夜雨聆风导读：5小时生成400万门RISC-V CPU，性能从486飞跃到A53——这不是科幻，是中科院计算所团队发布的启蒙系统。从X上一条帖子开始，我读完了论文、查了财报，写下这份观察记录。
中科院“启蒙”系列论文引起外网热议
这两天AI赛道有点热，非常热。那边厢OAI和Anthropic在为8500亿和9000亿美金的估值争取最后的子弹，东大这边的Kimi和Deepseek又纷纷搞起百亿级别人民币的新一轮融资，好不热闹。
热闹之下我在公开讨论平台上发现一个不起眼的小讨论，凑上去一看，是一堆外网网友对一系列中科院的论文讨论开了，仔细一看原来我们的武器库里面又有好东西被人翻出来了。
帖子简要介绍了中国科学院计算技术研究所等团队发布的启蒙系统：一个利用AI实现处理器芯片硬件和软件全自动设计的工具。
两个版本，两个跨越：
| v1 | ||||
| v2 |
帖子附上了论文截图、性能对比表和芯片版图照片，语言克制，没有过多修饰，却指向了一个清晰的技术方向。
作为一个长期跟踪AI及相关半导体产业供应链的观察者，我立刻点开arXiv链接（2506.05007），随后又找到启蒙-CPU-v2的相关论文（arXiv:2505.03195）。接下来的这两天晚上，我仔细阅读了这些材料，并访问了项目官网qimeng-ict.github.io。
数据是公开的、实验可验证的。
v1已完成流片验证，能成功启动Linux操作系统；v2在IJCAI 2025会议发表，性能较此前自动化设计最佳结果提升约380倍。这不是概念演示，而是有实际硬件落地的成果。
系统架构：三层设计如何运作
启蒙论文标题为《QiMeng: Fully Automated Hardware and Software Design for Processor Chip》，2025年6月提交arXiv，由中科院计算所、国家处理器重点实验室等单位完成。后续还有启蒙-CPU-v2等系列工作，以及NeurIPS 2025、AAAI 2026接受的配套论文。
系统采用三层架构：
┌─────────────────────────────────────────┐│ 顶层：应用场景 ││ CPU前端设计 / HDL代码生成 / 算子库 / OS优化 │├─────────────────────────────────────────┤│ 中层：双Agent协作 ││ Hardware Design Agent ←→ Software Design Agent │├─────────────────────────────────────────┤│ 底层：LPCM大模型 ││ GNN图神经网络 + 生成模型 + 跨阶段协同训练 │└─────────────────────────────────────────┘底层：LPCM（Large Processor Chip Model）
传统LLM难以处理芯片设计的四大挑战：
1. 结构化知识：电路图不是自然语言 2. 数据稀缺：高质量芯片设计数据极少 3. 正确性要求：芯片功能正确率需接近100% 4. 设计空间爆炸：32位CPU的可能性远超天文数字
LPCM通过多模态融合（GNN+生成模型）、跨阶段协同训练和反馈驱动推理来应对这些问题。
中层：双Agent协作
Hardware Design Agent：
• 外环：分解搜索树，优化性能、功耗、面积（PPA） • 内环：用BSD/S-BSD生成电路并自动修复错误 • 关键突破：接近100%的功能正确率
Software Design Agent：
• OS配置优化 • 编译器适配 • 张量程序跨平台转译
顶层：已覆盖的应用
• CPU前端设计 • HDL代码生成 • 高性能算子库 • OS自动优化
项目开源了CodeV系列HDL模型、AutoOS、启蒙-Kernel等组件，方便外部验证和迭代。
深挖：从v1到v2，跨越了什么
读完论文后，我重点梳理了启蒙的创新逻辑，而非简单称其为"革命"。
速度优势的来源
传统芯片设计是线性流程：
架构定义 → RTL编码 → 功能验证 → 逻辑综合 → 后端布局布线 ↑_________________________________________________↓ （人工迭代，循环往复）每一步都需要大量人工迭代，周期以月甚至年计。
启蒙的Hardware Agent用蒙特卡洛树搜索结合符号验证工具（如Z3），加上BSD/S-BSD的单调正确性保障，形成：
生成 → 验证 → 自动修复 → 再生成 ↑___________________________↓ （闭环迭代，5小时完成）5小时完成工业规模CPU，体现了AI在穷举微架构空间时的效率提升。
复杂度突破
早期自动化工作多停留在百门到千门级小电路：
v1达到400万门，v2进一步实现超标量流水线和指令级并行，通过Stateful BSD预测指令间依赖。这表明启蒙已能处理真实工业场景，而非实验室玩具。
软硬协同价值
Software Agent不仅生成硬件，还优化操作系统配置和编译器，支持张量算子库快速适配。这对AI推理、边缘计算等场景特别实用。结合RISC-V，能减少对外部授权的依赖。
