2021 年，高正祺到 MIT 读博士时，ChatGPT 还没有发布。五年后，他已经可以把一份模拟电路网表交给 Codex，让 agent 自己安装环境、调用设计工具、处理报错，最后生成交付制造所需的 GDS 版图文件。整套流程里，他几乎不需要动手写代码。
在芯片行业里，这是一种相当剧烈的变化。设计一颗芯片，需要把数百万乃至更多晶体管按照预定功能连接起来，任意一条线出了问题，都可能导致昂贵的流片失败。工程师过去不仅要懂电路，还要熟悉 Cadence、Synopsys 等公司提供的一整套电子设计自动化工具；遇到晦涩的报错，很多时候只能依靠经验和同行之间的“口口相传”。
如今，模型开始接手这些工作。在高正祺看来，最前沿的模型已经相当于一名初级到中级芯片工程师。再过五年，客户或许只需要提交一份包含性能、面积和功耗要求的文档，agent 就能在 24 小时内完成从代码到版图的设计，人类只保留最后一步签核。
在更远的未来，甚至模型也将自己训练下一代模型，或是参与设计更适合下一代模型的推理和训练芯片；新芯片制造出来，再承载能力更强的模型。一条由模型、软件和硬件共同推动的加速闭环由此形成。
“我觉得这是很恐怖的一件事情。”高正祺说。
在高正祺的经历里，机器学习与芯片设计很早就出现了交集。他 1996 年出生于沈阳，本硕就读于复旦大学微电子专业。本科所在的卓越工程师班横跨多个学科：他既学半导体物理、模拟和数字集成电路，也学数据结构、算法和计算机体系结构。这让他很早就能同时理解芯片与机器学习两种技术语言。
大四开始，他给机器学习经典教材《模式识别与机器学习》（PRML）做习题解答，一天一道，持续了一年半，几乎补全了整本书。开源答案后来在 GitHub 上获得上千个星标，也把他带进了用机器学习分析电路的研究。读研第一年，他便以第一作者发表了两篇 EDA 顶刊论文和一篇顶会论文。
之后五年，他在 MIT 研究集成电路与光子芯片的设计自动化，获得过 DAC 博士论坛第一名，并入选 MLCommons Rising Star。2026 年 5 月博士毕业后，他进入 Anthropic 新设的 STEM Fellow 项目，这是一个面向理工科博士的短期研究项目，他在其中研究怎么提升模型在芯片设计上的能力。未来，他将加入密歇根大学电子与计算机工程系，担任终身教职序列助理教授，继续探索 AI、电子芯片与光子芯片的交叉方向。
这条个人路径，正和今年 AI、芯片两个行业的变化合流。6 月，OpenAI 与博通发布首颗自研推理芯片 Jalapeño，从设计到流片只用了九个月。另一边，由 AlphaChip 两位作者创办的 Ricursive Intelligence，结束隐身约两个月便获得 40 亿美元估值；统治芯片设计工具市场三十多年的 Cadence 和 Synopsys，也开始把 agent 写进产品路线。
过去，“用 AI 设计芯片”和“为 AI 设计芯片”还是两条相对独立的技术路线。现在，它们开始互相推动：模型公司需要更适合自身负载的芯片，而这些芯片的设计又越来越多地由模型参与完成。高正祺的研究与职业选择，恰好沿着这个反馈回路展开。
这次对话从他如何进入微电子、为什么把个人选择理解为一个个“局部最优解”谈起，逐步进入 EDA 工具的垄断与重构、AI-EDA 创业热潮、推理芯片的市场格局和半导体产能周期。最后，我们谈到了一个更难回答的问题：当模型能够完成越来越多研究与工程工作，未来还有什么问题，值得人花五年甚至十年去探索？
以下是 DeepTech 与高正祺的对话
“每一刻都只有一个局部最优解”
DeepTech：今天很荣幸能和高正祺博士对话，先请你向读者介绍一下自己过去的经历吧。
高正祺：我可以从本科开始讲起。我选择专业其实有很多偶然。我是辽宁沈阳人，2014 年参加高考，高考前通过复旦的自主招生拿到了降分，降到一本线。那一年辽宁的题出得有点难，或者说有点奇怪，很多人的分数变化非常突然，排名也变了很多。我最后就是靠这个降分政策去了复旦。我的分数其实没够复旦在辽宁的提档线，所以没有选专业的权利，只能在技术科学实验班和自然科学实验班里面选。我自己的兴趣比较偏向技术科学实验班里的专业，就去了那边。
第一年在大类里学习，之后要分流。当时我挺犹豫的，主要在两个专业之间：一个是卓越工程师班，我们是第二届，这个班会学几乎所有工科的专业知识，偏计算机的数据结构与算法、计算机体系结构，偏电路的模拟电路设计、数字电路设计，全都要学，课程量挺大的；另一个是单独去计算机系。
我印象中当时还是对怎么造电路更感兴趣，再加上一个很单纯的原因：计算机系在张江，卓越工程师班只有 20 多个人，是个小班，可以留在邯郸校区本部，活动会多一点。总之因为这些事情，最后选了卓越工程师班，然后每个人要挂靠一个专业，我就挂靠在了微电子。
本科第三年的时候，很多同学都选择出国。我当时并没有想清楚为什么要出国。我跟朋友同学聊，大部分人也都没想清楚，就是看大家出国所以出国。我不太理解这件事，就选择了留下。那时候我开始做科研，大四和研一的时候发现科研挺有意思的，逐渐萌生了将来做教职的想法。
