芯片工程师慌了:AI 12小时设计CPU,219词造芯片

一个AI Agent，花12小时，读了一份219个词的需求文档，从零设计出一颗完整的1.48GHz CPU。

工程师全程没碰键盘。

一、这不是科幻，是已经发生的事

先说一个事实。

以前设计一颗芯片，18到36个月，几百号工程师，预算2亿美元起步。苹果M系列芯片从立项到量产，四年。

现在，一个AI Agent，12小时，219个词的输入，直接输出业界标准的GDSII版图文件——这是芯片制造厂拿去就能流片的标准格式。

我说的是Verkor.io的Design Conductor。

这家AI芯片设计初创公司三月份发了一篇论文，但直到这周才真正引爆科技圈——因为IEEE Spectrum和Tom's Hardware都做了专题报道，数据太硬了。

核心数字：

• 输入：219个词的规格文档

• 时间：12小时

• 输出：一颗完整RISC-V CPU，32位，五级流水线

• 工艺：ASAP7 7nm PDK（工艺设计套件）

• 频率：1.48 GHz

• 性能：CoreMark 3,261分

3,261分是什么水平？大概等同于2011年的Intel Celeron SU2300。

这个对比最扎心的地方不在于性能高低，而在于时间差——人类用了几十年才走完的设计进化路，AI在12小时内重走了一遍。

Verkor说这是AI Agent首次自主完成从规格到版图的全流程芯片设计。没有人类工程师干预，没有碎片化的工具链拼接，没有"AI辅助设计师"这种中间态。Agent自己写的RTL，自己做的综合，自己布的局，自己跑的验证。

这不是2011年的性能，问题是——它只用了12小时，从零开始。

二、Design Conductor到底是怎么工作的

这里有个关键理解，必须先说清楚。

Design Conductor本身不是一个AI模型。

它是一套"Agent调度系统"——论文里叫harness——负责指挥大语言模型按芯片设计的标准流程一步步推进。

打个比方：Design Conductor是项目经理，LLM是工程师。项目经理不需要自己会画版图，但它知道什么时候该叫工程师干活、什么时候该验收结果、什么时候发现不对要回溯重做。

这个设计理念本身就是革命性的。

它的工作流程跟人类芯片设计师完全一样：

第一步：分析规格。 Agent读219个词的需求文档，理解这颗CPU要做什么——指令集是什么、性能目标是多少、功耗约束是什么。这个阶段花了不到1小时。

第二步：写RTL代码。 寄存器传输级代码，描述CPU的数据流和控制逻辑。这是芯片设计的核心环节——把"要做什么"翻译成"电路该长什么样"。

第三步：逻辑综合。 把RTL代码翻译成门级网表——真正的与非门、触发器、连线。这个过程中Agent遇到bug会自动debug、回溯重写RTL。

第四步：物理设计。 这是最复杂的阶段。电源网络设计、时钟树综合、信号时序分析、布局布线。Agent自己调用开源工具OpenROAD完成布局布线，反复迭代直到时序收敛。

第五步：输出GDSII。 最终版图文件，制造厂可以用它来生产掩膜版。

每一步做完，Agent会自我检查，发现异常就回溯。整个过程完全是自主的——不是"人告诉Agent下一步做什么"，而是"Agent自己决定下一步做什么"。

Verkor联合创始人Suresh Krishna在接受IEEE Spectrum采访时，说了一句点题的话：

"让Agent解决完整的端到端问题，比把工作流拆成碎片更有效。"

这句话背后的逻辑是：传统EDA工具的AI辅助方案，都是把设计流程切成小块——逻辑综合用一个AI、验证用另一个AI、布局布线再用一个。碎片化之后，每个AI只看到自己那一小块，看不到整体。

Design Conductor的做法是：让一个大模型看完整张图。虽然单个步骤可能不是最优的，但整体结果更好——因为Agent在做任何局部决策时，都知道这个决策会如何影响全局。

这个思路，跟人类顶尖设计师的思维方式一模一样。

还有一个细节值得单独拎出来说：在VerCore的设计过程中，Agent自己生成了超过5,000个测试用例来验证RTL代码的正确性。这不是人要求它做的，是Agent自己判断需要测试，于是自我生成了测试套件并运行。这个行为本质上是"自我反思"——它知道自己可能会犯错，所以主动增加验证环节来降低风险。

