春晚那段宇树科技机器人武术表演动作流畅得让人起鸡皮疙瘩。不是因为炫酷而是因为恐惧——那些以为还要等十年的技术已经在春晚舞台上商业化展示了。那些”绝不可能”正在批量崩塌一年前行业共识是AI画不好人的手指。现在Midjourney v6的细节已经能过设计师的眼。一年前大家说AI代码只能写写简单函数。现在Claude能输出完整的复杂APP测试覆盖率比人写的还高。一年前还有人坚持自动驾驶需要高精地图。现在特斯拉FSD纯视觉方案已经在城市道路跑了几十亿英里。每一次”不可能”的倒塌间隔时间都在缩短。而芯片设计曾经被认为是AI最难攻克的领域之一现在防线正在瓦解。Google在2020年就发论文用强化学习做芯片布局效果超过人类专家。当时大家还觉得这只是学术研究。现在再看EDA工具的更新日志你同样感觉一切都在加速。一个芯片从RTL到GDS中间要经历综合、布局、布线、时序优化。每个环节都有几十上百个设计选择。以前靠工程师经验暴力搜索现在AI直接学习什么样的布局能让关键路径最短什么样的buffer插入策略能满足时序约束。更进一步的是架构设计。AI通过分析workload特征自己找到性能瓶颈自己提出架构改进方案。给AI一个目标设计一颗能效比最高的AI加速芯片。给它足够的仿真环境和验证数据。理论上它能探索的设计空间比人类大几个数量级。从辅助到自主只差一个算力阈值现在的AI芯片设计工具还需要人来设定约束、人来review结果、人来做最终决策。但这个边界在快速模糊。# 现在的流程 constraints engineer.define_specs() # 人定义 design ai.optimize(constraints) # AI优化 result engineer.review(design) # 人审核 # 未来的流程 requirements 7nm, 300 TOPS, 15W chip ai.autonomous_design(requirements) # 端到端 validation ai.self_verify(chip) # 自我验证技术上没有根本障碍。芯片设计的每个环节都是可形式化的HDL代码可以自动生成功能验证可以自动覆盖物理实现可以自动优化。缺的只是把这些环节串起来的超大规模模型。而训练这样的模型需要什么海量的设计数据和足够的算力。巧了这两样东西都在指数级增长。每一颗流片的芯片都会产生完整的设计数据。每一次仿真都会生成性能指标。这些数据喂给AI它就能学会什么样的设计能work什么样的优化有效什么样的trade-off最优。当工具变成了主导者为了提高效率工程师不断改进EDA工具的AI功能。为了降低成本企业不断投资自动化设计流程。每一次改进都让AI更智能一点也让人的必要性降低一点。这不是某个公司或某个人的决策这是整个行业的集体选择。当所有人都在追求效率最大化最终的结果就是人被优化掉了。看到春晚那个机器人突然意识到一个事实如果AI能精确控制几十个关节做出完美的武术动作那它肯定也能协调几十亿个晶体管做出最优的电路设计。这两件事本质上是一样的——都是在巨大的状态空间里找到最优解。而这恰好是深度学习最擅长的。没有什么是真正安全的以前觉得创意工作是安全的结果AI画画写诗比人还6。后来觉得代码是安全的毕竟需要严密逻辑结果AI刷LeetCode比大部分程序员还快。再后来觉得芯片设计总该安全了吧这么硬核的技术。现在发现硬核恰恰意味着规则明确而规则明确的领域正是AI的天下。当AI能完全自主设计芯片的那一天不是科幻是可以预见的未来。可能五年可能三年也可能某个实验室已经做出来了只是还没公开。技术进步不会征求任何人的同意。它只会加速加速再加速。直到有一天回头看那些曾经觉得”绝不可能”的事情已经成了理所当然的现实。