在那个节点我看到，如果做芯片相关的研究，美国一些学校的研究在某些方面更有意思，这是我后来出去的主要原因。研究生阶段我就一直在积攒科研经验，硕士毕业申请到了比较好的学校，在 MIT 读了五年博士。我的经历基本就是这样。
整体上我会感觉，很多选择在我大学刚入校门的第一天就已经决定了。看起来我有很多选择的余地，但事实上，当你走到那一刻的时候，你没有什么选择的余地，每次都只有一个看起来比较好的局部最优解。我就一直沿着每一刻的局部最优解、我最想做的事情，一直走了下来。
DeepTech：你本科在实验班，计算机、集成电路设计相关的都要学。这是不是也给后来做 AI For EDA 铺垫了基础？相比纯粹做半导体设计的人，你了解的知识领域要更宽。
高正祺：你问了一个非常好的问题。当时我没有意识到，现在回想起来，我本科确实学到了几个不同专业知识的合集：半导体物理，非常偏器件、材料、物理的课；模拟集成电路和数字集成电路的设计；还有数据结构与算法、计算机体系结构。学了这些东西，让我对整个全流程都有一个简单的概念：从最下面的材料开始，到设计芯片、流片做出来，再到拿回来在上面开发应用、在计算机上跑起来。这也培养了我比较广泛的兴趣。
我读博的时候也没有把自己限死在某一个小方向，一直在广度上探索。跟我的同龄人相比，大家很多时候在一个方向走得很深，我可能在广度上走得多一点，在某一个小领域走得没有那么深。我时常觉得这有好处也有坏处。这跟我的兴趣有关系：我总是做一个东西做了四五个项目之后，觉得对整个东西都理解了，再做下去学到的知识没有那么多了，就会想去做一个跟这个领域接近的新东西，学一些新的知识。
DeepTech：我想起 Freeman Dyson 把数学家和科学家分成两类，一类叫 bird person（鸟人），一类叫 frog person（蛙人），而你是更接近于鸟人的这一类。
高正祺：对，我感觉有好有坏。我今年找教职的时候，密歇根大学特别想招一个有跨领域研究经历的人：懂芯片设计、懂 AI、还懂集成光学，比如怎么用光互联、光计算这些东西。如果我没有这样广度的经历，他们也不会这么觉得。他们非常明确，今年就要招一个能在这些领域之间融会贯通、架桥梁的人，所以选择了我。但我在其他学校面试的时候，有的学校非常明显想招某一个特定方向的人，那种时候我就没有很大的优势。
“这些工具好用吗？答案肯定是不好用”
DeepTech：咱们从你的主方向聊起。先请你给不太了解芯片的读者讲讲：设计一颗芯片，难度主要在哪？EDA 工具在其中是什么角色？
高正祺：设计芯片的难度，简单说一句话：你可以想象一下，要确保几百万个晶体管（最基础的半导体器件）在硅片上按照你想要的功能连接在一起，任意一条线都不出错。这是对这件事难度最直观的解释。
EDA 工具起的作用，是把我刚才描述的这件事分成几个阶段，每个阶段都变成一个芯片设计者比较容易处理的事情。以数字电路设计为例，最开始是前端，设计者只要写一种叫 Verilog 的代码（编者注：一种硬件描述语言，可以理解为“芯片的源代码”），写的时候只需要关注要实现的功能，不需要关注晶体管上具体怎么实现；接下来 EDA 工具会把写好的代码自动转成晶体管之间的连接方式；再到后端，把这些连接真正映射到物理的硅片上：每个晶体管排在哪里，线怎么连、从哪里走。EDA 工具整体上就是做这样一个辅助。
DeepTech：为什么 EDA 工具会由全球两三家企业垄断？
高正祺：这是个很好的问题，每个人有不同的理解。我的理解是，这更像一个历史遗留问题：这个行业的进入门槛有点高，大家需要逐渐建立信任的关系，才会用你的工具。最大的是 Cadence 和 Synopsys 这两家，当然还有西门子，它有一两个工具大家也会用。Cadence 和 Synopsys 成立于上世纪八十年代（编者注：Synopsys 成立于 1986 年，Cadence 由 SDA 与 ECAD 两家公司于 1988 年合并而成），经过这么多年不断的迭代，大家已经形成了所谓的路径依赖。他们每一代工具的迭代都会跟客户寻求反馈，把工具做得更好，就形成了一种互相信任的关系。
再加上，你去做一颗芯片，流片的成本是非常高的。如果现在有一家新公司说，我也能给你提供 EDA 工具做芯片设计，那首先你需要学习新的工具怎么用，这也有一个学习的时间成本；第二，从公司的角度这是非常有风险的事情，你很难确保这个工具有没有问题。如果你用了新工具设计芯片，流片失败了，谁负责？流片钱白花了，芯片没有按时交付，可能还损失一部分市场份额，风险非常大。
有一个很好的例子：前几年我们被卡脖子，各种方面的卡脖子里，EDA 工具其实是非常重要的一环。我会觉得，没有当时的卡脖子，国内 EDA 的发展也不会那么快。大家会觉得接着用别人的东西就挺好，没有动力再弄一个新的出来。如果全被卡住了，你就需要从头自己搭一套完整的工具链。
