夜雨聆风在查阅了《AI 4Chip 》中的所有内容之后，并未发现有任何一条是说要追上美国EDA的。
在北京经开区于2024年8月份发布出来的《AI4Chip 20条》中没有出现过有关于“追赶Synopsys或者Cadence”这样的内容。“这表明中国芯片不会继续沿着传统的EDA道路去拼搏了，在整个过程中都用上了人工智能。”
这是对人工智能进行重新构建的一个新阶段的到来。
会有人问到，在传统EDA赛道上被中国芯片所替代了吗？因为到2026年整个EDA市场的规模就会达到187.6亿美金，而新思、楷登、西门子这三家公司就占了其中的74%，在华市场的份额超过了90%。经过不断的并购和专利壁垒之后形成了一个坚固的地盘后人很难通过传统的途径突破。中国的EDA市场规模只有约184亿人民币左右，但是每一美元的EDA投资可以支持到三十多块钱的半导体产出量，并且杠杆效应非常强来突出EDA产业的战略地位。但是中国的EDA企业一直处在边缘的位置。
中国的EDA目前的情况怎么样呢？国产EDA龙头华大九天在国内市场份额只有5.9%，包括了概伦电子和广立微在内的三家公司合计不到10%，整个国产化率约为23%。华大九天已经覆盖了大约七到八十个百分点的设计需求在14nm节点上，并且和国际大厂有着不小的差距，在高端数字芯片领域还主要依靠国外的产品。这个差距不是短期内就能弥补上的，需要长时间的努力才能实现，而且我国EDA企业在模拟电路、射频等方面也存在不足之处。
更麻烦的是，在2022年的八月份的时候就对GAAFET架构下的EDA软件进行了出口管制，相当于给传统路径上再加了一道锁。另外，在小于等于3纳米的情况下，传统EDA中的物理求解器面临的是计算复杂度指数级别的增长，并且已经接近于数学上的极限了。西方各大公司也在自己的产品里加入人工智能来解决问题，例如Synopsys的DSO.ai、西门子的AI Agent等等，但是并没有从头做起重新构建整个系统的框架。中国芯片企业在传统的EDA赛道上是“十面受敌”的局面下要突围出来很困难。
其实中国并没有历史包袱可以负担，在这之下就可以做一款纯粹的“AI原生”芯片的设计系统了，从头到尾都是用AI来改造整个流程。Google
这就是AI4Chip 20条出台的原因。北京经开区行动方案中的五个主要任务分别是人工智能原生全栈赋能、人工智能+智能设计、人工智能+智能制造测试和验证、人工智能+机械设备与材料以及人工智能+产业生态系统。到2028年前要培养出三到五个有影响力的AI4Chip生态系统领导者公司。也就是说让人工智能在整个过程中起作用，在于结构探索和布局布线之间，在于仿真的验证以及工艺优化的过程里都要用到人工智能来代替人工作。这就相当于把芯片的设计由人工绘制变成了由人工智能自动产生出来的结果，效率提高了不止一个数量级，并且还可以发现出人们所忽视的一些优化的空间从而大大缩短了芯片的研发周期。“手工绘制图纸”的时代已经过去了。后面的内容是按照一定的逻辑顺序排列出来的，并且有条有理地发展下去的。“黑箱”的含义就是指不透明的状态或者是过程中的某个环节不知道其具体内容或方法论上说不清楚的东西。生态系统的建立要比技术创新更困难一些，在于是否能够形成持久的影响以及是否有足够的资源来支持下去。“AI4Chip”成功与否的关键在于产业数据能否自由流通。“比较一下的话”，Google AlphaChip 有自家TPU 大量数据支持的是中国不能够拥有的东西——所以我们要建立起属于自己的数据生态系统。
