本文来自微信公众号： 霞光AI实验室 ，作者：Vinco，编辑：李小天
AI4Chip，是不是下一个Coding场景？
同一个问题，两个“截然相反”的答案。
一位是某基础大模型厂商（以下简称“基模厂”）的研究员剁椒酱。他站在大模型公司的视角看芯片设计：AI智力越来越高，人类分工的本质是因为“context有限”，而AI没有这个限制。芯片设计几千人的协作，迟早会被一个足够聪明的AI压缩。他判断，AI4Chip就是下一个Coding场景——先从帮工程师提效30%开始，再端到端做简单芯片，最后走向self-improve的芯片设计。他甚至在社交平台上放了一句自己的“暴论”：基模厂迟早都会有自己的芯片厂。
另一位则是数字芯片设计从业近十年的晒哥，同时也是AI芯片设计领域的知识博主。他听到“下一个Coding场景”这个说法时，第一反应是笑。然后他给出了一个毫不客气的判断：“它不是下一个vibe coding的场景。因为芯片设计本身不只单纯那点代码。”
两个人说的都有道理。而这场分歧本身，恰恰是理解AI4Chip最好的入口。
但在进入他们的观点之前，有一个背景必须先摆上桌——为什么“AI4Chip是下一个Coding场景”这句话，会在2026年这个时间点被提起？
继Coding之后，基模厂商为什么选中了AI4Chip？
答案藏在Coding的成功里，也藏在Coding的天花板里，更藏在基模厂商的算力账单里。
大模型厂商在Coding场景上的成功，已经不需要论证了。Claude Code能写代码，Codex能改“仓库”，Coding agent成了过去两年里大模型最扎实的落地场景——任务可验证、数据可获取、付费意愿明确、使用频率高。
但Coding的市场容量是有天花板的。当模型能力继续爬坡，基模厂必须回答一个问题：下一个能撑起同等量级收入的高价值任务域在哪里？
AI4Chip被推上前台，不是偶然的。它符合“下一个Coding”的几个核心特征：任务高价值、专家经验密集、结果可验证、有大量可被学习的过程数据、且付费方是利润丰厚的芯片和EDA公司。更重要的是，芯片是算力的上游——对基模厂来说，做AI4Chip不只是卖工具，是往产业链更深处走一步。
这个信号在招聘市场上已经非常直白了。社交平台上，基模厂商招芯片相关人才的帖子密集出现，岗位覆盖数字前端的RTL、验证，也包含数字后端的布局布线、时序，甚至直接写明“欢迎vibe芯片的AI-native新人”。业内普遍认为，这其实是同一拨人在干两件事：一是训练AI做芯片设计的能力，二是自己造芯。
国内各个基模厂的招聘信息在社交平台被广泛讨论
为什么基模厂非要做这两件事？
一方面是“练兵”。芯片是当下最长的链条之一——规格、RTL、验证、综合、布局布线、时序、物理检查、流片，环环相扣。如果大模型能在这条极限链条上被验证，那还有什么“征服”不了的场景？
另一方面则极其现实：算力账单。剁椒酱表示：“如果你有一个智力程度是碾压级别的模型，那你为什么还要买别人的卡呢？它既然是AGI，为什么不自己造卡呢？”这句反问直指核心——基模厂做芯片，不只是为了卖工具，是为了摆脱对上游算力巨头的依赖。对国内厂商来说，还多了一层“缺卡”的倒逼：“如果根本原因是缺算力，那为什么要优化细枝末节，而不是直接去优化这个根本约束呢？”
晒哥完全认同这个判断，并从商业终局上补了最后一环。在他看来，模型提供商提供的产品就是模型能力，就跟电力一样，最终会走向寡头竞争和国家强监管。“发电厂”的利润是相对固定的，基础能源价格不可能太离谱。如果基模厂还想求增长，就必须有自己的硬件产品。
所以，AI4Chip被推上台面，不只是一个技术演进，更是一个商业必然：大模型需要下一个现金流，基模厂需要摆脱算力依赖，芯片行业需要效率，政策需要弯道超车的抓手。各方动力叠加，让基模厂商“自己下场”成了不得不走的一步棋。
但动力归动力，当下是否成立是另一回事。这就回到了下面这个核心问题，也是两位受访者分歧的起点。
AI4Chip，是不是下一个Coding场景？
先别急着站队：两个人说的“AI4Chip”，不是同一件事。
剁椒酱的逻辑是从上往下看的。
他的出发点是AI能力的演进节奏。在他看来，今天生产一颗大芯片需要几百人甚至上千人协作，每个人只懂其中的一小部分——这本质上不是因为分工天然如此，而是因为"个人的智力带宽有限，个人能处理的context极其有限，因而不得不把工作流切分成很细的小块"。而AI不存在这个限制。一个足够聪明的AI可以无限复制，可以同时懂前端、后端、验证、物理设计。所以长期来看，芯片设计一定会被AI加速，而且不只是加速某个环节，是软硬件co-design的整个循环，“AI for Chip，Chip for AI，它自己把这个loop转起来。”他把这个时间表放在未来5~10年。