还有一点：如果出现一些做得好一点的工具，Cadence 和 Synopsys 会直接把它们买进来，形成垄断。举个例子，做光子集成电路仿真的 Lumerical，本来是一家创业公司，后来被 Ansys 买了，Ansys 最后又被 Synopsys 买了，大部分企业最终都逃不开被他们收购的命运。（编者注：Lumerical 成立于 2003 年，2020 年被仿真软件公司 Ansys 收购；Ansys 又于 2025 年被 Synopsys 以约 350 亿美元收购完成交割，是 EDA 历史上最大一笔并购。）
DeepTech：英伟达在 GPU 市场的垄断，很大程度上靠生态和工具栈。EDA 行业也有生态问题吗？
高正祺：我觉得也会有一些。它形成的生态，本质是大家相信用他们的工具能做出真正流片成功的芯片。开源工具其实也有很多，而且在一些流程上，开源和闭源的性能并没有差特别多。
我个人的观感是，模拟电路仿真的开源工具 ngspice，并不会比闭源的 HSPICE、Spectre 差很多；数字综合的开源工具 abc，可能比 Cadence 的闭源工具稍微差一些。最有名的开源项目是 OpenROAD，它在一些开源的工艺节点上验证过。但你用开源工具设计，做完了之后你就会担心：我做完的芯片到底能不能真的工作？所以大家还是比较相信那两家的东西。
DeepTech：你作为用了十来年的用户，这些工具用起来好用吗？
高正祺：我觉得答案肯定是不好用（笑）。我更多算是一个研究 EDA 的人，不算天天做芯片设计，但我有一些纯粹做芯片设计的同学，我无数次听过他们抱怨这些工具不好用。
打个比方，大家写 Python，写完报错了，看终端里的错误信息，基本就能精确定位到是哪一行、什么问题。在大语言模型出现之前，你 Google 搜一下，Stack Overflow 上基本都有答案，直接可以改。
但 Cadence、Synopsys 的很多报错，你看了就感觉，他好像说了什么，但你又不知道他在说什么，需要口口相传，需要很多次跟工具来回实验之后，才能真正知道这个报错到底大概是什么问题、该改哪里。这件事本身需要知识的积累。所以至少在大语言模型时代之前，这些工具并不是特别好用。现在的话，有了大语言模型，相对来说变得容易了很多，这些报错我感觉模型也完全能理解。
“已经是一个初级或中级的工程师”
DeepTech：所以除了从更根本的层面用 AI 重构这些工具，也可以先用大模型帮我们理解和使用这些工具？
高正祺：对的。事实上我觉得这是现阶段最应该使用大语言模型（或者说 agent）的方式。我觉得接下来的发展会有几个里程碑。第一个，是把已有的 Cadence、Synopsys 工具写成 agent 能够调用的格式，写成 MCP，或者把使用工具的知识提炼成 skill 这样的东西，让 agent 可以调用已有的 EDA 工具。本质上，这个 agent 需要理解每个工具返回的信息是什么：报错了，我该怎么修改 Verilog 代码；通过了，下一步该调用哪个工具、跑什么流程。
所以我觉得 agent 的角色是去掌控整个流程，而不是去取代芯片设计里某个特定环节的 EDA 算法。取代特定算法这件事在某些地方可能有收益，但这个收益绝对没有让 agent 统领全流程大。一个比较有名的例子是用强化学习做宏单元布图规划（macro floorplanning），就是 Azalia（她现在在斯坦福做教授）之前在 Google 做的 AlphaChip，但那篇论文本身也有诸多争议。（编者注：AlphaChip 是 Google 2021 年发表于《自然》的强化学习芯片布图方法，论文称其表现超过人类工程师并已用于 TPU 设计；此后多个学术团队公开质疑其可复现性，争议持续数年未有公认结论。两位主要作者 Anna Goldie 与 Azalia Mirhoseini 于 2025 年底创办了 AI 芯片设计公司 Ricursive Intelligence。）相对于那种方式，我觉得用 agent 去掌控整个流程，是更合理的一件事情。
DeepTech：正好聊一下，你在 Anthropic 做的主要是哪方面的工作？
高正祺：我在 Anthropic 不会待特别长的时间。这个岗位是 Anthropic 今年第一年设立的，叫 STEM Fellow，面向数学、物理、化学、生物还有工程这些领域开放的一个短期项目。（编者注：STEM Fellow 是 Anthropic 2026 年 4 月新设的研究项目，面向 STEM 领域博士，与其研究团队合作探索前沿模型在各专业领域的应用。）
我做的事情，广义上说是怎么样提升模型在芯片设计上的能力。具体的项目不太能讲，但我觉得大家可以猜测一下，也能猜到是什么样的东西。就像你去跟其他公司做预训练、后训练的人聊，问他们具体在做什么，大家也都说公司的事不能聊，但一猜也都能猜到。（笑）
DeepTech：那如今最前沿的模型去做芯片设计，能达到什么水平？如果类比的话，相当于一个什么水平的工程师？