三、这不是孤例，趋势非常清晰

Verkor的VerCore不是AI设计芯片的第一个案例，但它是最完整的。

在它之前有两个标志性项目，放在一起看，趋势就非常清晰了。

QiMeng-1（中国科学院，2023年）：用布尔函数综合方法，5小时自动生成一颗RISC-V芯片。但只完成了前端设计——RTL到网表这部分。性能约等于1989年的Intel 80486。他们真的流片了，芯片能跑。这是业界第一次证明AI可以自动设计能用的CPU。

QiMeng-2（中国科学院，2025年）：升级到超标量架构，性能约等于ARM Cortex-A53——这是一个巨大的跨越，从80年代直接跳到2010年代。但仍然只做了前端设计。

VerCore（Verkor.io，2026年）：12小时，从前端到后端全流程，规格到GDSII全链路闭环。性能约等于2011年的Intel Celeron SU2300。

项目 | 时间 | 方法 | 性能等级 | 范围 | 是否流片

QiMeng-1 | 2023 | 布尔函数 / LLM | 80486（1989） | 前端 | 是

QiMeng-2 | 2025 | AI发射模型 | ARM Cortex-A53 | 前端 | 未确认

三句话看懂这个表格：

第一句：三年时间，AI设计芯片从"能做但性能像1989年"飙升到"能做但性能像2011年"。22年的差距，被压缩到3年。这不是线性进步，是指数级的。

第二句：Verkor第一次走完了全流程——前两代都停在RTL到网表，Verkor一直走到GDSII版图，这是业界标准交付物。从"完成了第一步"到"完成了最后一步"，用了三年。

第三句：QiMeng-1流片成功了，VerCore还没有。不要低估从仿真到硅晶圆的距离。

按这个速度推演：如果每三年追22年的性能差，2029年AI设计出来的芯片性能应该接近2026年的商用水平。到时候你笔记本电脑里，可能就有一颗AI Agent设计的处理器。

不是开玩笑。

四、最大的代价不是钱，是靠算力补经验

Verkor团队非常坦诚地承认了Design Conductor的致命缺陷。

它缺一样东西——直觉。

人类的芯片设计师，工作5到10年后，脑子里长着一套"这肯定不行"的本能判断。看到某个时钟树方案，不用跑仿真就知道会崩。看到某个电源网络布线方案，扫一眼就知道要改。

AI没有这种直觉。它没有"踩过坑"的记忆。它的策略是：把所有方案都试一遍，选一个最好的。

这种策略的代价，写在论文的这句话里——"同类设计需要几十亿个Token"。

翻译一下：Design Conductor完成一颗VerCore级别的CPU设计，消耗的Token量在数十亿级别。按当前主流模型API定价，单次设计的API成本在数万到十万美元之间。

对比一下：一个芯片设计工程师的年薪是15万到25万美元。你花10万美元让AI跑一次，但可能还要跑5到10次才能拿到满意的方案。

短期内，AI设计芯片在成本上完全没有优势。

但这里有个陷阱——成本不决定一切，速度决定一切。

人类设计师12周才能完成一轮的设计迭代，AI Agent 12小时就能跑完。在芯片设计这种"越早上市越赚钱"的行业里，时间就是钱。一颗手机SoC晚一个季度上市，可能损失5亿美元的收入。

所以真正的商业计算不是"AI比人便宜多少"，而是"AI帮我早上市多久"。

Verkor的论文也直接承认：一颗量产级芯片，仍然需要5到10名资深工程师来引导Agent。

Design Conductor不是替代工程师的，是替代工程师"试错"这个环节的。以前验证一个架构方案需要一周，现在交给Agent跑一遍，12小时出结果。工程师的作用从"自己做设计"变成了"判断Agent做的对不对"。

这个转变，比"AI做了设计"这个新闻本身，更值得关注。

五、对芯片行业的深层影响

芯片设计是世界上最复杂的工程活动之一。一颗现代SoC——比如苹果M3——包含250亿个晶体管，设计团队上千人，开发周期36个月。

AI Agent在这个领域的突破，影响的不是"芯片工程师会不会失业"，而是更根本的东西——芯片设计的成本结构正在被改写。

具体来说有三个层面：

第一层：设计空间探索的量级提升。

以前芯片架构师敢探索的方案很有限——验证一个方案要一个月，一年最多试12个。现在让Agent帮你跑，12小时一个方案，一年能试700个。这会改变"什么架构是好的"的判断标准——以前因为验证周期太长而被放弃的方案，现在可以全部跑一遍试试。一个被验证了两百次的搜索空间，和只被验证了十二次的搜索空间，找到最优解的概率完全不在一个量级。

