核心要点
行业正不断提出并测试新方法，以应对芯片人才短缺问题。
在设计工具中引入AI，能提升工程师效率，并有望缩短人才培养周期。
EDA 企业正在探索：能否将计算机、软件工程师培养成硬件工程师。
从大规模落地 AI 工具，到跨领域培养非本专业毕业生，多种新方案正在研发与测试，以缓解芯片行业人才缺口。
AI赋能设计，提升效率
在 AI 领域，新型工具可帮助工程师更高效地完成半导体硬件的设计与验证，分担部分工作压力。大语言模型与自主智能体 AI可被训练为定制化助手。
这类技术会持续迭代、演进并相互融合，形成循环：需要更先进的芯片来支撑 AI，而 AI 又反过来助力芯片设计。
学界：跨界培养，软件转硬件
学术界也在尝试多种方案填补人才缺口：
•更短期、高强度的培训与跨领域培养
•利用机器学习、大模型、多智能体、混合专家 AI 等技术，训练软件工程师承担硬件工程师工作
让软件工程师学会设计硬件理论可行，但难度很大。
Cadence 验证软件产品高级总监 Matthew Graham 表示：
仍然需要一定的教育与职业培训。必须对 AI 或其他工具的工作原理有基本理解，才能与之交互。
但这些人需要成为写 RTL 的专家吗？不需要。
未来芯片开发者或许不再需要精通 SystemVerilog 或 VHDL，只需具备基础认知，就像写 C/C++/Python 的程序员知道编译器会生成汇编与机器码，但不必亲自写、也不必精通。
未来，芯片开发者与验证工程师所需的技能，会更接近软件工程师。
Graham 回顾 25 年前的行业转变：最早一批懂面向对象编程的电子工程师，被转型成验证工程师。如今历史正在重演：硬件工作会加入更多软件成分，但完全不经培训就让软件工程师直接设计硬件，几乎不现实，仍需要领域专属知识。
新思科技（Synopsys）高级总监 Anand Thiruvengadam 指出：
传统硬件设计（RTL/电路级）需要深厚的数字逻辑、时序、验证乃至模拟电路知识，流程更复杂、抽象层级更低，涉及物理约束、综合、时序收敛、制造工艺等软件工程师不熟悉的内容。
但新一代工具正在提供更高层级抽象，支持用更接近软件工程的方式描述硬件，例如用高级语言或图形界面自动综合成硬件。
AI 工具可自动完成测试平台生成、版图优化、设计建议等大量底层工作，降低硬件入门门槛。
卡内基梅隆大学博士、ChipAgents 研究负责人张科迅认为：
好芯片仍然需要硬件工程师设计。AI 在软件工程中的普及与成熟度远超芯片设计。
行业初级、年轻工程师正在变少，资深软件工程师依然珍贵。AI 只是工具，工具越强，越需要使用者真正理解问题，才能做好架构设计。
芯片设计师正在用 AI 节省时间：
•更快理解工具、少读文档
•直接向工具提问，获取行动方案
•在规格阶段就让 AI 给出优质起点，加速系统设计
•在设计过程中获得持续指引，提升效率
目前 AI 还不能直接生成成熟系统，但能大幅缩短设计周期、加快上市时间。
如何让软件工程师设计硬件
加州大学洛杉矶分校（UCLA）杰出教授Jason Cong（丛京生）数十年专注此问题。
他引用美国劳工统计局数据：
•美国约有200 万软件开发者
•硬件设计者不足 10 万
软硬件人才比例超过20:1。
丛京生团队的结论：
精心设计的 AI/ML 工具确实能助力芯片设计。
我们将图神经网络（GNN）与大语言模型（LLM）结合，捕捉设计层次、程序转换、FPGA→ASIC 任务迁移、混合专家领域迁移等。
图1：让软件工程师设计芯片的步骤
其愿景是：基于多智能体，融合机器与人类智能，让只受过软件训练的人也能做芯片设计，最终让硬件设计像写 PyTorch 库一样简单。