高正祺：我的感受是，已经像一个初级或者中级的工程师了，这取决于你用的是哪个模型。如果你半年前或者一年前问我这个问题，我会比较怀疑：它真的能做吗？一年前我自己的项目有需求，我拿一个模拟电路的网表去问当时的 ChatGPT，问该怎么设计，它经常返回语法都是错的东西，根本跑不起来。模拟电路里非常有名的教授拉扎维（编者注：Behzad Razavi，加州大学洛杉矶分校教授，其《模拟 CMOS 集成电路设计》是该领域最通行的教科书之一），大概半年多前写过一篇文章放在自己网站上，说他像考学生一样出了一套题测 ChatGPT，给它的回答打分，好像是没及格。
但今天不一样了。就在最近，月之暗面的 Kimi 3 发布，它给了一个例子，是模型在 48 小时之内设计了一颗芯片，我看了一下性能指标，感觉还挺不错的。我自己也试过：我用 Codex 搭了一个全流程的 agent，给它一个模拟电路的网表，让它给我产生 GDS 版图文件（编者注：交付给工厂制造的最终版图文件格式），它可以从安装环境开始，自己从头做到尾，把一整套流程搭出来，我还可以把它封装成一个 MCP 工具让大家都能用，完全不需要我做什么。Anthropic 家的 Sonnet、Opus，还有前段时间的 Fable，我都试过。所以我觉得，说它是一个初级、中级工程师，完全没问题。
DeepTech：这一年它为什么提升这么快？是因为这个领域专门的数据变多了，还是整体 coding 能力、推理能力的提升？
高正祺：我的个人理解，两者都有。第一，大家常说一件事：coding 做得好，数学或者说抽象逻辑推理的能力是会跟着上涨的。预训练是从互联网上扒下来所有数据，相对来说比较杂、质量比较低；代码本身是一种高度抽象、非常有逻辑的东西，在代码上训练好之后，其他推理能力也会有提升，所以这也是为什么会有 mid-training——mid training 里面代码比重会增高。第二，这些公司做后训练的时候，会构造各个子领域的数据，去提升模型在各个子领域的能力。芯片设计一定会是这样一个被考虑的子领域，OpenAI 和 Anthropic 因为自己有设计芯片的需求，所以也就更会有构造更好芯片数据的动力。
DeepTech：所以芯片设计是模型公司都挺重视的一个方向。
高正祺：对的。另外一点是，长久来看，这些模型公司一定会想做自己的芯片，这是非常明显的趋势，所以提高自家模型在芯片设计上的能力也非常合理。如果描述一个非常宏伟的愿景：将来的模型可以自己训自己，也可以自己迭代产生新的硬件，适合下一代自己的推理或者训练；芯片做好了拿回来，把下一代模型跑在新芯片上，再接着设计下下一代的芯片，就会形成一个完整的闭环。我感觉这是很恐怖的一件事情。
DeepTech：目前用 AI 做芯片设计，最先能接手的环节会是哪一个？最难解决的又是哪个部分？
高正祺：写 Verilog 这种事情肯定是会很快被取代的。根据给定的指标去写 Verilog，它本身也属于一种代码，只是硬件描述语言更特殊一点。给 Verilog 代码写测试代码（test bench）也会很快被拿下，这本质上也是一个代码任务，跟软件开发里写源代码和写测试代码没什么区别。类似的任务都一定会被很快取代，我甚至可以认为现在已经解决了，或者半年之内就会解决。
比较难的，是一些非常特定的情况下，需要很资深的硬件设计经验才能发现的问题。举个例子，时序的要求没达到怎么重新优化，有经验的设计者交换一下两个逻辑门，也许就解决了。这种需要经验积累的事情，短期之内比较难。这个"短期"是什么概念我也很难预计，可能需要一年、两年、三年。我会觉得这取决于怎么更好地构造后训练的数据集，是可以做到的一件事，但什么时候做到，不太确定。
DeepTech：听起来很像以前老师傅的那种经验。
高正祺：对。本质上，后训练就是我们人在手把手地教模型什么是好、什么是不好。事实上，人类可以把芯片设计老师傅的经验教给模型，而这里最重要的是想清楚怎么定义奖励（reward）。模型会自己产生很多新想法，自动地沿着推理链自己产生出“老师傅的想法”，发现某个想法能得到比较好的奖励，以后就更倾向于使用它。
DeepTech：那我们畅想一下，芯片设计最终的工作方式会变成什么样？
高正祺：我觉得最后的工作方式会比较夸张。我自己会相信，将来的情况是：比如我是一个定制芯片的厂商，高通、博通、三星这种，客户来找我，说我有一个需求，要设计一个什么功能的芯片，时钟频率是多少，比如一吉赫兹，面积要多大，能耗要多少。把这样一份描述文档丢给一个 agent，这个 agent 可以在 24 小时之内直接产生最后的版图文件，达到客户表述的所有要求，同时把所有中间结果都输出给你确认。人需要做的唯一一件事，是验证这个版图是正确的，做最后一步确认，叫 sign-off（签核）。都没有问题，就可以直接返回给客户了；有问题，就需要人和 agent 协同迭代几次：人跟 agent 说，你这个指标不达标，你试着调整一下这个位置的布局布线重新做一下。人给一点提示，agent 就可以完整地重新迭代。
