最近几年中美两边的芯片和AI大模型发展速度快得有点反常。英伟达一年一个架构国内几家AI芯片公司也在跟着死命往前跑。大模型更夸张新版本还没捂热下一个就已经在测了。硅谷和国内头部公司都摸清楚了同一件事在不确定的市场里速度本身就是竞争力。英伟达的CUDA生态为什么那么难撼动不是因为技术上无懈可击是因为它跑得足够早开发者习惯已经固化了。国内AI芯片的真实处境也印证了这一点——硬件每年在变软件栈还在补上一代的课。这不是资源问题是迭代方式的问题。大模型这边更直接。早期实现很粗糙但先跑起来的团队积累了真实的访问模式数据后续优化有了依据。工程经验是一种壁垒而且只能通过实际跑来积累。AI工具本身正在改变芯片研发的工作流程。这件事比很多人意识到的要快。不是说能完全替代是说辅助的边界在快速扩张。一个具体的场景以前写一个模块的验证testbench从理解接口时序到写出覆盖边界条件的测试用例可能要一两天。现在用AI辅助给出接口定义和协议描述初版testbench一个小时内可以出来剩下的时间用来review和补边界case。// 给AI的输入AXI4-Lite从机接口需要覆盖 // 1. 正常读写时序 // 2. 背靠背事务 // 3. READY信号拉低的等待情况 // AI生成初版工程师审查逻辑正确性 // 重点放在时序约束是否准确边界条件是否完整节省下来的时间不是用来休息的是用来跑更多轮迭代的。AI工具压缩了单次迭代的成本意味着同样的时间里可以跑更多次验证、更多种方案对比。整个研发节奏在提速。不跟上这个节奏的团队会发现自己的交付周期跟同行的差距在拉大而且这个差距会越来越明显。对于AI辅助工具也是一样——没有实际用过的人对它能做什么、不能做什么判断会严重失真。要么高估觉得什么都能生成要么低估觉得生成的东西不可信。只有用起来才知道边界在哪。中美跑得快的团队都在用同一种方式做事定一个足够清晰的短期目标动起来拿到反馈调整再动。现在这个节奏里AI工具是加速器但加速的前提是你本身在动。对工程师来说参照系很简单手上有没有一件事在推进有没有真实的数据在产生没有先找一件小的动起来。