對話高正祺：AI五年內或接管芯片設計全流程，人類只做最后確認

2021 年，高正祺到 MIT 讀博士時，ChatGPT 還沒有發布。五年后，他已經可以把一份模擬電路網表交給 Codex，讓 agent 自己安裝環境、調用設計工具、處理報錯，最后生成交付制造所需的 GDS 版圖文件。整套流程里，他幾乎不需要動手寫代碼。

在芯片行業里，這是一種相當劇烈的變化。設計一顆芯片，需要把數百萬乃至更多晶體管按照預定功能連接起來，任意一條線出了問題，都可能導致昂貴的流片失敗。工程師過去不僅要懂電路，還要熟悉 Cadence、Synopsys 等公司提供的一整套電子設計自動化工具；遇到晦澀的報錯，很多時候只能依靠經驗和同行之間的“口口相傳”。

如今，模型開始接手這些工作。在高正祺看來，最前沿的模型已經相當于一名初級到中級芯片工程師。再過五年，客戶或許只需要提交一份包含性能、面積和功耗要求的文檔，agent 就能在 24 小時內完成從代碼到版圖的設計，人類只保留最后一步簽核。

在更遠的未來，甚至模型也將自己訓練下一代模型，或是參與設計更適合下一代模型的推理和訓練芯片；新芯片制造出來，再承載能力更強的模型。一條由模型、軟件和硬件共同推動的加速閉環由此形成。

“我覺得這是很恐怖的一件事情。”高正祺說。

圖丨高正祺（來源：受訪者）

在高正祺的經歷里，機器學習與芯片設計很早就出現了交集。他 1996 年出生于沈陽，本碩就讀于復旦大學微電子專業。本科所在的卓越工程師班橫跨多個學科：他既學半導體物理、模擬和數字集成電路，也學數據結構、算法和計算機體系結構。這讓他很早就能同時理解芯片與機器學習兩種技術語言。

大四開始，他給機器學習經典教材《模式識別與機器學習》（PRML）做習題解答，一天一道，持續了一年半，幾乎補全了整本書。開源答案后來在 GitHub 上獲得上千個星標，也把他帶進了用機器學習分析電路的研究。讀研第一年，他便以第一作者發表了兩篇 EDA 頂刊論文和一篇頂會論文。

之后五年，他在 MIT 研究集成電路與光子芯片的設計自動化，獲得過 DAC 博士論壇第一名，并入選 MLCommons Rising Star。2026 年 5 月博士畢業后，他進入 Anthropic 新設的 STEM Fellow 項目，這是一個面向理工科博士的短期研究項目，他在其中研究怎么提升模型在芯片設計上的能力。未來，他將加入密歇根大學電子與計算機工程系，擔任終身教職序列助理教授，繼續探索 AI、電子芯片與光子芯片的交叉方向。

這條個人路徑，正和今年 AI、芯片兩個行業的變化合流。6 月，OpenAI 與博通發布首顆自研推理芯片 Jalape?o，從設計到流片只用了九個月。另一邊，由 AlphaChip 兩位作者創辦的 Ricursive Intelligence，結束隱身約兩個月便獲得 40 億美元估值；統治芯片設計工具市場三十多年的 Cadence 和 Synopsys，也開始把 agent 寫進產品路線。

過去，“用 AI 設計芯片”和“為 AI 設計芯片”還是兩條相對獨立的技術路線。現在，它們開始互相推動：模型公司需要更適合自身負載的芯片，而這些芯片的設計又越來越多地由模型參與完成。高正祺的研究與職業選擇，恰好沿著這個反饋回路展開。

這次對話從他如何進入微電子、為什么把個人選擇理解為一個個“局部最優解”談起，逐步進入 EDA 工具的壟斷與重構、AI-EDA 創業熱潮、推理芯片的市場格局和半導體產能周期。最后，我們談到了一個更難回答的問題：當模型能夠完成越來越多研究與工程工作，未來還有什么問題，值得人花五年甚至十年去探索？

以下是 DeepTech 與高正祺的對話

“每一刻都只有一個局部最優解”

DeepTech：今天很榮幸能和高正祺博士對話，先請你向讀者介紹一下自己過去的經歷吧。

高正祺：我可以從本科開始講起。我選擇專業其實有很多偶然。我是遼寧沈陽人，2014 年參加高考，高考前通過復旦的自主招生拿到了降分，降到一本線。那一年遼寧的題出得有點難，或者說有點奇怪，很多人的分數變化非常突然，排名也變了很多。我最后就是靠這個降分政策去了復旦。我的分數其實沒夠復旦在遼寧的提檔線，所以沒有選專業的權利，只能在技術科學實驗班和自然科學實驗班里面選。我自己的興趣比較偏向技術科學實驗班里的專業，就去了那邊。

第一年在大類里學習，之后要分流。當時我挺猶豫的，主要在兩個專業之間：一個是卓越工程師班，我們是第二屆，這個班會學幾乎所有工科的專業知識，偏計算機的數據結構與算法、計算機體系結構，偏電路的模擬電路設計、數字電路設計，全都要學，課程量挺大的；另一個是單獨去計算機系。

我印象中當時還是對怎么造電路更感興趣，再加上一個很單純的原因：計算機系在張江，卓越工程師班只有 20 多個人，是個小班，可以留在邯鄲校區本部，活動會多一點。總之因為這些事情，最后選了卓越工程師班，然后每個人要掛靠一個專業，我就掛靠在了微電子。

