中国AI突破「造芯方法论」！Agent军团接管芯片设计全流程

RSI（Recursive Self-Improvement，递归自我改进）正在成为人工智能领域最受瞩目的前沿方向。

当模型可以自主生成任务、自动验证结果、并把每一次试错沉淀为能力，智能的增长第一次摆脱了对人类数据的依赖，进入自我复利的轨道。

AI进入自进化时代，整个行业都在等一个答案——RSI的方法论会在哪些场景率先落地。

而芯片设计，一直被认为是现代工业体系中最复杂的工程任务之一。

从晶体管级模拟电路设计，到数字逻辑综合、物理实现、版图优化，再到最终流片验证，一个先进芯片的诞生需要跨越数十个专业环节，涉及半导体物理、电路理论、计算机体系结构、算法优化以及制造工艺等多个领域。

但也正因为它有一套独有的确定性验证体系（DRC、LVS、时序签核就是「判卷人」），芯片设计正在成为RSI率先兑现商业价值、走向工业落地的赛道。

NovaSilicon（芯星元智能）正是在这一波浪潮中的明星创业团队。

近日我们获悉，NovaSilicon宣布完成新一轮融资，由商汤国香资本领投。

公司成立于2026年5月，在过去一个多月内已经快速连续完成两轮近亿元融资，分别由五源资本和国香资本领投。融资将主要用于持续打造面向芯片行业的超级智能系统。

未来，NovaSilicon将沿着这一技术路线持续推进，逐步构建具备完整芯片工程师能力的超级智能系统，覆盖芯片设计中的各个关键环节。

公司的最终目标，是让超级智能能够直接执行真实芯片订单，从设计、优化到验证交付，实现芯片设计产业链的智能化升级。

NovaSilicon的创始人李林阳博士，本科毕业于复旦大学信息学院，博士毕业于复旦大学自然语言处理实验室，师从邱锡鹏教授，现任上海人工智能实验室青年科学家、香港中文大学人工智能研究院博士后。

他曾参与国内首个开源大语言模型MOSS的研发，参与书生系列模型的预训练和后训练，并带队完成国内首个兼具专业围棋能力与自然语言思维解释能力的大模型InternThinker。

虽然成立还不到3个月，NovaSilicon已经成功探索出数个覆盖芯片设计不同环节的Super Intelligence System，并和行业头部客户签订千万级订单，即将大规模应用，大幅加速芯片交付的速度和质量。

NovaSilicon最近发表了一篇有关超级智能在芯片领域运用的方法学论文。

论文地址：https://arxiv.org/abs/2608.14035

论文详细分析和介绍了芯片设计过程中超级智能系统的构建与运行，包括如何构建一个「边界感知的超级智能」（Thinking Boundary Aware Super Intelligence），它和传统AI EDA方法的根本区别，以及最终如何用这套方法论重塑整个芯片设计行业、完成产业链变革。

本文是对这篇论文的详细解读。

芯片设计超级智能的探索

过去几十年，芯片设计效率的提升主要依赖EDA（Electronic Design Automation，电子设计自动化）工具的发展。

EDA工具把大量人工设计经验转化为软件流程，让工程师能够借助计算机完成复杂设计任务。但随着芯片规模不断增长、先进制程不断演进，传统EDA方法正在逐渐接近自己的能力边界。

当一个行业的复杂度已经超过单个人脑、单套规则、单个算法所能承载的边界，AI应该以什么形态介入？

一个可以给出的答案，不是「一个更强的优化器」，也不是「一个更聪明的Copilot」，而是一个AI组织（AI-organization）——

把芯片设计超级智能建模为一个由多个智能体组成、能够自主运行、自主协作、自主进化的智能系统。

这一判断背后，是复杂工程系统智能化的一条底层规律。

系统最终能够解决的问题规模，并不取决于某一个个体有多聪明，而取决于系统的组织结构能不能承载足够高的复杂度。

芯片设计为什么需要新的AI范式？

芯片设计的本质，是在巨大的设计空间中寻找满足性能、功耗、面积、可靠性等多重约束的最优解。

以模拟芯片设计中的晶体管尺寸优化为例。一个模拟电路通常包含大量晶体管，每个晶体管都有多个关键参数，其中最重要的是宽度（Width，W）和长度（Length，L）。

