AI 跑在芯片上,反过来又动手修改芯片的电路设计,这个鸡生蛋还是蛋生鸡的经典问题,正在半导体行业里变成一场真实的工程试验。
OpenAI 和 AMD 对外公布的这项合作成果,一下子把 “AI 造芯” 的话题推到了台前。很多人看完消息第一反应是:难道以后芯片可以自己优化自己,开启递归自我升级的循环了?
但热闹背后,藏着不少值得细细拆解的细节,不能只盯着 14% 这个亮眼数字。

很多人都知道,AMD 本身就是 OpenAI 重要的算力合作伙伴,双方之前的合作重心很简单。AMD 造出高性能 GPU,交给 OpenAI 搭建庞大的 AI 训练集群,给大模型提供算力支撑。
这一次的变化,是角色调转了一部分。OpenAI 不再只是单纯采购芯片的使用者,而是拿出自己的模型,一头扎进 AMD 的芯片前端设计环节,动手改写用来描述电路的 SystemVerilog RTL 代码。

我们可以把 RTL 代码理解成芯片的施工图纸。
工程师不会直接在硅片上画晶体管,而是用这套硬件描述语言,写清楚每一块计算模块要做什么、数据怎么流转、各个单元之间怎么配合。
模型做的事情,就是在这套已经被人类工程师反复打磨过的图纸上,不断尝试改写局部电路,再借助专业 EDA 工具做校验,保证改动之后电路功能不会出错,同时看看能不能在功耗、速度、芯片面积上拿到更好的结果。
按照披露的信息,AI 给出的优化方案,最高实现了 14% 的 PPA 综合改善,原本预计要一整年的优化工作量,在不到五个月里就完成了。更关键的是,其中一部分修改方案,已经被 AMD 正式纳入准备送去流片的芯片设计文件,不再只是实验室里的纸面仿真。
消息一出,网上立刻冒出一个很现实的疑问:这个 14% 的提升,是仿真软件算出来的,还是已经在实打实的成品芯片上测出来的?
这个问题其实非常关键,也是行业里讨论最多的地方。芯片设计里的 PPA,就是功耗、性能、面积这三个互相拉扯的指标,就像调校一台发动机,想提速,往往就要接受更高的油耗或者更大的体积,三者很难同时拉满。
仿真工具可以在设计阶段预估改动带来的收益,但仿真和真实硅片之间永远隔着一层物理世界的不确定性。温度波动、信号干扰、晶体管的工艺偏差,这些仿真里很难完全复刻的因素,都有可能让纸面的优化效果打折扣。
OpenAI 这边也明确说明,这个 14% 是仿真评估得出的综合指标,并不代表最终流片之后,整块 GPU 的性能直接提升 14%,也没有公开这次优化在三个指标上各自的取舍。

这也是为什么网上会分成两种截然不同的看法。一部分网友觉得,芯片设计未来的竞争会慢慢变成软件和模型的竞争。过去一款高端 GPU 的核心 IP,都是顶尖工程师长年累月一点点调优,优化空间早就被压得很窄,想再挤出一点收益,要投入巨大人力和时间。
而 AI 可以不知疲倦地在海量电路方案里搜索,找到很多人类因为思维定式忽略的反直觉方案,未来芯片迭代的速度会被彻底改写。但另一批熟悉芯片工程的人态度要谨慎得多:AI 适合在规则清晰、目标明确的局部模块里做迭代试错,可一颗完整的芯片,牵扯到架构、时序、封装、散热、良率一连串复杂的约束,很多隐性工程问题,不是靠仿真打分就能判断好坏的。
工具可以给工程师提供备选方案,但最终的取舍、风险判断,依然离不开经验丰富的芯片设计师。

这个消息火起来之后,不少人直接把它称作芯片版的 RSI,也就是递归自我改进。简单来说,就是更强的 AI 造出更好的芯片,更好的芯片再训练出更强的 AI,无限循环,持续进化。但客观来讲,现在的合作距离真正闭环的 RSI,还差很远很远。
其实 AI 辅助芯片设计早就不是新鲜事了。英伟达很早就把 AI 工具放进内部芯片设计流程,用来做电路验证和局部优化;Anthropic 也在用 Claude 辅助自家自研芯片的开发;谷歌的 AlphaEvolve 更是已经参与到下一代 TPU 的电路优化,都是类似的思路。但这些案例,都停留在 “AI 是工程师的辅助工具” 这个阶段。AI 负责提出修改方案、快速遍历大量可能性,所有方案最终都要经过人类工程师审核、筛选、落地。

从 AI 辅助优化一小块电路,到 AI 独立完成整颗芯片从架构规划、模块设计、验证到流片的全流程,中间隔着巨大的鸿沟。这次 OpenAI 和 AMD 的合作,优化对象是已经成熟、经过长期打磨的 GPU 核心 IP 模块,不是从零开始设计一款全新芯片。它能帮我们加速局部迭代,却还没有能力独立定义芯片的整体架构,去决定这款芯片面向什么场景、怎么分配算力资源。
放到整个行业的大趋势来看,这件事真正的价值,不在于一下子造出一款性能飞跃的芯片,而在于证明了一件事:成熟商业芯片的设计流程,已经可以接纳 AI 生成的电路方案,并且把它们送进制造环节。过去很多 AI 芯片设计的成果,大多停留在论文、开源 RISC-V 核或者自研小芯片上,这次是一线大厂的旗舰 GPU IP,落地到正式流片版本,是一个很重要的分水岭。

同时我们也要看到它的边界。它没办法取代芯片工程师,更不意味着半导体行业马上就会迎来无人化设计。芯片是一个容错率极低的产物,一旦流片失败,损失的资金和时间成本极高,任何自动化方案都必须牢牢守住验证的底线。AI 的定位,更像是一个不知疲倦的助理,帮工程师筛掉大量低效方案,把人力从枯燥重复的局部调优里解放出来,让工程师把精力放在架构方向、复杂权衡这些更顶层的决策上。
接下来最值得期待的,就是这批搭载 AI 优化电路的芯片流片之后,硅上实测数据能不能和仿真结果对上。如果纸面的 PPA 收益可以在真实芯片上稳定兑现,那后续 AI 参与芯片设计的节奏,还会继续提速;如果实测效果不及预期,行业也会重新校准对这类工具的期待。
AI 和芯片的双向循环,才刚刚迈出很小的一步。
我们不用急着畅想 AI 完全自主造芯片的科幻未来,但可以确定,芯片迭代的游戏规则,正在慢慢发生变化。
当前文章无评论,是时候发表评论了