本科第三年的時候，很多同學都選擇出國。我當時并沒有想清楚為什么要出國。我跟朋友同學聊，大部分人也都沒想清楚，就是看大家出國所以出國。我不太理解這件事，就選擇了留下。那時候我開始做科研，大四和研一的時候發現科研挺有意思的，逐漸萌生了將來做教職的想法。

在那個節點我看到，如果做芯片相關的研究，美國一些學校的研究在某些方面更有意思，這是我后來出去的主要原因。研究生階段我就一直在積攢科研經驗，碩士畢業申請到了比較好的學校，在 MIT 讀了五年博士。我的經歷基本就是這樣。

整體上我會感覺，很多選擇在我大學剛入校門的第一天就已經決定了。看起來我有很多選擇的余地，但事實上，當你走到那一刻的時候，你沒有什么選擇的余地，每次都只有一個看起來比較好的局部最優解。我就一直沿著每一刻的局部最優解、我最想做的事情，一直走了下來。

DeepTech：你本科在實驗班，計算機、集成電路設計相關的都要學。這是不是也給后來做 AI For EDA 鋪墊了基礎？相比純粹做半導體設計的人，你了解的知識領域要更寬。

高正祺：你問了一個非常好的問題。當時我沒有意識到，現在回想起來，我本科確實學到了幾個不同專業知識的合集：半導體物理，非常偏器件、材料、物理的課；模擬集成電路和數字集成電路的設計；還有數據結構與算法、計算機體系結構。學了這些東西，讓我對整個全流程都有一個簡單的概念：從最下面的材料開始，到設計芯片、流片做出來，再到拿回來在上面開發應用、在計算機上跑起來。這也培養了我比較廣泛的興趣。

我讀博的時候也沒有把自己限死在某一個小方向，一直在廣度上探索。跟我的同齡人相比，大家很多時候在一個方向走得很深，我可能在廣度上走得多一點，在某一個小領域走得沒有那么深。我時常覺得這有好處也有壞處。這跟我的興趣有關系：我總是做一個東西做了四五個項目之后，覺得對整個東西都理解了，再做下去學到的知識沒有那么多了，就會想去做一個跟這個領域接近的新東西，學一些新的知識。

DeepTech：我想起 Freeman Dyson 把數學家和科學家分成兩類，一類叫 bird person（鳥人），一類叫 frog person（蛙人），而你是更接近于鳥人的這一類。

高正祺：對，我感覺有好有壞。我今年找教職的時候，密歇根大學特別想招一個有跨領域研究經歷的人：懂芯片設計、懂 AI、還懂集成光學，比如怎么用光互聯、光計算這些東西。如果我沒有這樣廣度的經歷，他們也不會這么覺得。他們非常明確，今年就要招一個能在這些領域之間融會貫通、架橋梁的人，所以選擇了我。但我在其他學校面試的時候，有的學校非常明顯想招某一個特定方向的人，那種時候我就沒有很大的優勢。

“這些工具好用嗎？答案肯定是不好用”

DeepTech：咱們從你的主方向聊起。先請你給不太了解芯片的讀者講講：設計一顆芯片，難度主要在哪？EDA 工具在其中是什么角色？

高正祺：設計芯片的難度，簡單說一句話：你可以想象一下，要確保幾百萬個晶體管（最基礎的半導體器件）在硅片上按照你想要的功能連接在一起，任意一條線都不出錯。這是對這件事難度最直觀的解釋。

EDA 工具起的作用，是把我剛才描述的這件事分成幾個階段，每個階段都變成一個芯片設計者比較容易處理的事情。以數字電路設計為例，最開始是前端，設計者只要寫一種叫 Verilog 的代碼（編者注：一種硬件描述語言，可以理解為“芯片的源代碼”），寫的時候只需要關注要實現的功能，不需要關注晶體管上具體怎么實現；接下來 EDA 工具會把寫好的代碼自動轉成晶體管之間的連接方式；再到后端，把這些連接真正映射到物理的硅片上：每個晶體管排在哪里，線怎么連、從哪里走。EDA 工具整體上就是做這樣一個輔助。

DeepTech：為什么 EDA 工具會由全球兩三家企業壟斷？

高正祺：這是個很好的問題，每個人有不同的理解。我的理解是，這更像一個歷史遺留問題：這個行業的進入門檻有點高，大家需要逐漸建立信任的關系，才會用你的工具。最大的是 Cadence 和 Synopsys 這兩家，當然還有西門子，它有一兩個工具大家也會用。Cadence 和 Synopsys 成立于上世紀八十年代（編者注：Synopsys 成立于 1986 年，Cadence 由 SDA 與 ECAD 兩家公司于 1988 年合并而成），經過這么多年不斷的迭代，大家已經形成了所謂的路徑依賴。他們每一代工具的迭代都會跟客戶尋求反饋，把工具做得更好，就形成了一種互相信任的關系。

再加上，你去做一顆芯片，流片的成本是非常高的。如果現在有一家新公司說，我也能給你提供 EDA 工具做芯片設計，那首先你需要學習新的工具怎么用，這也有一個學習的時間成本；第二，從公司的角度這是非常有風險的事情，你很難確保這個工具有沒有問題。如果你用了新工具設計芯片，流片失敗了，誰負責？流片錢白花了，芯片沒有按時交付，可能還損失一部分市場份額，風險非常大。

