23%、28%和12%。

这说明模型在简单题上会写代码，并不等于它能理解复杂芯片中的并发、时序和接口关系。

因此，2026年全球EDA厂商的重点已从“给工具接入大模型”，转向让Agent调用仿真、形式验证和调试引擎。Cadence强调受治理的工程环境，Synopsys则把多类Agent接入自动调试闭环。

它们指向的是同一个方向：模型负责提出方案，EDA引擎负责提供证据，工程师保留最终签核权。

所以，Agentic EDA真正要解决的是谁能让生成、验证、修正和审批持续闭环。代码正在变得便宜，可信度却不会自动产生，下一代EDA最重要的资产，也将从工具功能进一步转向可复核的工程流程。

03

不做平替，去定义流程

过去谈国产EDA，往往有一张工具清单：别人有什么，我们补什么；国外软件能打开什么格式，国产工具能不能打开；国际流程能跑到哪一步，本土工具又能跑到哪一步。

这是必要的追赶，却也容易掉进“工具平替”的陷阱。

用户真正难以迁移的，是多年沉淀的模型、脚本、数据库、方法论以及团队对结果的信任。逐项复刻旧工具，看似补齐了产品，实际上还是在对手定义的坐标系里。

AI带来的窗口，在于旧流程本身正在被重写。

如果把芯华章在CCF发布的两套系统形象化，X-IDS更像“设计车间”：它尝试把算法和C/C++代码转换成可以制造的硬件描述，并围绕功耗、性能和面积不断生成新方案；X-IVS则像“质量控制中心”，让仿真、调试和形式验证等专业Agent检查这些方案，返回波形、覆盖率、数学证明或者错误反例。

设计端提出方案，验证端给出证据，系统再依据证据修正下一轮，AI不再只是对自己的答案进行自我评价，而是必须接受EDA工具的检查。

芯华章CEO谢仲辉在CCF现场说得很直接：“我们不单纯追求AI生成能力，而是以‘证据闭环’为核心。”

芯华章披露的两个项目，可以更直观地理解这条路线。

第一个项目是一块低功耗无线芯片的电源管理模块，包含约500行硬件描述代码和821个需要追踪的内部状态。Formal Agent为它生成了79条“断言”。系统根据这些规则，找出了两处已经存在于模块中的历史缺陷，端到端过程用时23.8小时。

第二个项目的规模更大：7.5万行RTL代码、近万个内部状态。客户过去没有形式验证基础，系统在7小时内形成了480余条断言，不仅找出了电路代码中的缺陷，还发现了寄存器说明文档里的错误。

后一个细节尤其值得注意。

传统验证通常默认规格文档是正确答案，工具只负责检查代码有没有照着文档实现。但在真实工程中，文档本身同样可能出错。当验证系统能够让代码、文档、测试规则和工具结果相互核对，它检查的就不再只是某段RTL，而是整个认知链条。

芯华章与无问芯穹在CCF现场推出的EDA AI一体化方案，也可以放在这个逻辑下理解。它表面上是一套软硬件部署方案，背后处理的却是Agentic EDA进入生产环境的安全门槛：RTL代码、网表、波形、覆盖率和历史Bug，都是芯片公司的核心知识资产，不能为了调用大模型而随意离开企业的安全边界。

模型是否最强固然重要，数据留在哪里、Agent能看什么和改什么，同样决定它在项目中的价值。

更重要的考题也由此出现。证据能不能跨项目、跨工具复用；AI修改过的规格、约束和豁免能不能完整追溯；企业公布的效率提升，能不能在CPU、GPU和车规芯片等更大规模项目中被独立复现。

这也意味着，衡量国产EDA的标准需要改变。

过去看的是安装了多少套工具，未来要看有多少关键任务能够在本土流程中完成闭环，又有多少结论能够被工程师和第三方重新验证。

替代一个按钮，只能拿到一张订单；定义一条可信、开放且可迁移的工作流，才有机会建立真正的产业生态。

04

尾声

SEMI旗下ESD Alliance的数据显示，2026年第一季度，包含EDA、半导体IP与设计服务在内的电子系统设计产业销售额达到57.478亿美元，同比增长12.7%。

但EDA的战略价值，不能只用市场规模解释。

它更像半导体工业的“认识论”：工程师用什么方法知道一项设计是正确的，又凭什么允许数十亿颗晶体管被同时复制。

当AI开始参与设计芯片，行业面对的风险反而更隐蔽：错误可能语法完美、逻辑顺滑，甚至附带一段很有说服力的解释。越是如此，EDA越不能沦为自动生成流水线，它必须成为自动质疑、自动求证和持续留痕的系统。

这也是观察芯华章等一众EDA企业的合适尺度。

中国EDA下一阶段最重要的跃迁，是从跟随既有流程走向定义可信流程。当AI让写代码变得越来越便宜，产业最终愿意高价购买的，只会是那件更传统、也更困难的商品：对一颗芯片可以被交付的信任。