我并不觉得这是一个很遥远的未来。我自己会感觉，可能 5 年之内，或者 5 年左右，就会实现。唯一的问题是，硬件领域接受新事物、接受新工具的速度，相对互联网行业会稍微慢一点。所以我感觉 5 年也许是一个比较好的估计。
DeepTech：我很好奇，在 AI 帮助芯片设计的情况下，除了效率的提升，它有没有可能有效地提升设计的质量和水平？会不会出现一些比较 magical 的能力？
高正祺：我的答案是：将来会发生。本质上这个领域和其他领域没有什么区别。举个例子，就前两天的新闻，有一个日本大学的物理教授，说他用大语言模型找到了一个困扰他很久的问题的解法，他觉得这个方向是对的，可以研究下去（编者注：指东京大学 Kavli IPMU 教授、弦论学者立川裕二。2026 年 7 月 12 日他发帖称，Claude Fable 5 为其团队停滞约半年的弦论合作项目找到了突破口，指出了一处计算错误，并自动生成 SymPy 代码验证推导。他形容模型似乎真正理解弦理论、有某种直觉；因传播超出预期，该帖随后被他删除）。
再比如加州大学洛杉矶分校的陶哲轩教授，也是在数学证明上使用大语言模型的忠实粉丝。
在这些子领域里，模型都会给出一些让我们眼前一亮的想法，芯片设计里也一定会发生。最接近的例子已经有了：大语言模型设计 GPU 的核函数（kernel），现在基本已经是默认的一件事情了：模型可以很好地优化 GPU 的 kernel、TPU 的 kernel，或者某个特定加速器的 kernel。
我会觉得，将来某一天，人类手工做好的芯片能达到某个运算性能，一个 agent 优化出来的版本在同等面积下 TFLOPS 更高，这是完全有可能出现的事情。我不意外，我相信这一天会到来。
DeepTech：听起来让人心生向往。
高正祺：也不知道是心生向往还是恐惧（笑）。反正我觉得，这个时代就是一个浪潮，在把我们往前推着走，没有什么选择的余地。
DeepTech：整体听下来，现在的 AI 对 Cadence 这些工具公司来说，更多还是一种助力，而不是替代？
高正祺：对的。但有一个观点我非常赞同：现在很多的工具都不是给 agent 或者语言模型设计的，因为它们都出现在大语言模型之前。将来很多工作事实上都是 agent 来做，那很多工具都应该重新设计成对 agent 最友好的形式，而不是对人最友好的。明显的例子比如互联网浏览器，比如生物领域的一些数据库。
Cadence 的工具也是一个道理：它现在这个形式，未必是对 agent 最有效的形式。将来会不会出现一个对 agent 更友好的 EDA 工具链？我觉得是有可能的。短时间内肯定还是基于 Cadence、Synopsys 的工具；但长久来看，当我们发现其他领域以前设计的软件开始为 agent 做特别好的优化的时候，EDA 工具上也会出现同样的事情。如果这件事是其他公司做的，那可能 Cadence 和 Synopsys 就危险了，但也许它们还是可以通过收购解决这个问题。
“在今天，创造一个新的垄断公司很难”
DeepTech：最近几年，美国和中国都出现了很多 AI-EDA 公司，比如 Ricursive Intelligence。相比历史上的 EDA 创业，这一次有什么不一样？
高正祺：先说明一下，我是 1996 年出生的，真正开始关注这些大概是从研究生开始，历史上之前是什么样子我没有亲眼见过，可能也没什么资格评价。但至少从我现在观测到的结果看，我觉得已经真的很夸张：资本支出太高了。现在在硅谷，你有一个像样的团队，可以轻轻松松直接融一两千万美金；想融得多的话，可以像 Ricursive 那样融几百个 million，这件事让我觉得非常夸张。（编者注：Ricursive Intelligence 于 2025 年 12 月前后结束隐身，种子轮融资 3,500 万美元由红杉领投；2026 年 1 月完成 3 亿美元 A 轮，估值 40 亿美元，距公司公开亮相仅约两个月。）大家确实有点狂热，这是跟历史上不太一样的第一点。
第二点，历史上出现一家新的 EDA 创业公司，大部分情况是因为出现了一个新的功能性需求。比如最早伯克利的 Alberto，算是 EDA 开山的大佬之一（编者注：Alberto Sangiovanni-Vincentelli，加州大学伯克利分校教授，Cadence 与 Synopsys 两家公司共同的学术源头人物），他们伯克利那一派注意到数字电路设计每次没法复用、很麻烦，就开始做最早的综合这些工作，后来把它做大做强，做成了很大的 EDA 公司。再比如光子集成电路出现了，有这样的设计需求，就有了对应的工具 Lumerical。历史上大部分情况是这样：先有一个新的功能需求。这一次最不一样的地方在于，我并不觉得现在有一个新的、没有被解决的芯片设计功能本身上的需求。芯片本身功能的需求并没有变，这次的出发点是高效的工作流。