第二层：AI EDA市场正在快速增长。

MarketsandMarkets的最新报告显示，AI EDA市场规模2026年为42.7亿美元，预计到2032年将达到158.5亿美元，年复合增长率超过24%。翻译一下：整个芯片设计工具市场正在被AI全面改写。EDA三大巨头——Synopsys、Cadence、Siemens EDA——都在重仓AI辅助设计。Synopsys的DSO.ai已经参与了数百次商用芯片的设计流片，日积月累的实际数据反过来又成了AI模型的训练燃料。

第三层：创业公司的机会窗口。

以前做芯片，没有几亿美元、几百号人、三五年时间，根本进不了这个领域。但如果AI Agent能把设计周期压缩到几个月，成本降到几百万美元——那行业门槛就被打破了。RISC-V开源指令集加上AI Agent设计工具，可能催生出一批"轻量级芯片创业公司"。它们不需要从零搭设计团队，不需要花三年走一遍流程，只需要几个懂芯片的人带队、一个Agent闭环系统，就能在半年内完成一颗定制芯片的设计。

六、必须泼一盆冷水

数据很爽，但该泼的冷水不能少。

第一条冷水：VerCore还没有流片。

它的"成功"建立在ASAP7工艺设计套件的仿真环境中——这是一个学术版的7nm PDK，不是真实的晶圆厂PDK。从仿真成功到流片成功，中间还有无数实际物理世界的坑。良率、功耗泄漏、工艺偏差、热效应——这些东西仿真模型永远模拟不完全。一颗在仿真中完美通过的芯片，在硅晶圆上可能完全跑不起来。

第二条冷水：VerCore是一颗极其简单的CPU。

32位RISC-V，单核，顺序执行，单发射——这些特征加起来意味着它的复杂度大约是一颗商用CPU的百分之一。现代芯片是64位、多核、乱序执行、片上网络、AI加速器，复杂度高出两到三个数量级。从VerCore到苹果M3，中间差了三个世代。

第三条冷水：行业采用不会很快。

芯片行业是最保守的工程行业之一。一颗有bug的芯片可能导致数十亿美元的召回和产品延迟。要让一家芯片公司放心地把设计流程交给AI Agent，保守估计需要3到5年的验证和信任建立。没有哪家公司的CTO敢在今年就说"我们的下一代芯片是用AI Agent设计的"——除非他已经找好了下家。

从"能做CPU"到"能做能卖的CPU"之间的距离，可能比从"不会做"到"能做"还大。

但另一方面——12小时从规格到版图，这个速度本身就改变了游戏规则。即便只是用于快速原型验证和设计空间探索，也已经具有巨大的实用价值。

七、现在该做什么

如果你是个体芯片工程师：

不要恐慌AI取代你。Verkor明确说了，量产级芯片需要5到10名资深工程师来引导Agent。AI Agent不是在取代你，而是在重新定义你的价值——"你不画版图谁画"的时代结束了，"你来定义什么是好设计"的时代开始了。你的经验判断和直觉，比你会不会用EDA工具更值钱。

如果你是芯片创业公司：

把Design Conductor这类工具加入你的设计流程。12小时验证一个方案的团队，在市场上会碾压12周验证一个方案的团队。激进的设计空间探索是你的武器——传统大厂做不到因为流程太固化。利用这个速度差，去尝试大厂不敢试的架构方向。

如果你是投资人：

AI EDA赛道值得认真看。Verkor这类公司正在改写芯片设计的成本结构。但注意区分"能跑仿真"和"能流片量产"的差距——前者是技术demo，后者才是商业价值。投资那些有真实流片经验的团队，而不是只有论文演示的项目。

如果你只是关心AI发展的人：

记住这个日子——2026年5月，AI Agent自主设计了一颗完整的CPU。这不是AI的奇点时刻，但它是AI从"辅助"走向"独立"的标志性事件。再过几年回头看，可能就是这个时刻告诉你：AI能做的不只是写代码、画图、写文章——它能做世界上最复杂的工程设计。

219个词，12小时，一颗CPU。下次看到AI新闻说"Agent帮你写代码"的时候，你想一下——它可能正在设计你未来电脑里的芯片。

👉 你觉得5年内AI Agent设计的芯片能装进手机里吗？来评论区说说你的判断。

👉 如果觉得有收获，点赞/在看/转发三选一

📦 粉丝福利：我整理了3个普通人能用的AI Agent副业工具包，关注我后台回复「工具」直接拿

*「风清扬」专注 AI Agent 与自动化工作流的深度观察。关注我，不错过每一篇分析。*