在他的本科课程CS-133，学生仅用1.5 周，就能通过高级综合在 AWS F1 云端设计出 CNN 加速器。
图2：多智能体设计硬件与软件的方法
西门子 EDA 产品负责人 Sathishkumar Balasubramanian 同样认为：
自主智能体 AI是让工程师快速胜任新任务的最佳路径，连接历史设计数据湖后，数据越多越智能。
系统可以主动提醒：“你之前用过这个工具，可能会遇到某类问题”，并给出历史解决方案与经验，实现知识通用化、对话式交互，回归基础科学而非死记语法。
但丛京生也提醒：
我们非常热衷于用 AI/ML 做芯片设计，但这不代表这是唯一路径。
凡是人类智能能胜任的地方，我始终主张优先用人，而不是 AI。
人才招聘：CS / EE跨界培养
是德科技（Keysight EDA）高级总监 Alexander Petr 认为：
人才短缺真实且长期存在。高校课程追逐新潮技术，却与产业需求脱节，企业只能入职后再培训。
他们的招聘思路很清晰：
•招基础好的 CS 人才，补 EE 知识
•招基础好的 EE 人才，补 CS 能力
AI 是能力增强、自动化升级，是下一代进化，不是替代人。
从高校孵化的创业公司在招人上更有优势，能直接接触学生与毕业生。
ChipAgents 的团队成员有80%~90%来自加州大学圣塔芭芭拉分校（UCSB）。
博通、高通、Cadence、新思科技等巨头，早年也都是从高校吸收大量人才。
ChipAgents 的人才结构：
•约 50%：CS、AI
•30%~40%：CE、ECE
同时聘请来自 AMD 等企业、拥有芯片设计与验证背景的资深工程师，以及拥有三四十年 EDA 经验的老兵担任顾问，AI 原生开发 + 顶级 EDA 经验强强结合。
本科、硕士、博士，还是直接去创业公司？
•本科：打基础
•硕士：在现有技术上做创新
•博士：创造全新事物，更适合长期前沿项目，而非当下市场
很多博士研究方向（如太赫兹放大器）距离产业落地仍需 5 年左右。只有与企业深度合作，成果才能快速落地，但这类机会并不多。
ChipAgents CEO William Wang 认为：
现在是读博士的好时机。
十年前 NLP 大量问题未解决，如今大多已被攻克。而在AI + 芯片这一波浪潮中，研究课题极度开放。
这波浪潮里，创业公司引领前沿研发，更看重知识的实际落地能力，而不只是靠博士发论文。
大学课程：缩短学制，还是提升质量？
高校既要跟上芯片技术快速迭代，又要融入 AI，部分机构考虑缩短学制，但在工程领域是否可行仍不明确。
Cadence 的 Graham 认为：
整个技术栈一定会上移，但教育内容不会减少，只会改变。
课程必须与产业更对齐、响应更快，培养更高质量的毕业生，而不是更短的学制。
Imagination 技术专家 Andrew Johnson 也认为：
与其把 3 年缩成 2 年，不如在 3 年内做更多、价值更高的事，借助机器学习工具培养更高水准的工程师。走捷径是人性，但未必是最优解。
总结
AI 给半导体带来巨大变革，高校该如何鼓励学生投身芯片相关专业？
Arteris 副总裁 Andy Nightingale：
理论上，随着 AI 智能体成熟，硬件设计者可以是软件工程师，这一天并不遥远。
但现阶段仍需要人确保输出格式正确、功能正常。
不必害怕 AI 取代岗位，真正要警惕的是：会用好 AI 的人取代不会用 AI 的人。
无论软硬，始终需要人来做质量把关。
原文
https://semiengineering.com/can-a-computer-science-student-be-taught-to-design-hardware
精品芯片课程 春节期间75折！
热门跟贴