AI4Chip 20条强调“产业生态育芯”，这意味着不能单打独斗，需要建立从设计到制造的完整 AI 赋能平台。这需要传统EDA企业、芯片设计公司、晶圆厂、封测厂以及AI公司共同参与，形成一个数据共享、工具协同的生态。生态的构建，可能比技术突破更具挑战性，但也更具长期价值，一旦形成，会形成强大的网络效应，巩固AI4Chip的竞争力。
AI4Chip的“原生”二字很关键。它不是像Synopsys DSO.ai那样在现有工具上加个AI插件，而是从底层架构开始，让AI成为设计流程的核心引擎。这就像在Windows系统上跑个AI程序，vs.直接开发一个AI原生操作系统。后者效率更高，但风险也更大，需要重新设计数据接口、验证流程，投入巨大。中国选择后者，是因为没有历史包袱，可以轻装上阵，但也意味着更大的不确定性。但一旦成功，将建立全新的技术标准，甚至可能主导下一代芯片设计范式。
但这条路没那么简单。我注意到，AI4Chip最大的瓶颈不是技术路线，而是数据。AI模型需要大量真实芯片设计数据来训练，但中国先进制程流片机会有限，中芯国际的产能和工艺成熟度仍然受限。没有高质量数据，AI再聪明也没用。北京经开区提到要“打通本土晶圆厂的真实制造与良率数据”，这很关键。但数据开放共享的难度，有时候比技术突破还大，涉及企业机密和利益分配。产业数据能不能真正流动起来，才是AI4Chip成败的命门。相比之下，Google的AlphaChip有自家TPU的海量数据，这是中国不具备的，中国必须建立自己的数据生态。
另外，人工智能产生的芯片的物理可靠性验证存在很大的风险。人工智能会给人造成假象，并且设计出看上去很规范但是实际上存在漏洞的设计图。目前底层物理验证引擎仍然依靠欧美工具或者自行研发突破，并不能简单地说“用人工智能代替一切”。NVIDIA Blackwell有2080亿个晶体管，采用台积电4nm工艺，在三纳米以下做一次流片的成本就达到了一亿五到六千万美元之间。如果出现错误的话后果会很严重。因此，AI4Chip必须要过这个验证这一关，这就需要长时间的投资——包括自研验证工具、构建可靠的标准以及开发新的验证理论等等。
但是中国的芯片选择了用人工智能来重新构建的方式进行突破，并且不是去追赶欧美国家的脚步而是另起炉灶去开创一片天地。但是技术范式的转变并不是通过一份文件就可以完成的，在于有没有真实数据来证明它的正确性以及是否能够得到广泛的认可，并且还需要持续的资金支持。不论结果如何，“不按常理出牌”突围的方法给整个半导体行业带来的启示要比一个地方性的政策文件更深远一些。我认为这场比赛胜负的关键在于数据层面是否能够打通循环圈路子。所以我说这个冲击会比技术替代来得早一些。你知道吗？新思科技到2025年营业收入将达到六百亿美金左右，其中大部分来自许可费收入的增长之下，AI4Chip可能会动摇其基础并会影响整个行业的发展方向。
中国只有很少的人知道这件事并且也没有任何历史上的先例可以作为参考依据。
AI4Chip 20条是中芯公司在“卡脖子”的情况下做的一次战略性豪赌，并不是跟随欧美之后补课，在这里有一张试卷上又添加了一份新的试题。但是技术范式的变化从来都不是一份文件就可以完成的事情，它需要真实的资料、可靠的结果以及不断的资金投入来实现。无论结果怎么样，“不按常理出牌”的突围思路对整个半导体行业的启示要比一个地方性的政策文件来得更深远一些。“我”认为这个博弈的结果取决于数据是否能够打通循环链条路子，一旦打通了数据闭环就可以大大提升AI4CHIP成功的几率。没有人能够预测到最终的结果是什么样子的，但是有一点可以肯定的是：中国的芯片一定要有所改变了。#AI4Chip# #中国芯片# #EDA#