这两年服务过很多芯片上下游的公司，最近一直在想一个问题：

AI 到底会怎么改变一家模拟芯片公司？

不是给工程师装一个 Coding Agent，不是做一个企业知识库，也不是做一个 FAE 问答机器人。

我想讨论一个更激进的问题：

一家模拟芯片公司，在 AI 时代，是不是也应该成为一家 AI 公司？

这句话听起来很像废话。因为今天几乎所有公司都可以说自己是一家 AI 公司。

银行可以说自己是 AI 公司，制造业可以说自己是 AI 公司，软件公司当然更可以。

所以真正的问题不是：

“你有没有用 AI？”

而是：

AI 会不会改变你的生产函数、组织方式、数据资产，以及这家公司的第二条增长曲线？

如果不会，那你只是一个 AI 用户。如果会，那才叫 AI-native。

一、首先是一个最简单、但可能也是最重要的问题：你到底信不信 AI？

我越来越觉得，今天企业面对 AI，很多问题最后并不是技术问题。

而是一个非常简单的问题：

老板到底信不信？

不是嘴上说“我们很重视 AI”。

而是你是不是真的相信：

未来三年到五年，AI 会重构大量知识工作和工程工作。如果你不相信，那其实非常简单。

买几个 Copilot。做个企业知识库。给员工接个大模型。成立个 AI 兴趣小组。每年汇报一下“AI 提效成果”。完全没问题。

因为你的基本假设仍然是：

公司原来的生产方式没有发生变化，AI 只是多了一个效率工具。

但如果你真的相信 AI 是一次类似互联网、移动互联网，甚至可能更大的生产力变化，那逻辑就完全不一样了。

这时候应该问的是：

如果今天重新设计一家模拟芯片公司，它的组织、研发流程、数据系统、产品定义方式，还应该和十年前一样吗？

我觉得这是两个完全不同的世界。

二、模拟芯片公司过去的商业逻辑其实非常清楚

传统模拟芯片公司的商业模型很好理解。

做一颗芯片，定义产品，设计，验证，流片，量产，卖出去。

最后公司的价值可以相对清晰地落到：

有多少产品 × 每个产品卖多少颗 × ASP × 毛利率。

再进一步，就是：

产品组合多不多？

客户多不多？

Design-in 多不多？

研发投入多少？

每年能推出多少新品？

制造成本怎么样？

生命周期有多长？

这些东西最终都能够映射成收入、利润和现金流。

这是一家非常典型的硬件公司逻辑。

而且这个商业模式过去几十年已经被证明非常成功。

问题是：

AI 时代会不会在这个模型上面，长出第二层东西？

三、我的第一个暴论：模拟芯片公司未来可能同时是一家“工程数据公司”

