一、OpenAI 造芯：9 个月流片，不等于芯片马上能用

OpenAI 正在推进代号 “小辣椒” 的自研 AI 芯片。按照规划，第一代芯片快要部署落地，第二代、第三代也已经同步在研发。

行业里很轰动的一点是：这款芯片从开始设计到流片只用了 9 个月。有业内工程师估算，相比完全靠人工，这个阶段差不多能快半年。

这里有一个很容易被误解的地方：9 个月仅仅是中间的一部分设计流程。 一颗真正能用的定制芯片，完整流程是：先想清楚芯片要实现什么功能、搭整体框架，接着做设计写代码、流片，之后还要生产制造、拿回来调试，最后部署上线。 把全部步骤算进去，整套流程依旧要按 “年” 来计算。

这就造成行业一个头疼的矛盾：芯片开发要等好几年，可大模型几个月就更新换代一次。经常芯片还没做完，原本适配的 AI 模型已经改了好几版。

OpenAI 能把设计阶段压到 9 个月，有两个关键原因：

  1. AI 工具参与芯片开发，辅助做方案探索、电路代码、测试调试；

  2. 借助合作方成熟的工程能力，不用自己从零搭建整套芯片底层技术体系，省下大量摸索时间。

二、AI 实实在在提效：写电路代码、做测试节省大量人力时间

现在 AI 已经深度参与到芯片的 RTL 环节，通俗讲就是：把芯片的功能想法，翻译成电路代码。 其中提升效果最明显的，是芯片测试验证工作，验证是用来检查电路有没有 bug，也是工程师最耗时间的工作。

举个实际对比： 以前有一项单元测试任务，需要 2 名有经验工程师，埋头干 4 个月才能做完。 用上 AI 工具之后，1 个人 3 周左右就能全部做完，能省下 100 多天时间。

不只是 OpenAI，不少芯片企业都已经在用 AI 工具做验证。很多原本耗时很久的测试工作，工时被大幅压缩。 而且新版大模型不光看得懂文字、代码，还能看懂电路波形图这类图形信息。这代表 AI 能干的活越来越多，未来还可以参与芯片内部电路摆放、线路连接的工作。

三、速度有上限：硬件跑不过大模型，要靠软件来 “救场”

虽然部分步骤变快了，但芯片全流程周期，依旧追不上大模型快速更新的脚步。 业内有个看法：整套芯片开发如果不能压缩到 18 个月左右，自研定制芯片商业价值会大打折扣。

模型经常更新，是不是芯片就要跟着全部重新做？并不一定。 如果只是模型换了参数、小范围改动计算逻辑，不用改动硬件，靠软件层面：内核、编译器、调度程序就可以调整适配。

真正难处理的是模型架构发生大改动。 比如模型从传统稠密结构改成 MoE 混合专家模型，计算逻辑没变，但是芯片之间的数据来回传输暴增，对存储、通信的压力一下子就变大。原先芯片设计好的算力、内存、带宽配比就不再够用。

所以设计芯片的时候，团队要权衡三件事：

  1. 如果想给软件留更多灵活调整空间，要接受芯片面积变大、功耗变高、研发成本上升；

  2. 硬件固化下来的功能，能适配多少种 AI 模型和使用场景；

  3. 芯片做专业化定制带来的收益，能不能承担 “押错技术方向” 带来的风险。

OpenAI 做 “小辣椒” 时就做了取舍，没有只偏向单一场景，一块芯片兼顾两种工作模式，把灵活调整的空间留给软件。AI 除了加速芯片硬件设计，同样也能降低软件适配的工作量。

四、认清 AI 造芯的短板：重要决策还是离不开资深工程师

AI 帮做芯片，能力是有边界的。  这一块探索空间非常复杂，连资深人类架构师都很难把任务规则梳理清楚，AI 很难接手。

芯片做完之后，最终效果判断、验收把关，依旧需要拥有十几年行业经验的工程师。

也就是说，现在离 “小白普通人也能轻松做出芯片” 还很远。AI 是很好的效率工具，但芯片顶层规划、风险判断，现阶段依旧要靠人的经验。