有一個很好的例子：前幾年我們被卡脖子，各種方面的卡脖子里，EDA 工具其實是非常重要的一環。我會覺得，沒有當時的卡脖子，國內 EDA 的發展也不會那么快。大家會覺得接著用別人的東西就挺好，沒有動力再弄一個新的出來。如果全被卡住了，你就需要從頭自己搭一套完整的工具鏈。

還有一點：如果出現一些做得好一點的工具，Cadence 和 Synopsys 會直接把它們買進來，形成壟斷。舉個例子，做光子集成電路仿真的 Lumerical，本來是一家創業公司，后來被 Ansys 買了，Ansys 最后又被 Synopsys 買了，大部分企業最終都逃不開被他們收購的命運。（編者注：Lumerical 成立于 2003 年，2020 年被仿真軟件公司 Ansys 收購；Ansys 又于 2025 年被 Synopsys 以約 350 億美元收購完成交割，是 EDA 歷史上最大一筆并購。）

DeepTech：英偉達在 GPU 市場的壟斷，很大程度上靠生態和工具棧。EDA 行業也有生態問題嗎？

高正祺：我覺得也會有一些。它形成的生態，本質是大家相信用他們的工具能做出真正流片成功的芯片。開源工具其實也有很多，而且在一些流程上，開源和閉源的性能并沒有差特別多。

我個人的觀感是，模擬電路仿真的開源工具 ngspice，并不會比閉源的 HSPICE、Spectre 差很多；數字綜合的開源工具 abc，可能比 Cadence 的閉源工具稍微差一些。最有名的開源項目是 OpenROAD，它在一些開源的工藝節點上驗證過。但你用開源工具設計，做完了之后你就會擔心：我做完的芯片到底能不能真的工作？所以大家還是比較相信那兩家的東西。

DeepTech：你作為用了十來年的用戶，這些工具用起來好用嗎？

高正祺：我覺得答案肯定是不好用（笑）。我更多算是一個研究 EDA 的人，不算天天做芯片設計，但我有一些純粹做芯片設計的同學，我無數次聽過他們抱怨這些工具不好用。

打個比方，大家寫 Python，寫完報錯了，看終端里的錯誤信息，基本就能精確定位到是哪一行、什么問題。在大語言模型出現之前，你 Google 搜一下，Stack Overflow 上基本都有答案，直接可以改。

但 Cadence、Synopsys 的很多報錯，你看了就感覺，他好像說了什么，但你又不知道他在說什么，需要口口相傳，需要很多次跟工具來回實驗之后，才能真正知道這個報錯到底大概是什么問題、該改哪里。這件事本身需要知識的積累。所以至少在大語言模型時代之前，這些工具并不是特別好用。現在的話，有了大語言模型，相對來說變得容易了很多，這些報錯我感覺模型也完全能理解。

“已經是一個初級或中級的工程師”

DeepTech：所以除了從更根本的層面用 AI 重構這些工具，也可以先用大模型幫我們理解和使用這些工具？

高正祺：對的。事實上我覺得這是現階段最應該使用大語言模型（或者說 agent）的方式。我覺得接下來的發展會有幾個里程碑。第一個，是把已有的 Cadence、Synopsys 工具寫成 agent 能夠調用的格式，寫成 MCP，或者把使用工具的知識提煉成 skill 這樣的東西，讓 agent 可以調用已有的 EDA 工具。本質上，這個 agent 需要理解每個工具返回的信息是什么：報錯了，我該怎么修改 Verilog 代碼；通過了，下一步該調用哪個工具、跑什么流程。

所以我覺得 agent 的角色是去掌控整個流程，而不是去取代芯片設計里某個特定環節的 EDA 算法。取代特定算法這件事在某些地方可能有收益，但這個收益絕對沒有讓 agent 統領全流程大。一個比較有名的例子是用強化學習做宏單元布圖規劃（macro floorplanning），就是 Azalia（她現在在斯坦福做教授）之前在 Google 做的 AlphaChip，但那篇論文本身也有諸多爭議。（編者注：AlphaChip 是 Google 2021 年發表于《自然》的強化學習芯片布圖方法，論文稱其表現超過人類工程師并已用于 TPU 設計；此后多個學術團隊公開質疑其可復現性，爭議持續數年未有公認結論。兩位主要作者 Anna Goldie 與 Azalia Mirhoseini 于 2025 年底創辦了 AI 芯片設計公司 Ricursive Intelligence。）相對于那種方式，我覺得用 agent 去掌控整個流程，是更合理的一件事情。

DeepTech：正好聊一下，你在 Anthropic 做的主要是哪方面的工作？

高正祺：我在 Anthropic 不會待特別長的時間。這個崗位是 Anthropic 今年第一年設立的，叫 STEM Fellow，面向數學、物理、化學、生物還有工程這些領域開放的一個短期項目。（編者注：STEM Fellow 是 Anthropic 2026 年 4 月新設的研究項目，面向 STEM 領域博士，與其研究團隊合作探索前沿模型在各專業領域的應用。）

我做的事情，廣義上說是怎么樣提升模型在芯片設計上的能力。具體的項目不太能講，但我覺得大家可以猜測一下，也能猜到是什么樣的東西。就像你去跟其他公司做預訓練、后訓練的人聊，問他們具體在做什么，大家也都說公司的事不能聊，但一猜也都能猜到。（笑）