注意，我这里说的不是：

把芯片数据卖出去。

这很危险，也不现实。

我说的是另外一种东西。

一家模拟芯片公司每天都在产生极其高价值的数据。

但是今天，我们通常根本没有把它当成“资产”。

比如：

为什么这个产品当初定义成这个参数？

为什么最终选择这个拓扑，而没有选另外一个？

一个模拟工程师做了 30 次仿真，前面 29 次为什么失败？

哪个 Corner 出现了问题？

为什么这里最后改了这个参数？

为什么第一次 Tape-out 回来之后，Simulation 和 Silicon 对不上？

FA 最终是怎么找到 Root Cause 的？

客户在一个非常特殊的应用场景下为什么出现问题？

最后怎么解决？

这个经验有没有回到下一代产品？

这些东西是什么？

其实就是：

Problem↓Context↓Decision↓Action↓Tool Result↓Failure↓Correction↓Final Result

这是一整条真实的 Engineering Trace。

今天互联网大模型能够看到很多 Datasheet。

能够看到论文。

能够看到教材。

也能够看到很多公开代码。

但它看不到一家真实芯片公司过去十年：

到底是怎么把一颗颗芯片做出来的。

尤其看不到那些失败。

而恰恰是：

失败 → 修改 → 再验证 → 最终成功

这类数据，可能才是未来 Engineering Agent 最值钱的东西。

所以未来一家模拟芯片公司，除了拥有：

IP、产品、客户、供应链、人才

之外，可能还会多一个非常重要的资产：

Machine-readable Engineering Experience。

机器可以理解、检索、执行和学习的工程经验。

四、为什么现在这个东西突然开始有价值？

因为以前这些数据其实也存在。

2015 年一样有仿真 Log。一样有 FA Report。一样有项目复盘。一样有工程师改代码。但是那时候，机器没有足够强的能力去“消费”这些东西。

今天开始不一样了。

LLM Agent 可以：

理解自然语言；

理解代码；

查找文档；

调用工具；

运行编译器；

运行仿真；

读取 Log；

根据结果继续修改；

再执行下一步。

于是第一次出现了一种可能：

企业过去散落的工程经验，可以被组织成机器能够使用的工作记忆。

这也是为什么最近 EDA 行业已经明显从“AI 辅助设计”往 Agentic Engineering 走。

Cadence 的 ViraStack 已经明确进入 Custom/Analog 场景，包括 schematic creation、testbench development、circuit optimization 和 layout migration；Synopsys 也正在推动 AgentEngineer，让 Agent 跨多个 EDA workflow 执行任务，而工程师继续保留关键决策和 signoff。([Cadence][1])

这说明一件事情：

Agent 已经开始从“回答工程问题”，进入“执行工程流程”。

这是性质上的变化。

五、第二个暴论：如果一直按照巨头的经营方式和巨头竞争，你大概率永远在他后面

模拟芯片行业有一个特别现实的问题。

你的竞争对手可能是谁？

TI。ADI。Infineon。ST。这些公司有什么？更长的历史。更多的研发人员。更大的研发投入。更多的客户。更多的产品。甚至还有 IDM 制造优势。

TI 在 2025 年依然拥有超过 80,000 个产品，单 Analog 业务收入就达到约 140 亿美元。([SEC][2])

那问题来了：

如果你的打法仍然完全是：

多招工程师↓多开产品↓多做 SKU↓多找客户↓慢慢积累 20 年

那你凭什么超过一家已经积累几十年的公司？

对方比你：

高。壮。老。钱多。人多。SKU 多。渠道多。

然后你跟他采用完全一样的经营模型。

那很可能你的最好结果就是：

一直在追。

所以真正值得问的问题不是：

AI 能不能让我少招几个工程师？

而是：

AI 有没有可能改变后来者和巨头之间的竞争函数？

六、真正应该追求的，不是“减少多少人”，而是“一个人能做多少事情”

这是我觉得 AI 对 Fabless 最有意思的地方。

一个公司的研发人数永远是有限的。

尤其模拟芯片又特别依赖资深工程师。

所以未来真正应该观察的指标可能是：

Products / Engineer

或者更广义一点：

Engineering Throughput / Engineer

以前一个资深工程师同时监督几个实验。

未来有没有可能：

一个工程师下面有十几个 Agent 帮他：

查历史设计；

生成 Testbench；

跑 Regression；

分析 Log；

检查规格；

修改代码；

调用编译器；

做竞争产品分析；

整理 FA 数据。

工程师自己从：

执行大量步骤的人

变成：

管理大量 Engineering Agent 的人。

这才是生产函数真正发生变化。

Synopsys 最近对 AgentEngineer 的描述其实非常直接：有些公司会用新增的生产力缩短周期，有些会用同样人数处理更高复杂度，还有一些会用同样的工程师做更多产品。([Synopsys][3])