第三点，大语言模型把 EDA 进入门槛降低了。举个例子，ChipAgents 这家创业公司，CEO 是加州大学圣塔芭芭拉分校做自然语言处理的教授，之前完全没有 EDA 背景，2024 年开始做这家公司，做的就是 AI-EDA。（编者注：ChipAgents 由 UCSB 教授 William Wang创立，截至 2026 年 2 月累计融资 7,400 万美元。）有 AI 的存在，大家可以更容易地进入一个特定领域，更高效地产出工具。比如我想搭一个专门做芯片设计的 agent，现在容易多了；再比如搭一个完整的芯片设计流程，以前很麻烦，要看这个工具的输出是什么、跟下一个工具的接口怎么对上，现在完全不需要了，agent 帮我做所有的事情。
所以就是三点：高效工作流的出发点和更低的领域进入门槛、不是解决新的功能需求，再加上高的资本开销。
DeepTech：在你看来，这一波 AI-EDA 公司最终会独立存在，还是被 Cadence 这些巨头收购？
高正祺：我会觉得大概率一定是被收购，但也不一定是 Cadence 和 Synopsys 收。被硬件公司收购的概率也是有的，比如英特尔、英伟达，甚至模型公司，OpenAI、Anthropic 这些也都有可能。当然最大的概率还是 Cadence 和 Synopsys，因为这是他们的老本行，一定绕不开他们。你翻阅历史发展的流程会发现，在今天这个时代，你想创造一家新的垄断公司，很难，比很多年前难多了，主要原因是你总要依赖某一个平台。对 AI-EDA 这些公司来说，他们一定要依赖的就是 Cadence 和 Synopsys。
但其实也有很多琐碎的细节和实际的影响因素。比如，Cadence、Synopsys 加上西门子，整个 EDA 行业一年的营收，去年大概是 180 亿美元（编者注：据行业统计口径，2024 年全球 EDA 市场规模约 180 亿美元），你去翻 Cadence 和 Synopsys 的收购历史，超过 10 亿美元的案例是非常少的。那像 Ricursive 这样，一轮融资之后估值已经是 40 亿美元了，如果我是 Cadence、Synopsys，我去收购它就会感觉到很大的压力。所以创业公司永远都有三种可能：独立 IPO 、被收购、失败。静观其变吧。
“推理市场才刚开始”
DeepTech：前面反复提到模型公司做芯片。现在谷歌、Meta、OpenAI，包括 Anthropic，都在筹建自己的芯片项目。对他们来说，除了你前面说的技术闭环，还有什么别的原因？
高正祺：还有很明显的原因：成本。先抛开训练不谈，你能做出比较好的推理芯片，就已经能省很多成本了。哪怕只节省 20% 的成本，乘上一个万亿量级的市场，省出来的钱也非常多。另外，大家都买英伟达的 GPU，但 GPU 并不是特意针对你家模型设计的，它对你这个模型的推理未必是效率最高的芯片。做好自己家模型的推理芯片，可以跑得又快、整个成本又低。跑得更快本质上也是成本低的一种表现，同样的电力开销下可以跑得更多。所以我觉得所有模型厂都有这个需求，并不意外。
DeepTech：这些自研项目基本都瞄准推理。除了英伟达在训练市场的垄断地位之外，他们有可能进入训练领域吗？
高正祺：我觉得肯定是从推理开始做起，至于什么时候碰训练，这是一个问题。我倾向于说，短期之内大家都会做推理芯片，训练是更长远的事。训练和推理对芯片的要求挺不一样的：比如做训练要做梯度的计算和反向传播，对内存的需求量更大；推理芯片相对来说简单一点，没有训练芯片那么难。
DeepTech：更长远看，训练和推理哪个市场更大？
高正祺：肯定是推理市场更大。你训好一次模型，至少可以用一段时间，半年或者一年，看这些模型厂多久放一个新模型。训练更像是单次的事情，推理是可以多次的事情。而且推理的需求量跟用户数量成正比，训练跟用户数量不成正比，更多是到了某个时间点，需要迭代下一个版本了，就训一下。看创业公司也能看出这个感受：SGLang 和 vLLM 是两个非常大的开源推理引擎，他们的团队最近都开始创业了。我觉得推理市场才刚开始，会蓬勃向上，越来越多。（编者注：Gartner 于 2025 年 10 月预测，2026 年推理类 AI 负载的支出将首次超过训练；德勤预测 2026 年推理将占全部 AI 算力约三分之二。）
DeepTech：我前段时间正好写过一篇关于推理芯片的文章。最近推理芯片确实很火，各种创业公司出现，SambaNova 原本都没什么声音了，结果突然又融了很多钱。我当时得出的结论是：推理芯片最终不会再出现一个英伟达式的垄断者，整个市场会是分散的。你同意这个判断吗？
高正祺：我同意。因为本质上各家的模型不太一样，不同的模型需要不同的推理芯片。所以我觉得这件事情肯定是合理的。
DeepTech：如果分散是最终的结局，那这个行业的钱会被谁挣走？
高正祺：好问题。我的感觉是，更上游的地方会把钱挣走。英伟达现在肯定是最大的，将来推理芯片市场繁荣发展的时候，英伟达的份额肯定会被吃掉一些。