DeepTech：那如今最前沿的模型去做芯片設計，能達到什么水平？如果類比的話，相當于一個什么水平的工程師？

高正祺：我的感受是，已經像一個初級或者中級的工程師了，這取決于你用的是哪個模型。如果你半年前或者一年前問我這個問題，我會比較懷疑：它真的能做嗎？一年前我自己的項目有需求，我拿一個模擬電路的網表去問當時的 ChatGPT，問該怎么設計，它經常返回語法都是錯的東西，根本跑不起來。模擬電路里非常有名的教授拉扎維（編者注：Behzad Razavi，加州大學洛杉磯分校教授，其《模擬 CMOS 集成電路設計》是該領域最通行的教科書之一），大概半年多前寫過一篇文章放在自己網站上，說他像考學生一樣出了一套題測 ChatGPT，給它的回答打分，好像是沒及格。

但今天不一樣了。就在最近，月之暗面的 Kimi 3 發布，它給了一個例子，是模型在 48 小時之內設計了一顆芯片，我看了一下性能指標，感覺還挺不錯的。我自己也試過：我用 Codex 搭了一個全流程的 agent，給它一個模擬電路的網表，讓它給我產生 GDS 版圖文件（編者注：交付給工廠制造的最終版圖文件格式），它可以從安裝環境開始，自己從頭做到尾，把一整套流程搭出來，我還可以把它封裝成一個 MCP 工具讓大家都能用，完全不需要我做什么。Anthropic 家的 Sonnet、Opus，還有前段時間的 Fable，我都試過。所以我覺得，說它是一個初級、中級工程師，完全沒問題。

DeepTech：這一年它為什么提升這么快？是因為這個領域專門的數據變多了，還是整體 coding 能力、推理能力的提升？

高正祺：我的個人理解，兩者都有。第一，大家常說一件事：coding 做得好，數學或者說抽象邏輯推理的能力是會跟著上漲的。預訓練是從互聯網上扒下來所有數據，相對來說比較雜、質量比較低；代碼本身是一種高度抽象、非常有邏輯的東西，在代碼上訓練好之后，其他推理能力也會有提升，所以這也是為什么會有 mid-training——mid training 里面代碼比重會增高。第二，這些公司做后訓練的時候，會構造各個子領域的數據，去提升模型在各個子領域的能力。芯片設計一定會是這樣一個被考慮的子領域，OpenAI 和 Anthropic 因為自己有設計芯片的需求，所以也就更會有構造更好芯片數據的動力。

DeepTech：所以芯片設計是模型公司都挺重視的一個方向。

高正祺：對的。另外一點是，長久來看，這些模型公司一定會想做自己的芯片，這是非常明顯的趨勢，所以提高自家模型在芯片設計上的能力也非常合理。如果描述一個非常宏偉的愿景：將來的模型可以自己訓自己，也可以自己迭代產生新的硬件，適合下一代自己的推理或者訓練；芯片做好了拿回來，把下一代模型跑在新芯片上，再接著設計下下一代的芯片，就會形成一個完整的閉環。我感覺這是很恐怖的一件事情。

DeepTech：目前用 AI 做芯片設計，最先能接手的環節會是哪一個？最難解決的又是哪個部分？

高正祺：寫 Verilog 這種事情肯定是會很快被取代的。根據給定的指標去寫 Verilog，它本身也屬于一種代碼，只是硬件描述語言更特殊一點。給 Verilog 代碼寫測試代碼（test bench）也會很快被拿下，這本質上也是一個代碼任務，跟軟件開發里寫源代碼和寫測試代碼沒什么區別。類似的任務都一定會被很快取代，我甚至可以認為現在已經解決了，或者半年之內就會解決。

比較難的，是一些非常特定的情況下，需要很資深的硬件設計經驗才能發現的問題。舉個例子，時序的要求沒達到怎么重新優化，有經驗的設計者交換一下兩個邏輯門，也許就解決了。這種需要經驗積累的事情，短期之內比較難。這個"短期"是什么概念我也很難預計，可能需要一年、兩年、三年。我會覺得這取決于怎么更好地構造后訓練的數據集，是可以做到的一件事，但什么時候做到，不太確定。

DeepTech：聽起來很像以前老師傅的那種經驗。

高正祺：對。本質上，后訓練就是我們人在手把手地教模型什么是好、什么是不好。事實上，人類可以把芯片設計老師傅的經驗教給模型，而這里最重要的是想清楚怎么定義獎勵（reward）。模型會自己產生很多新想法，自動地沿著推理鏈自己產生出“老師傅的想法”，發現某個想法能得到比較好的獎勵，以后就更傾向于使用它。

DeepTech：那我們暢想一下，芯片設計最終的工作方式會變成什么樣？

高正祺：我覺得最后的工作方式會比較夸張。我自己會相信，將來的情況是：比如我是一個定制芯片的廠商，高通、博通、三星這種，客戶來找我，說我有一個需求，要設計一個什么功能的芯片，時鐘頻率是多少，比如一吉赫茲，面積要多大，能耗要多少。把這樣一份描述文檔丟給一個 agent，這個 agent 可以在 24 小時之內直接產生最后的版圖文件，達到客戶表述的所有要求，同時把所有中間結果都輸出給你確認。人需要做的唯一一件事，是驗證這個版圖是正確的，做最后一步確認，叫 sign-off（簽核）。都沒有問題，就可以直接返回給客戶了；有問題，就需要人和 agent 協同迭代幾次：人跟 agent 說，你這個指標不達標，你試著調整一下這個位置的布局布線重新做一下。人給一點提示，agent 就可以完整地重新迭代。