当下路径则务实得多，而且直接类比Coding的经验：第一步，让AI学习芯片工程师的知识；第二步，学习架构师的经验；第三步，再慢慢学会co-design。前期是提效工具，帮工程师省30%的活；中期能端到端做一些相对简单的芯片设计；最后才到很前沿、自我迭代的阶段。
这套路径之所以在他看来“可行”，是因为Coding已经走了一遍。大模型在代码生成上的演进，给了他一个可迁移的信心：只要任务能被拆成可验证的步骤，AI就能逐步“吃掉”。
在他看来，AI4Chip当下所处的状态，类似“去年或者前年的Coding”——"大家已经感觉到它基本上能给你写大段的代码了。你可以把任务交给它，但它也留下了10%~20%最难的部分给到你。”
晒哥则把"现在"和"将来"分得很清：“AI4Chip是一个很前沿的话题，业内讨论也挺多，但它现在还不是下一个vibe coding的场景。”
他每天面对的是RTL、验证、PPA、wafer。他承认AI已经在帮硬件工程师干活了——写一些前端代码、生成小脚本、查询工具用法。但他强调，那只是冰山一角。芯片设计的真正难点不在那点代码，它最终要回到一个物理实体上。"你还要考虑物理设计、测试，以及PPA（功耗、性能、面积）这个不可能三角……单纯输出代码其实是很简单的事，我们目前也已经在做了。但整体意义上的AI4Chip，其实是一个系统性的考量。代码，只是开头的那一小部分。"
他对当前芯片设计环节中AI工具的评价，用了一个很具体的分级：L0到L1。市面上绝大多数所谓"EDA Agent"还卡在L0到L1之间——"给模型接了一个shell，就敢说自己是Agent"。即使EDA三巨头之一自己发布的AI工具，在他看来"更多像是小助手，能帮你查东西、生成小脚本，甚至还到不了半自动化的程度"。
换句话说，剁椒酱说的是“AI能不能学会芯片设计这件事”，晒哥说的是“AI目前学会的那部分，在真实芯片交付里到底占多大比重”。这两件事，不是一回事。
但两人其实有一个共同认知：AI会持续深入芯片设计。分歧不在方向，在节奏和重心——剁椒酱看能力曲线的延伸，晒哥看能力曲线在真实交付里的落点。既然动力不是问题，关键在于落地进展。于是问题就自然转到：大家现在到底做到哪一步了？
大家现在做到哪一步？国内外是否存在差距？
剁椒酱对国内进展的判断很克制：大家都在水下。水面上能看到的是之前月之暗面发布的Kimi K3使用开源EDA工具和Nangate 45nm工艺库，完成了一颗面积约4mm²的芯片设计。9月份，千问官宣分别开展了两项面向生产环境的实验：在芯片设计中，Qwen3.8-Max从一份NoC模块规格出发，完成RTL、验证和物理实现；在另一项独立实验中，Qwen3.8-Max将Qwen3.8-Flash-Next部署到平头哥真武M890，并持续优化端到端推理性能。
国外Anthropic也已官宣组建专门的芯片设计团队，并开始利用Claude进行定制芯片的工程开发和设计。OpenAI联合新思科技宣布达成多年期战略合作，共同开发面向芯片设计的专用AI模型GPT-Synopsys。同时，跟国外的AI4Chip组合来看，国内在EDA和模型方面都相对弱一些。但总得来说，不论国内还是国外，这条路距离商业化都还有一定距离。
困难他也说得很清楚。芯片公司的经验很多不在纸面上，在工程师脑子里，在保密文档里。目前能想到的解法就是雇专家——没有更好的方案。AI4Chip成果优劣的评测标准也得靠行业专家来建，“就像AI4Science里拉一堆基础学科大牛来做benchmark一样”。目前，他在日常工作中碰到的难关也是“怎么更好地scaling好的数据”，而且这个问题是由“非常非常多细节堆起来”，很难定义哪个环节特别难。
晒哥的视角，是从落地困境开始的。
他描述了一个行业里普遍存在的矛盾“态度很Open，行动很谨慎”：老板既想在这方面有建树，又不太想做第一个吃螃蟹的人。公司当前是不会立一个项、拿几亿去支持一个从头到尾AI-native的芯片项目流片。工程师做demo可以，但demo不流片，就只是demo；而且很多demo用的EDA工具不是商用工具，是开源的东西，跟全世界主流的流程是相悖的，结果没有得到主流认可，也就不会进入真实的生产环境。
那国内外差距到底有多大？晒哥给了一个更具体的尺度：大约6个月。