自主可控背景：为什么现在如此重要
这些成果放在出口管制背景下更有意义。
美国对先进EDA工具和IP的限制仍在持续，传统设计流程高度依赖：
• Synopsys、Cadence 等厂商的商业软件 • Arm/x86 生态的IP授权
启蒙提供了一条替代路径：
• 用国产AI模型驱动 • 以RISC-V开源ISA为基础 • 把设计周期从"专家团队数月到数年"压缩到"小时级闭环" • 把真实流片和应用反馈转化为模型迭代的数据飞轮
中国有SMIC等成熟工艺和特色工艺产能。设计速度加快后，可通过更多迭代轮次在可用工艺上优化性能、功耗和良率。v1已在2021年左右流片验证，说明团队有完整的验证闭环能力。
当然，边界也很清楚：
v2仍处于2010年代处理器水平，后端物理实现、先进封装、量产良率、生态软件成熟度等问题仍需大量工程投入。启蒙当前重点在前端和中端自动化，"从规格到物理版图"的完整闭环还有距离。
但它提供了一个可扩展的框架：未来随着模型参数增大、反馈数据积累，迭代曲线有可能继续上行。
产业链延伸：A股与港股的观察
启蒙式AI设计工具若进一步规模化，会直接拉动EDA需求、加速芯片迭代频率，并打开垂直定制空间。我重点关注已在A股、科创板、港股上市的公司，数据截至2026年5月公开财报和公告。
EDA/设计工具层：基础设施的直接受益者
国产EDA正处于从点工具向全流程整合的阶段，启蒙的AI生成+验证需求会强化这一趋势。
华大九天（Empyrean，301269.SZ）
• 国内EDA龙头，以模拟电路设计见长 • 2025年前三季度营收约8.05亿元，同比增长8.24% • 毛利率约90.5% • 研发投入占比高达69.2% • 已有多起并购动作（如芯和半导体），补齐数字EDA和IP能力 • 华大九天的LPCM若集成其工具链，可形成"AI+EDA"平台
概伦电子（Primarius，688206.SH）
• 专注器件建模、电路仿真、内存/先进工艺验证 • 2025年全年预计营收约4.87亿元，同比增长16% • 实现扭亏为盈，归母净利润约3600万元 • 前三季度归母净利润同比增长173% • 工具被多家全球晶圆厂验证
这些公司通过并购和AI集成，有望向"设计平台"演进，向下服务众多fabless企业。
AI芯片设计层：迭代加速的直接受益方
设计周期缩短后，产品更新换代会更快，利于规模商用。
寒武纪（Cambricon，688256.SH）
• AI推理芯片领军企业 • 2025年全年营收64.97亿元，同比增长453% • 归母净利润20.59亿元，首次实现年度盈利 • 云端产品占比近99.7% • 启蒙可助力其快速迭代SoC架构和算子库
摩尔线程（Moore Threads，688795.SH）
• 全功能GPU厂商，2025年底科创板上市 • 2025年营收15.05亿元，同比增长243% • 2026年一季度营收7.38亿元，同比增长155% • 已签下6.6亿元智算集群订单 • MUSA生态开发者超45万
这些公司正从单一芯片向"训推一体+软件生态+集群交付"转型。中国AI算力市场需求庞大，政策支持下，头部企业商业化路径逐步清晰。
制造/封测与垂直应用
• 中芯国际、华虹半导体：承接更多流片需求 • 盛合晶微等封测企业：受益先进封装（2.5D/3D、HBM） • 垂直领域：边缘IoT、工业控制、汽车电子、农业传感器等可能出现更多专用ASIC
几点思考
1. 窗口期的现实性
启蒙打开了一条在约束条件下加速设计的路径，但成功仍依赖工程验证、供应链协同和生态构建。v1到v2的几个月跨越显示迭代潜力，但距离全面商用还有工程距离。
2. 风险因素
• 技术验证持续性 • 国际环境变化 • 良率与成本控制 • 软件生态成熟度
资本市场已给予AI芯片和EDA公司较高估值，未来需看财报兑现和产品稳定性。
3. 分布式与规模化潜力
正如公开平台讨论中隐含的观察，未来可能有更多垂直场景定制芯片。但大规模应用仍需全产业链配合，数据飞轮的闭环效果将决定长期竞争力。
4. 数据为本的长期逻辑
中国拥有庞大的应用场景，若把真实设计、流片和部署数据有效用于模型迭代，启蒙等工具的性能有望持续提升。这不是取代现有制造能力，而是与之互补的加速器。
写在最后
从一条普通帖子开始，我花时间借助AI读论文、查公司财报，得到的是一幅渐进但有方向感的产业图景。
启蒙代表了中国在AI驱动芯片设计上的具体尝试，它在现有条件下提供了一定缓冲和加速空间。
未来几年，这些上市公司的产品迭代、新工具集成和财报表现，将是更可靠的观察窗口。
这不是一个"弯道超车"的故事，而是一个"在约束条件下寻找可行路径"的记录。
本文基于公开论文、公司公告和市场数据，避免主观臆断，只呈现可查证的事实。数据随时间更新，任何投资决策请结合最新公开信息和专业评估，本文仅为个人学习记录。
参考来源：
• 启蒙论文：arXiv:2506.05007 • 启蒙-CPU-v2：arXiv:2505.03195 • 项目官网：qimeng-ict.github.io • 各公司2025-2026年报及公开市场数据