我并不覺得這是一個很遙遠的未來。我自己會感覺，可能 5 年之內，或者 5 年左右，就會實現。唯一的問題是，硬件領域接受新事物、接受新工具的速度，相對互聯網行業會稍微慢一點。所以我感覺 5 年也許是一個比較好的估計。

DeepTech：我很好奇，在 AI 幫助芯片設計的情況下，除了效率的提升，它有沒有可能有效地提升設計的質量和水平？會不會出現一些比較 magical 的能力？

高正祺：我的答案是：將來會發生。本質上這個領域和其他領域沒有什么區別。舉個例子，就前兩天的新聞，有一個日本大學的物理教授，說他用大語言模型找到了一個困擾他很久的問題的解法，他覺得這個方向是對的，可以研究下去（編者注：指東京大學 Kavli IPMU 教授、弦論學者立川裕二。2026 年 7 月 12 日他發帖稱，Claude Fable 5 為其團隊停滯約半年的弦論合作項目找到了突破口，指出了一處計算錯誤，并自動生成 SymPy 代碼驗證推導。他形容模型似乎真正理解弦理論、有某種直覺；因傳播超出預期，該帖隨后被他刪除）。

再比如加州大學洛杉磯分校的陶哲軒教授，也是在數學證明上使用大語言模型的忠實粉絲。

在這些子領域里，模型都會給出一些讓我們眼前一亮的想法，芯片設計里也一定會發生。最接近的例子已經有了：大語言模型設計 GPU 的核函數（kernel），現在基本已經是默認的一件事情了：模型可以很好地優化 GPU 的 kernel、TPU 的 kernel，或者某個特定加速器的 kernel。

我會覺得，將來某一天，人類手工做好的芯片能達到某個運算性能，一個 agent 優化出來的版本在同等面積下 TFLOPS 更高，這是完全有可能出現的事情。我不意外，我相信這一天會到來。

DeepTech：聽起來讓人心生向往。

高正祺：也不知道是心生向往還是恐懼（笑）。反正我覺得，這個時代就是一個浪潮，在把我們往前推著走，沒有什么選擇的余地。

DeepTech：整體聽下來，現在的 AI 對 Cadence 這些工具公司來說，更多還是一種助力，而不是替代？

高正祺：對的。但有一個觀點我非常贊同：現在很多的工具都不是給 agent 或者語言模型設計的，因為它們都出現在大語言模型之前。將來很多工作事實上都是 agent 來做，那很多工具都應該重新設計成對 agent 最友好的形式，而不是對人最友好的。明顯的例子比如互聯網瀏覽器，比如生物領域的一些數據庫。

Cadence 的工具也是一個道理：它現在這個形式，未必是對 agent 最有效的形式。將來會不會出現一個對 agent 更友好的 EDA 工具鏈？我覺得是有可能的。短時間內肯定還是基于 Cadence、Synopsys 的工具；但長久來看，當我們發現其他領域以前設計的軟件開始為 agent 做特別好的優化的時候，EDA 工具上也會出現同樣的事情。如果這件事是其他公司做的，那可能 Cadence 和 Synopsys 就危險了，但也許它們還是可以通過收購解決這個問題。

“在今天，創造一個新的壟斷公司很難”

DeepTech：最近幾年，美國和中國都出現了很多 AI-EDA 公司，比如 Ricursive Intelligence。相比歷史上的 EDA 創業，這一次有什么不一樣？

高正祺：先說明一下，我是 1996 年出生的，真正開始關注這些大概是從研究生開始，歷史上之前是什么樣子我沒有親眼見過，可能也沒什么資格評價。但至少從我現在觀測到的結果看，我覺得已經真的很夸張：資本支出太高了。現在在硅谷，你有一個像樣的團隊，可以輕輕松松直接融一兩千萬美金；想融得多的話，可以像 Ricursive 那樣融幾百個 million，這件事讓我覺得非常夸張。（編者注：Ricursive Intelligence 于 2025 年 12 月前后結束隱身，種子輪融資 3,500 萬美元由紅杉領投；2026 年 1 月完成 3 億美元 A 輪，估值 40 億美元，距公司公開亮相僅約兩個月。）大家確實有點狂熱，這是跟歷史上不太一樣的第一點。

第二點，歷史上出現一家新的 EDA 創業公司，大部分情況是因為出現了一個新的功能性需求。比如最早伯克利的 Alberto，算是 EDA 開山的大佬之一（編者注：Alberto Sangiovanni-Vincentelli，加州大學伯克利分校教授，Cadence 與 Synopsys 兩家公司共同的學術源頭人物），他們伯克利那一派注意到數字電路設計每次沒法復用、很麻煩，就開始做最早的綜合這些工作，后來把它做大做強，做成了很大的 EDA 公司。再比如光子集成電路出現了，有這樣的設計需求，就有了對應的工具 Lumerical。歷史上大部分情況是這樣：先有一個新的功能需求。這一次最不一樣的地方在于，我并不覺得現在有一個新的、沒有被解決的芯片設計功能本身上的需求。芯片本身功能的需求并沒有變，這次的出發點是高效的工作流。