不同的W/L组合会直接影响晶体管的驱动能力、增益、带宽、噪声、功耗和稳定性。

因此，一个看似简单的尺寸调整问题，本质上就是在一个高维连续空间中寻找最优解。

假设一个电路包含100个晶体管，每个晶体管需要调整W和L两个参数，那么搜索空间理论上就是一个200维甚至更高维的连续空间。

如果再把工艺变化、温度变化、电压变化、匹配约束和稳定性要求都算进去，实际问题的复杂度还会进一步提升。

这也是为什么传统EDA通常依赖大量人工经验和数学优化算法。

人工定义搜索空间

传统EDA的方法与瓶颈

在传统EDA流程中，工程师通常不会让算法直接搜索整个空间。

原因很简单，真实世界中的设计空间巨大到无法直接穷举。

因此，工程师会提前加入大量规则，比如Design Rule（设计规则）、Matching Constraint（匹配约束）、Operating Region Constraint（工作区域约束）、Saturation Region（饱和区）限制，以及各种工艺经验规则。

这些规则实际上是在帮助算法回答一个关键问题。哪些地方值得搜索，哪些地方没有意义。

换句话说，人类工程师用自己的知识和经验，对原始搜索空间做了一次人工剪枝。

之后，算法再利用贝叶斯优化（Bayesian Optimization）、遗传算法、强化学习等方法，在缩小后的空间中寻找最优解。

这种方式过去非常有效，因为芯片设计知识相对稳定，人类专家能够总结出大量经验。

但随着芯片复杂度不断提高，这种模式开始遇到瓶颈。

原因在于，规则的增长速度跟不上问题复杂度的增长速度。

复杂工程中的大量失败案例，并不是由单一因素造成，而往往来自多个因素的组合。

A因素本身不会导致问题，B因素本身也不会导致问题，C因素同样没有明显风险。但A+B+C+D组合之后，可能产生严重失效。

这种「长尾组合问题」是复杂系统的典型特征。

而组合空间随着维度增长呈指数级扩张，人类工程师不可能无限增加规则。

所以真正的问题并不是「如何写更多规则」，而是「未来由谁来定义搜索空间」。

从静态规则到动态认知

AI重新定义Action Space

在人工智能领域，Action Space（动作空间）决定了智能体能够探索什么。

一个智能系统能力的上限，很大程度上取决于它面对的问题空间是否被合理定义。

传统EDA的路径是，工程师定义规则 → 算法搜索 → 得到结果。

而未来AI驱动的芯片设计系统可能变成，AI理解物理规律 → 动态判断有效空间 → 自主搜索 → 总结经验 → 更新策略。

这是一种从「静态约束」到「动态认知」的变化。

核心变化不在优化算法本身，而在于谁拥有定义问题空间的能力。

LLM进入芯片设计

从数据拟合到物理理解

传统优化算法最大的限制，在于它们通常只看到数字。

例如，一个优化器可能看到的是[W1, L1, W2, L2, W3, L3...]。

但它不知道W1对应哪个晶体管，不知道这个晶体管处于什么电路结构，不知道参数变化影响什么物理机制，也不知道哪些区域违反半导体物理规律。

它本质上是在做数学空间搜索。

而大语言模型（LLM）的价值，在于它能够引入语义理解能力。

放到芯片设计上，AI看到的不再只是参数，而是参数背后的工程意义。

比如，为什么某个晶体管需要进入饱和区？为什么gm/ID方法能够指导模拟设计？为什么某种拓扑结构适合低功耗场景？为什么某些参数组合虽然数学上可行，物理上却不可实现？