我觉得最后这一点尤其适合模拟芯片公司。

七、这时候，公司的第二曲线就开始变得有意思了

传统芯片公司的第一曲线很好理解：

产品×销量×ASP×毛利

但 AI 时代是不是可能出现第二曲线？

比如：

产品越多↓工程任务越多↓真实 Engineering Trace 越多↓Agent 对企业越了解↓研发效率越高↓可以支持更多产品↓产生更多客户和工程数据

这是一个飞轮。

它和传统硬件业务有一个很大的不同。

过去：

卖出第 100 万颗芯片，并不会自动让第 100 万零一颗芯片“更聪明”。

但是如果每一个研发项目都在不断产生：

Task → Action → Result → Feedback

那理论上：

做完第 100 个产品之后，公司做第 101 个产品的 Agent 应该比做第一个的时候更聪明。

这就是我所谓的：

Engineering Learning Rate。

一家企业学习的速度。

长期来看，这可能是一种以前财务报表里很难看到的新资产。

八、但这里有一个非常大的误区：AI 落地 ≠ RAG + 问答 + Agent 助手

我自己做企业 AI 越来越强烈的一个感受是：

传统企业 IT 和今天真正意义上的 AI Engineering，并不是完全同一类工作。

当然 IT 很重要。账号。网络。数据库。ERP。权限。部署。安全。这些都必须有。

但如果一家公司所谓的 AI 转型最后只是：

接一个模型+做个 RAG+搭个知识库+做几个工作流

我觉得远远不够。

因为真正的问题是：

今天 Agent 每执行一次任务，公司有没有因此获得一条未来可以利用的新数据？

比如一个 Coding Agent：

用户提出任务↓Agent 查 SDK↓修改代码↓调用 Keil↓编译失败↓读取 Error↓修改代码↓重新编译↓Build Pass↓硬件 Bring-up↓工程师确认

这整条东西才有价值。

而不仅仅是最后那段代码。

九、未来 AI 基础设施真正核心的可能是三个东西：Trace、Eval、Feedback

现在大家特别喜欢讨论模型。

GPT 还是 Claude？

DeepSeek 还是 Gemini？

其实我越来越觉得，对企业来说模型反而可能是最容易替换的部分之一。

真正难的是：

第一，Trace

Agent 到底干了什么？

调用过什么工具？

查了什么资料？

失败了几次？

工程师改了什么？

最后成功了吗？

第二，Eval

你怎么知道它真的变好了？

不是：

“感觉挺聪明。”

而是：

Build Pass Rate 有没有提高？

Debug 时间有没有下降？

FAE 接受率是多少？

错误推荐率是多少？

Regression 是否真正跑通？

客户问题到底有没有解决？

第三，Feedback

工程师：

接受了什么？

拒绝了什么？

为什么修改？

最终 Silicon 怎么样？

客户最后有没有认可？

只有这三件事情建立起来以后：

Agent↓Trace↓Outcome↓Evaluation↓Human Feedback↓更好的 Context / Skill / Model↓更好的 Agent

这个系统才真正开始转。

否则所谓 AI 转型，很可能永远停留在 Demo。

十、再往后，才轮得到模型后训练

这个顺序我觉得特别重要。

很多企业一上来会说：

“我们有很多私有数据，要不要训练一个自己的模型？”

我觉得未必。

第一步甚至根本不应该是训练模型。

应该先搞清楚：

什么东西应该 RAG？

什么东西应该变成 Tool？

什么东西应该做 Skill？

什么东西应该进入 Knowledge Graph？

哪些 Agent Trace 才值得训练？

因为大部分企业数据其实不是 Training Data。

比如 Datasheet。

直接检索就好了。

Keil Compiler。

直接调用就好了。

Spectre。

直接调用。

真正可能适合后训练的，是那些：

经过验证、有人类反馈、并且有明确 Outcome 的高质量 Engineering Episode。

所以：

先生产好数据，再谈训练。

而不是反过来。

十一、那模拟芯片公司自己能不能做这件事？

这是一个很难的问题。

我的答案是：

可以，但不能按照传统 IT 项目的方式做。

因为这个事情横跨：

AI；

芯片研发；

数据；

软件工程；

EDA；

业务流程；

安全；

组织变革。

真正做的时候，你会发现 AI 团队根本不可能自己闭门完成。

因为 AI 团队不知道：

哪个 Corner 重要；

什么叫真正的 Bring-up 成功；

哪个版本能用；

什么结果可以 Signoff。

但是传统工程团队通常又不懂：

Agent Runtime；

Trace；

Eval；

Context Engineering；

模型后训练；

Tool Use。

所以真正的组织结构一定是：

AI Platform + Domain Expert。

而不是：

“成立一个 AI 部门，所有需求都扔过去。”