第三點，大語言模型把 EDA 進入門檻降低了。舉個例子，ChipAgents 這家創業公司，CEO 是加州大學圣塔芭芭拉分校做自然語言處理的教授，之前完全沒有 EDA 背景，2024 年開始做這家公司，做的就是 AI-EDA。（編者注：ChipAgents 由 UCSB 教授 William Wang創立，截至 2026 年 2 月累計融資 7,400 萬美元。）有 AI 的存在，大家可以更容易地進入一個特定領域，更高效地產出工具。比如我想搭一個專門做芯片設計的 agent，現在容易多了；再比如搭一個完整的芯片設計流程，以前很麻煩，要看這個工具的輸出是什么、跟下一個工具的接口怎么對上，現在完全不需要了，agent 幫我做所有的事情。

所以就是三點：高效工作流的出發點和更低的領域進入門檻、不是解決新的功能需求，再加上高的資本開銷。

DeepTech：在你看來，這一波 AI-EDA 公司最終會獨立存在，還是被 Cadence 這些巨頭收購？

高正祺：我會覺得大概率一定是被收購，但也不一定是 Cadence 和 Synopsys 收。被硬件公司收購的概率也是有的，比如英特爾、英偉達，甚至模型公司，OpenAI、Anthropic 這些也都有可能。當然最大的概率還是 Cadence 和 Synopsys，因為這是他們的老本行，一定繞不開他們。你翻閱歷史發展的流程會發現，在今天這個時代，你想創造一家新的壟斷公司，很難，比很多年前難多了，主要原因是你總要依賴某一個平臺。對 AI-EDA 這些公司來說，他們一定要依賴的就是 Cadence 和 Synopsys。

但其實也有很多瑣碎的細節和實際的影響因素。比如，Cadence、Synopsys 加上西門子，整個 EDA 行業一年的營收，去年大概是 180 億美元（編者注：據行業統計口徑，2024 年全球 EDA 市場規模約 180 億美元），你去翻 Cadence 和 Synopsys 的收購歷史，超過 10 億美元的案例是非常少的。那像 Ricursive 這樣，一輪融資之后估值已經是 40 億美元了，如果我是 Cadence、Synopsys，我去收購它就會感覺到很大的壓力。所以創業公司永遠都有三種可能：獨立 IPO 、被收購、失敗。靜觀其變吧。

“推理市場才剛開始”

DeepTech：前面反復提到模型公司做芯片。現在谷歌、Meta、OpenAI，包括 Anthropic，都在籌建自己的芯片項目。對他們來說，除了你前面說的技術閉環，還有什么別的原因？

高正祺：還有很明顯的原因：成本。先拋開訓練不談，你能做出比較好的推理芯片，就已經能省很多成本了。哪怕只節省 20% 的成本，乘上一個萬億量級的市場，省出來的錢也非常多。另外，大家都買英偉達的 GPU，但 GPU 并不是特意針對你家模型設計的，它對你這個模型的推理未必是效率最高的芯片。做好自己家模型的推理芯片，可以跑得又快、整個成本又低。跑得更快本質上也是成本低的一種表現，同樣的電力開銷下可以跑得更多。所以我覺得所有模型廠都有這個需求，并不意外。

DeepTech：這些自研項目基本都瞄準推理。除了英偉達在訓練市場的壟斷地位之外，他們有可能進入訓練領域嗎？

高正祺：我覺得肯定是從推理開始做起，至于什么時候碰訓練，這是一個問題。我傾向于說，短期之內大家都會做推理芯片，訓練是更長遠的事。訓練和推理對芯片的要求挺不一樣的：比如做訓練要做梯度的計算和反向傳播，對內存的需求量更大；推理芯片相對來說簡單一點，沒有訓練芯片那么難。

DeepTech：更長遠看，訓練和推理哪個市場更大？

高正祺：肯定是推理市場更大。你訓好一次模型，至少可以用一段時間，半年或者一年，看這些模型廠多久放一個新模型。訓練更像是單次的事情，推理是可以多次的事情。而且推理的需求量跟用戶數量成正比，訓練跟用戶數量不成正比，更多是到了某個時間點，需要迭代下一個版本了，就訓一下。看創業公司也能看出這個感受：SGLang 和 vLLM 是兩個非常大的開源推理引擎，他們的團隊最近都開始創業了。我覺得推理市場才剛開始，會蓬勃向上，越來越多。（編者注：Gartner 于 2025 年 10 月預測，2026 年推理類 AI 負載的支出將首次超過訓練；德勤預測 2026 年推理將占全部 AI 算力約三分之二。）

DeepTech：我前段時間正好寫過一篇關于推理芯片的文章。最近推理芯片確實很火，各種創業公司出現，SambaNova 原本都沒什么聲音了，結果突然又融了很多錢。我當時得出的結論是：推理芯片最終不會再出現一個英偉達式的壟斷者，整個市場會是分散的。你同意這個判斷嗎？

高正祺：我同意。因為本質上各家的模型不太一樣，不同的模型需要不同的推理芯片。所以我覺得這件事情肯定是合理的。

DeepTech：如果分散是最終的結局，那這個行業的錢會被誰掙走？

高正祺：好問題。我的感覺是，更上游的地方會把錢掙走。英偉達現在肯定是最大的，將來推理芯片市場繁榮發展的時候，英偉達的份額肯定會被吃掉一些。

但如果硬要說誰會穩定地一直吃到這波錢，我會覺得，臺積電肯定會吃到：在代工上，先進工藝節點沒有人能和臺積電比，先進封裝 CoWoS 也沒有人能和臺積電比。除了臺積電，高帶寬內存（HBM）的需求也會一直存在，海力士、美光、三星都會吃到這波錢，海力士可能是最大的。