但如果硬要说谁会稳定地一直吃到这波钱，我会觉得，台积电肯定会吃到：在代工上，先进工艺节点没有人能和台积电比，先进封装 CoWoS 也没有人能和台积电比。除了台积电，高带宽内存（HBM）的需求也会一直存在，海力士、美光、三星都会吃到这波钱，海力士可能是最大的。
再往上游走，还有做光刻机的阿斯麦（ASML），做设备的应用材料（Applied Materials）和泛林（Lam Research）。台积电产能不够，这些设备商肯定都会受益。整体上我感觉是这样。
DeepTech：这个产能瓶颈会有解吗？
高正祺：短期之内这是结构性的事情，肯定无解。我记得海力士说他们的订单已经订到 2028 年了，台积电的资本支出今年也非常疯狂。（编者注：据公开报道，SK 海力士、三星、美光三家的 HBM 产能均已售罄至 2026 年底；台积电在 2026 年 7 月的财报会上将全年资本开支指引上调至 600 亿-640 亿美元。）大家都在想办法从台积电订到更多的产能，短期之内肯定是无解的。
长期我也不知道，但我会感觉，这件事还远没有到头。现在美国这边，随便一家公司都声称自己要建 10 吉瓦（GW）的数据中心，明年还要翻倍。你说翻个 10 倍、100 倍，我觉得也不意外。而且翻 10 倍这件事，我个人反倒觉得是合理的。
我觉得它将来的一个形态是：我们每个人手里都可以用最强模型的无限 token。比如我一个月花 20 美元订阅，就可以无限制地用最强的模型，这是理想的形态，可以极大提升每个人的工作效率。显然我们离这个情况还很远。现在最强的模型，Anthropic、OpenAI 都是 100 刀、200 刀一个月，还很快就用完了。离我描述的那个状态，翻 10 倍的产能我都不知道够不够。所以，加油吧，产能还得做。
DeepTech：半导体历史上有过好几次周期。如果这一轮需求不断膨胀、大家不断扩产，最终会有一个过剩的阶段吗？
高正祺：非常好的问题。我自己的观点是，本质上这还是一个周期，只是这个周期可能会稍微长一些，我跟其他人也聊过，有些人也持这个观点。那这个周期到底有多长？这可能取决于一件比较重要的事情：大家怎么看待泡沫。我自己是相信有一些泡沫的，但它也有实际的作用。很明显能看到，coding agent 极大提高了所有人的产能，我都不用写代码了，这是实打实的东西。
再比如在公司内部，有一个见过公司所有文档的大语言模型，很多简单的工作就不需要人来回答了，新员工入职培训这种事都可以用它做掉，这是实在的经济效益。但同时确实还有挺大的一部分泡沫在。
所以回到你的问题：这个周期有多长，取决于大家觉得泡沫有多大、什么时候会破。如果大家觉得泡沫太大、破了，这个周期就会结束得早一点；如果大家觉得泡沫相比带来的实际收益是小的，这个周期还能延续。我个人的感觉是，一两年之内，这个周期不会结束。
DeepTech：一两年听起来有点太近了，短期内还是会非常蓬勃。
高正祺：对的。但长期我也不知道。因为我会觉得，当模型能自己训练自己的时候，可能会有一波比较危险的事情。有时候我自己也会觉得，我做的很多事情大语言模型都能做，我不知道我还能做什么，我觉得很多人都有这样的困惑。
当模型自己能训练自己的时候，很多人都会有生存危机的感觉，不知道自己要干嘛了，可能会失业。当然也不一定真的出现失业潮，可能是你要去做其他的事情了。但“模型自己能训自己”这件事，大家听起来都会觉得很恐怖，因为不需要人类来训模型了，它自己能疯狂地迭代。我会觉得这是一个在社会上非常有影响力的事件，它会引发什么样的触动和社会变革，我觉得很难预料。
DeepTech：这听起来很接近科幻的想象，也许会出现几种不同的结局：一种比较悲观，就是爆发经济危机；一种比较乐观，人类真的到了“大同社会”，只需要做自己想做的事；或者更极端一点的，就是天网那样的 AI 彻底主导人类。
高正祺：我感觉很快了，我们马上就要能看到结局是什么了（笑）。
“未来五年的变化，会比过去五年更大”
DeepTech：咱们聊点现实的问题。模型能力提升这么快，对做科研的人来说，如今还有什么问题值得一个人花好几年去做？
高正祺：我觉得这是非常好的问题。一些非常本质或者基本的问题，永远是值得做的。举个例子，去探索会不会有比硅更适合做晶体管的材料，这是永无止境的一件事，可以一直探索下去，没有终点。类似的还有量子计算、超导，数学上定理的证明，物理和天文里对宇宙诞生的探索。这些永远都值得继续做下去，大语言模型的存在会辅助你把这些事做得更方便。
但同时，确实有一些科研内容，现在做就没什么意义了。举过去的例子：我 2021 年刚读博的时候，还有人在做图像分割，更早一点做图像分类，做自然语言的翻译、问答。这些在今天看来，已经是被完全解决的问题，确实意义不大了。