LLM提供的不是简单的预测能力，而是一种「物理语义引擎」。

数据往往是稀疏的、任务相关的，物理规律却是普适的、可以迁移的。

这正是AI应用于科学和工程领域的重要价值。

从Copilot到AI Organization

目前市场上大量AI+芯片方案，本质仍然属于辅助工具。

比如自动生成代码、自动解释仿真结果、辅助工程师调试、提供设计建议。

这些工具提高的是个人工程师的效率。

但如果目标是实现芯片设计的范式变化，仅仅提升个人效率是不够的。

原因在于，芯片行业最大的限制已经不是工具不足，而是人的认知带宽有限。

一个复杂芯片项目，需要模拟设计专家、数字设计专家、工艺专家、验证专家、物理实现专家、系统架构专家等等。

这些角色之间存在大量复杂协作。

因此，未来需要的不只是一个AI工程师助手，而是一整个AI工程组织。

不同智能体承担不同职责。架构Agent负责系统规划，模拟设计Agent负责电路优化，验证Agent负责发现问题，工艺Agent负责制造约束，优化Agent负责探索设计空间，评估Agent负责权衡取舍。

这些Agent之间不断交流、竞争、验证和学习。

这类似于现代软件工程从单体程序发展到微服务架构。当系统复杂度超过单个模块的承载能力，就必须通过组织化实现扩展。

以AI参与的版图设计任务为例，启发式规则、智能体使用工作流方法、完全自主智能体系统方法，三种方法完成同一个版图任务，就能观察出版图设计水平的进步。

图（1）（2）（3）分别为启发式规则、智能体使用工作流方法、完全自主自动智能体系统方法。（图片来源https://arxiv.org/pdf/2608.13767；https://arxiv.org/abs/2608.14035）

为什么是现在？

这条基于AI系统的路线能够成立，主要基于三个变化。

第一，LLM能力跨越关键门槛。

过去的大模型主要被认为是文本生成工具。

但近年来，LLM已经展现出长链路推理能力、工程知识理解能力、跨领域知识迁移能力和工具调用能力。

它正在从「语言模型」向「通用推理系统」演进。

第二，多智能体系统正在成为新的AI组织形式。

从软件开发到科研自动化，多Agent系统正在证明一件事。复杂任务不一定需要一个超级模型完成，而可以通过多个具有不同能力的智能体协作完成。

芯片设计可能成为这一模式最有价值的应用场景之一。

因为芯片设计天然具有多专业协作、长流程、高知识密度、高经济价值这几个特征。

第三，芯片产业需要新的速度尺度。

传统芯片设计周期通常以月甚至年计算。

如果AI系统能够真正承担设计工作，定制化芯片的设计周期就有机会从「以人类工程师工作速度为基准」，转变为「以AI系统迭代速度为基准」。

这意味着芯片创新速度可能发生数量级变化。

未来的竞争，不只是谁拥有更多工程师，而是谁拥有能够持续进化的芯片设计智能系统。

从程序到组织

芯片设计智能化的新范式

传统自动化依赖固定流程，步骤1 → 步骤2 → 步骤3。

这种方式适合规则明确的问题。

但真正复杂的问题，需要自主规划、动态决策、多Agent协作、自我学习和持续优化。

因此，未来芯片设计AI的发展方向，不是简单地自动化EDA流程，而是构建能够自主完成工程任务的智能组织。

芯片设计超级智能不是一个更强的软件工具，而是一套新的工程生产方式。

未来，逐步构建具备完整芯片工程师能力的超级智能系统、覆盖芯片设计中的各个关键环节，是AI4Chip的行业聚焦。

而最终目标，是让超级智能能够直接执行真实芯片订单，从设计、优化到验证交付，实现芯片设计产业链的智能化升级。

参考资料：

https://arxiv.org/abs/2608.14035

编辑：摩西