再往上游走，還有做光刻機的阿斯麥（ASML），做設備的應用材料（Applied Materials）和泛林（Lam Research）。臺積電產能不夠，這些設備商肯定都會受益。整體上我感覺是這樣。

DeepTech：這個產能瓶頸會有解嗎？

高正祺：短期之內這是結構性的事情，肯定無解。我記得海力士說他們的訂單已經訂到 2028 年了，臺積電的資本支出今年也非常瘋狂。（編者注：據公開報道，SK 海力士、三星、美光三家的 HBM 產能均已售罄至 2026 年底；臺積電在 2026 年 7 月的財報會上將全年資本開支指引上調至 600 億-640 億美元。）大家都在想辦法從臺積電訂到更多的產能，短期之內肯定是無解的。

長期我也不知道，但我會感覺，這件事還遠沒有到頭。現在美國這邊，隨便一家公司都聲稱自己要建 10 吉瓦（GW）的數據中心，明年還要翻倍。你說翻個 10 倍、100 倍，我覺得也不意外。而且翻 10 倍這件事，我個人反倒覺得是合理的。

我覺得它將來的一個形態是：我們每個人手里都可以用最強模型的無限 token。比如我一個月花 20 美元訂閱，就可以無限制地用最強的模型，這是理想的形態，可以極大提升每個人的工作效率。顯然我們離這個情況還很遠。現在最強的模型，Anthropic、OpenAI 都是 100 刀、200 刀一個月，還很快就用完了。離我描述的那個狀態，翻 10 倍的產能我都不知道夠不夠。所以，加油吧，產能還得做。

DeepTech：半導體歷史上有過好幾次周期。如果這一輪需求不斷膨脹、大家不斷擴產，最終會有一個過剩的階段嗎？

高正祺：非常好的問題。我自己的觀點是，本質上這還是一個周期，只是這個周期可能會稍微長一些，我跟其他人也聊過，有些人也持這個觀點。那這個周期到底有多長？這可能取決于一件比較重要的事情：大家怎么看待泡沫。我自己是相信有一些泡沫的，但它也有實際的作用。很明顯能看到，coding agent 極大提高了所有人的產能，我都不用寫代碼了，這是實打實的東西。

再比如在公司內部，有一個見過公司所有文檔的大語言模型，很多簡單的工作就不需要人來回答了，新員工入職培訓這種事都可以用它做掉，這是實在的經濟效益。但同時確實還有挺大的一部分泡沫在。

所以回到你的問題：這個周期有多長，取決于大家覺得泡沫有多大、什么時候會破。如果大家覺得泡沫太大、破了，這個周期就會結束得早一點；如果大家覺得泡沫相比帶來的實際收益是小的，這個周期還能延續。我個人的感覺是，一兩年之內，這個周期不會結束。

DeepTech：一兩年聽起來有點太近了，短期內還是會非常蓬勃。

高正祺：對的。但長期我也不知道。因為我會覺得，當模型能自己訓練自己的時候，可能會有一波比較危險的事情。有時候我自己也會覺得，我做的很多事情大語言模型都能做，我不知道我還能做什么，我覺得很多人都有這樣的困惑。

當模型自己能訓練自己的時候，很多人都會有生存危機的感覺，不知道自己要干嘛了，可能會失業。當然也不一定真的出現失業潮，可能是你要去做其他的事情了。但“模型自己能訓自己”這件事，大家聽起來都會覺得很恐怖，因為不需要人類來訓模型了，它自己能瘋狂地迭代。我會覺得這是一個在社會上非常有影響力的事件，它會引發什么樣的觸動和社會變革，我覺得很難預料。

DeepTech：這聽起來很接近科幻的想象，也許會出現幾種不同的結局：一種比較悲觀，就是爆發經濟危機；一種比較樂觀，人類真的到了“大同社會”，只需要做自己想做的事；或者更極端一點的，就是天網那樣的 AI 徹底主導人類。

高正祺：我感覺很快了，我們馬上就要能看到結局是什么了（笑）。

“未來五年的變化，會比過去五年更大”

DeepTech：咱們聊點現實的問題。模型能力提升這么快，對做科研的人來說，如今還有什么問題值得一個人花好幾年去做？

高正祺：我覺得這是非常好的問題。一些非常本質或者基本的問題，永遠是值得做的。舉個例子，去探索會不會有比硅更適合做晶體管的材料，這是永無止境的一件事，可以一直探索下去，沒有終點。類似的還有量子計算、超導，數學上定理的證明，物理和天文里對宇宙誕生的探索。這些永遠都值得繼續做下去，大語言模型的存在會輔助你把這些事做得更方便。

但同時，確實有一些科研內容，現在做就沒什么意義了。舉過去的例子：我 2021 年剛讀博的時候，還有人在做圖像分割，更早一點做圖像分類，做自然語言的翻譯、問答。這些在今天看來，已經是被完全解決的問題，確實意義不大了。

還有一類是短期能落地的事情。大家提得最多的就是機器人、具身智能。我覺得投入大量的人力和資源做這件事是合理的，但它 5 年之內能不能落地，我感覺存疑。所以如果真要規劃的話，我會覺得比較合適的做法是同時做三個：一個一兩年就能落地的短期項目，一個你覺得 5 年之內能落地的，再加一個 10 年之內、甚至 10 年都未必落地的。