还有一类是短期能落地的事情。大家提得最多的就是机器人、具身智能。我觉得投入大量的人力和资源做这件事是合理的，但它 5 年之内能不能落地，我感觉存疑。所以如果真要规划的话，我会觉得比较合适的做法是同时做三个：一个一两年就能落地的短期项目，一个你觉得 5 年之内能落地的，再加一个 10 年之内、甚至 10 年都未必落地的。
DeepTech：那你之后回密歇根任教，主要会探索什么方向？
高正祺：广义上，会在 AI 和芯片这两个领域交叉的位置。芯片上更具体一点，是去思考怎么用光来辅助现在的芯片，所谓光电异构的芯片，大概是这样一个领域。具体做什么，实事求是地讲，我并没有一个非常清晰的想法。因为我半年前想的东西，现在感觉好像已经有点过时了，发展实在是太快了。我现在有一个想法，业余时间也在试，这个东西做完之后，可能在我去密歇根之前就会发表出来。所以去密歇根具体做什么，可能要到出发前半年才会真正开始认真思考。大方向就是刚才说的那两个，小方向要再好好想。
DeepTech：也许在 Anthropic、在产业界待过之后，会有一些新的认知和想法。
高正祺：希望吧！
DeepTech：如果未来开始带学生，你会让他们做什么样的探索？
高正祺：肯定还是刚才说的，让他们在 AI 和光电异构芯片交叉的地方探索。我会让他们同时思考一个短期的、半年一年的项目，再一直思考一个 5 年的和一个 10 年的项目。因为做短期能落地的项目，是很快能看到影响力的事情；而思考 5 年和 10 年这两个维度，是更有前瞻性的事情。这件事我自己读博的时候做得不是特别好，我现在也在反思。
如果我将来有博士生，我会告诉他们在这个交叉领域里，做一个一年的思考、一个 5 年的思考、一个 10 年的项目。如果学生能看到一个长久有意义的 5 年项目，我会非常支持他去探索。我不会要求他一定要做某个项目，更多是做自己真正感兴趣的、自己觉得合理的，我觉得这是最重要的。
DeepTech：想聊一个更大一点的问题。AI for Science 这个词现在非常火，我们今天也反复在聊 AI for EDA。从你的探索来看，AI 真正去加速一门学科，需要什么条件？按这个条件筛选，哪些学科会最先被加速？
高正祺：我觉得符合两个特征就会被极大的加速。第一，依赖于自然语言、依赖文本；第二，之前需要大量人工。需要人工这件事细分的话是两类：一类是需要非常有见解、有天赋、有洞察力的人工，比如去解决哥德巴赫猜想这样的事情；另一类不需要那么聪明，更多是重复性的、可能比较枯燥的劳动。满足这两个特征的学科，都会被大语言模型加速。
很明显能看到的，第一个是跟数学证明相关的。也不是说取代，是它会做一个非常好的辅助，给你提供很多之前没想到的想法，帮你做一些辅助性的证明。数学、理论计算机，都会受很大的影响。芯片设计肯定也是：数字电路的前端就是代码，是 Verilog；模拟电路的网表也是文字。反过来，什么不会被取代？跟物理世界有更多接触和交互的。毕竟语言模型现在还没有真正的实体，没有办法和物理世界发生真正的交互，它只存在于计算机里。如果你的很多智力思考和行为都发生在真实世界当中，比如医生做手术、生物学家做湿实验，短时间之内不太会被取代。当然，等机器人发展起来之后，这些也会逐渐有被取代的可能性，但相对来说，短期之内还有一段距离。
DeepTech：最后问一个开放性的问题。5 年之后，芯片设计这件事会变成什么样？你自己可能在做什么？
高正祺：我一直觉得，你在某个时间点去问一个人：5 年前的你猜想今天，和今天的你猜想 5 年后，哪边变化更大？人们都会倾向于说，过去 5 年到今天的变化更大，因为我们对已经发生的事情有更深的感触。但事实上我会觉得，未来 5 年的变化可能是更大的。
我自己就是最好的例子。我 2021 年入学的时候，根本没有大语言模型这种东西。你要跟我说 5 年之后我不需要自己写代码了，只要跟它说我想做什么事情，它就自动帮我把代码写完、把实验跑完、把结果返回给我，我是绝对不可能相信的。而在今天这个时间点，我会感觉非常恐怖的一件事情是：未来 5 年发生的变化，会比 2021 到 2026 这五年更大。我其实真的很难想象 2031 年会发生什么，也很难想象我自己会在哪。
从个人出发，我会希望我在做一件自己喜欢做的事情，有还不错的生活，家人和朋友都安好，我觉得就可以了。说得细一点，我希望还在做跟 AI 和芯片相关的工作。但我相信接下来 5 年人类社会可能会发生一些变化，高等教育的体系也会变。有一个很明显的例子：发论文已经没有那么重要了，信噪比实在太差了，论文太多太多了。因为有 agent 存在，跑实验和发论文的成本变得更低，一个博士生或者研究员能发出来的论文数量是之前的很多倍。在这种情况下，用论文数量去衡量教授、衡量博士生，在今天这个时代会越来越不合理。
还有，给学生上课这件事，可能真的不太需要教授了，你去问 Claude 都可以讲得很好。工业界因为“模型自己训练自己”的存在，也会发生很大的变化。所以 5 年之后会怎么样，我也不太确定。我希望我还在做一些有益的事情，最好是跟 AI 和芯片设计相关的。
运营/排版：何晨龙
注：封面由 AI 辅助生成
热门跟贴