十二、大模型公司或者大厂能不能帮你做？

当然可以。

但我认为这里有一个现实问题：

他愿不愿意投入足够深的资源？

因为真正有价值的工作不是给你部署一个模型。

而是有人真正进入你的研发现场：

理解流程；

理解数据；

接你的工具；

设计 Eval；

收集 Trace；

不断迭代。

甚至几年后：

把高质量数据真正用到后训练。

这需要非常重的投入。

OpenAI 现在甚至专门设置了 Semiconductor Technical Deployment Lead，由 FDE 深入客户的 RTL、Verification、EDA 和 Physical Implementation workflow，并负责把客户现场的模式、Eval 和 ROI 做成可重复能力。([OpenAI][4])

这个岗位本身就说明：

最难的不是模型 API，而是 deployment。

但是问题仍然存在。

一家模型公司有那么多行业。

为什么它要把最核心的人持续几年投入一家模拟芯片公司？

而且真正核心的：

设计数据；

失败数据；

客户数据；

Silicon 数据；

最后到底属于谁？

这就是企业必须提前思考的问题。

十三、所以我越来越觉得：模型可以买，但“公司的学习系统”最好掌握在自己手里

未来底层模型一定会不断变。

今年 DeepSeek。

明年可能又有新的模型。

Cadence 会有 Agent。

Synopsys 会有 Agent。

各种开源 Harness 也会越来越成熟。

这些东西都可以买、可以换。

但以下东西最好属于公司自己：

Engineering TraceEvaluation BenchmarkDomain SkillTool ConnectorEngineering MemoryHuman FeedbackOutcome Data

原因很简单：

模型是别人的能力，企业自己的 Engineering Learning Loop 才是自己的能力。

模型换掉以后，这些东西仍然可以继续使用。

十四、最后又绕回到了最开始的问题：老板到底信不信？

我现在越来越觉得，这件事情最终是一个 CEO / Founder Level 的选择。

因为你有两个完全合理的战略。

路线一：稳健型

观察。

采购成熟工具。

等 Cadence 做。

等 Synopsys 做。

等大模型公司把行业方案做成熟。

然后跟进。

这条路线没有错。

风险最低。

路线二：激进型

假设 AI 真的是一次巨大的生产力革命。

那么从今天开始：

重构数据；

记录 Trace；

建设 Eval；

把 Agent 放进真实 Workflow；

允许失败；

重新设计工程流程。

用未来三五年来赌：

能不能把一家传统 Fabless，变成一家 AI-native Fabless。

这条路线风险当然更大。

但是它有一个完全不同的潜在回报：

你不是在追赶上一代公司的经营模式。

你是在赌：

下一代模拟芯片公司应该怎么经营。

十五、我真正想问的不是“AI 能不能帮助芯片设计”

这个问题其实已经没有那么有意思了。

Cadence、Synopsys 等 EDA 巨头已经在往 Agentic Engineering 推进，甚至开始进入 Analog/Custom Design、Verification、Debug 等工作流。([Cadence][1])

真正值得问的是三个问题：

第一个问题：

如果 AI 最终可以让一个工程师管理十倍于今天的工程实验，一家模拟芯片公司的组织应该怎么变化？

第二个问题：

如果每一次产品设计、每一次失败、每一次流片和每一次客户问题，都可以成为下一代 Agent 的训练和评测数据，那么一家芯片公司的数据到底应该怎么管理？

第三个问题：

如果你的竞争对手比你历史长、资金多、SKU 多、研发投入也更高，那么你到底是继续用他的游戏规则追赶他，还是趁 AI 出现的时候，尝试换一套游戏规则？

写在最后

我现在对模拟芯片 + AI 的判断其实越来越简单。

AI 不是给模拟芯片公司增加一个新工具，而可能是在重新定义一家模拟芯片公司的生产方式。

过去公司的复利来自：

产品。IP。客户。工程师经验。未来可能再加一个：

Engineering Intelligence。

每一个项目都让公司的 Agent 更聪明。

每一个失败都变成下一次设计的先验。

每一个客户问题都反过来改善产品定义。

最终：

更多产品↓更多工程经验↓更强的 Agent↓更高的研发效率↓更多产品

如果这个飞轮真的存在，那么模拟芯片公司未来真正值得积累的，可能不仅仅是下一颗芯片。

而是：

一家能够持续学习的工程系统。

所以最后还是那个最简单的问题。

你信不信 AI？

如果不信，一切都不用讨论。

如果真的信——

那可能就不能只做一点点。