DeepTech：那你之后回密歇根任教，主要會探索什么方向？

高正祺：廣義上，會在 AI 和芯片這兩個領域交叉的位置。芯片上更具體一點，是去思考怎么用光來輔助現在的芯片，所謂光電異構的芯片，大概是這樣一個領域。具體做什么，實事求是地講，我并沒有一個非常清晰的想法。因為我半年前想的東西，現在感覺好像已經有點過時了，發展實在是太快了。我現在有一個想法，業余時間也在試，這個東西做完之后，可能在我去密歇根之前就會發表出來。所以去密歇根具體做什么，可能要到出發前半年才會真正開始認真思考。大方向就是剛才說的那兩個，小方向要再好好想。

DeepTech：也許在 Anthropic、在產業界待過之后，會有一些新的認知和想法。

高正祺：希望吧！

DeepTech：如果未來開始帶學生，你會讓他們做什么樣的探索？

高正祺：肯定還是剛才說的，讓他們在 AI 和光電異構芯片交叉的地方探索。我會讓他們同時思考一個短期的、半年一年的項目，再一直思考一個 5 年的和一個 10 年的項目。因為做短期能落地的項目，是很快能看到影響力的事情；而思考 5 年和 10 年這兩個維度，是更有前瞻性的事情。這件事我自己讀博的時候做得不是特別好，我現在也在反思。

如果我將來有博士生，我會告訴他們在這個交叉領域里，做一個一年的思考、一個 5 年的思考、一個 10 年的項目。如果學生能看到一個長久有意義的 5 年項目，我會非常支持他去探索。我不會要求他一定要做某個項目，更多是做自己真正感興趣的、自己覺得合理的，我覺得這是最重要的。

DeepTech：想聊一個更大一點的問題。AI for Science 這個詞現在非常火，我們今天也反復在聊 AI for EDA。從你的探索來看，AI 真正去加速一門學科，需要什么條件？按這個條件篩選，哪些學科會最先被加速？

高正祺：我覺得符合兩個特征就會被極大的加速。第一，依賴于自然語言、依賴文本；第二，之前需要大量人工。需要人工這件事細分的話是兩類：一類是需要非常有見解、有天賦、有洞察力的人工，比如去解決哥德巴赫猜想這樣的事情；另一類不需要那么聰明，更多是重復性的、可能比較枯燥的勞動。滿足這兩個特征的學科，都會被大語言模型加速。

很明顯能看到的，第一個是跟數學證明相關的。也不是說取代，是它會做一個非常好的輔助，給你提供很多之前沒想到的想法，幫你做一些輔助性的證明。數學、理論計算機，都會受很大的影響。芯片設計肯定也是：數字電路的前端就是代碼，是 Verilog；模擬電路的網表也是文字。反過來，什么不會被取代？跟物理世界有更多接觸和交互的。畢竟語言模型現在還沒有真正的實體，沒有辦法和物理世界發生真正的交互，它只存在于計算機里。如果你的很多智力思考和行為都發生在真實世界當中，比如醫生做手術、生物學家做濕實驗，短時間之內不太會被取代。當然，等機器人發展起來之后，這些也會逐漸有被取代的可能性，但相對來說，短期之內還有一段距離。

DeepTech：最后問一個開放性的問題。5 年之后，芯片設計這件事會變成什么樣？你自己可能在做什么？

高正祺：我一直覺得，你在某個時間點去問一個人：5 年前的你猜想今天，和今天的你猜想 5 年后，哪邊變化更大？人們都會傾向于說，過去 5 年到今天的變化更大，因為我們對已經發生的事情有更深的感觸。但事實上我會覺得，未來 5 年的變化可能是更大的。

我自己就是最好的例子。我 2021 年入學的時候，根本沒有大語言模型這種東西。你要跟我說 5 年之后我不需要自己寫代碼了，只要跟它說我想做什么事情，它就自動幫我把代碼寫完、把實驗跑完、把結果返回給我，我是絕對不可能相信的。而在今天這個時間點，我會感覺非常恐怖的一件事情是：未來 5 年發生的變化，會比 2021 到 2026 這五年更大。我其實真的很難想象 2031 年會發生什么，也很難想象我自己會在哪。

從個人出發，我會希望我在做一件自己喜歡做的事情，有還不錯的生活，家人和朋友都安好，我覺得就可以了。說得細一點，我希望還在做跟 AI 和芯片相關的工作。但我相信接下來 5 年人類社會可能會發生一些變化，高等教育的體系也會變。有一個很明顯的例子：發論文已經沒有那么重要了，信噪比實在太差了，論文太多太多了。因為有 agent 存在，跑實驗和發論文的成本變得更低，一個博士生或者研究員能發出來的論文數量是之前的很多倍。在這種情況下，用論文數量去衡量教授、衡量博士生，在今天這個時代會越來越不合理。

還有，給學生上課這件事，可能真的不太需要教授了，你去問 Claude 都可以講得很好。工業界因為“模型自己訓練自己”的存在，也會發生很大的變化。所以 5 年之后會怎么樣，我也不太確定。我希望我還在做一些有益的事情，最好是跟 AI 和芯片設計相關的。

運營/排版：何晨龍

注：封面由 AI 輔助生成