他认为国外顶尖模型相对领先，但领先程度“也就是6个月的时间”。更重要的是，他认为这6个月可以靠工程措施补救——比如不是继续堆模型参数，而是做更好的Harness。
但芯片终究是软硬结合的东西。在被问及国外EDA、制造链条完整先进，长期累积国内外的差距会不会反而扩大时？晒哥呈乐观态度，他把国内的优势锚定在应用端和需求量上。应用铺开之后，产品出货量就能正向地指导它往哪个方向改进、升级，而不是靠旧有的数据、旧有的指标来指导改进。映射到AI4Chip也一样：真实应用场景带来实际应用端的正反馈，这个正反馈指导AI4Chip再去增强。他强调这其实是一个“非常长的链条以及评价体系”，不是答卷那种“答完就得满分”的方式。
这就解释了他为什么把国内赶超的路径概括成六个字：农村包围城市。他认为国内对AI4Chip的意愿其实更强烈——因为芯片这条路上，国内一直是追赶者，沿着旧有欧美路线走，不太可能弯道超车。“你想要超过他们，可能是有另外一条赛道，就类似于新能源汽车似的。”AI4Chip就是那条新赛道。
国内的政策也在这个时点跟上。
8月，北京经济技术开发区（以下简称“北京经开区”）正式发布《“AI4Chip”人工智能赋能集成电路产业跨越式发展行动计划（2026-2028年）》（以下简称“AI4Chip 20条”）。作为全国首个AI4Chip专项政策，AI4Chip 20条将针对集成电路产业，聚焦“AI原生全链赋能”、“AI+智能设计”焕芯、“AI+制造封测”筑芯、“AI+设备材料”强芯、“AI+产业生态”育芯五大行动精准发力。目标是到2028年，北京经开区基本建成集成电路产业AI融合发展体系，培育3~5家具有国际影响力的AI4Chip生态型领军企业，形成10个以上具备行业推广能力的标杆应用。
图源：北京经济技术开发区官网
但政策能解决“第一个吃螃蟹的人”的问题吗？这个答案可能还是谨慎的。流片的风险收益比是商业决策，不是政策能直接替代的。真正的拐点，不是政策发布的那一天，而是某家公司愿意拿一个真实项目、一笔真实流片预算，跑完AI-native的全流程并且成功了的那一天。
所以，现在的情况是“有demo、有政策、有招聘，但缺真实流片和商业闭环”。那么，如果真跑通了，芯片行业会被怎么改写？
夹在中间的芯片设计公司：是被挤扁，还是被逼出新的形状？
既然前面的部分中两位已经在一个判断上形成了交集——AI会持续深入地进入芯片设计，但短期内远不是“生成即交付”，真正的约束在验证、流片和责任——那么接下来更值得追问的，就不再是“AI能不能做芯片”，而是另一个更现实的问题：如果AI真的一步步做进来了，谁的利益会被重新分配？
剁椒酱给了一个非常形象的判断。他说，原本的芯片设计公司，将被夹在大模型和EDA厂商之间。EDA和大模型都在把芯片公司的价值往中间挤——模型公司提供智力，EDA公司提供工具，两头都在吃掉原来由人提供的价值。至于哪头吃得多、哪头吃得少，“目前还没有太清晰，得看谁做出了特别新、特别不可替代的东西”。
这个“三明治结构”的判断，晒哥没有直接反驳，但他从另一个角度给出了修正。他认为EDA厂商不会轻易下场做芯片，一方面是芯片繁多种类和场景需求的总量他们扛不住；更关键的另一方面原因不是技术，是基因。EDA厂商的核心利润就是“卖license”——一个卖铲子的人，不会轻易变成挖金子的人。至于大模型厂商，他赞同模型厂商为了扩大利润会有动力往上游走，但走的方式更可能是深度参与AI4Chip、和design house合作，而不是把芯片设计公司替代掉。
那么芯片设计公司真正的压力来自哪里？晒哥的观察是两头：一边是系统厂自研芯片，云厂商、车企、互联网公司都在自己做芯片；另一边是AI加持下的新兴公司包夹。传统芯片设计公司如果不变，很快就会沦为第三方服务商。“第三方服务不代表不赚钱，但成长空间有限——当你技术不是最领先、又没有足够的护城河时，你干的就是苦力活。”
至于AI4Chip对芯片行业整体的改变，晒哥用了一个很锋利的分野：要看是“AI+”还是“+AI”。如果只是给现有流程加个AI助手，那是“+AI”；真正的“AI+”，是组织形式和分工结构发生变化。
他设想未来可能不再是动辄上万人的大公司，而是一群超级个体组成的“Lab”形式集群，“一个超级个体走得快，一群超级个体走得远”。大兵团式的作战可能不会太有了，取而代之的是认知匹配的小型组织，借助AI完成以前大公司才能做的事。当然，这是在AI的加持下，而且需要时间——他预测5年可能会有大转变，10年内也许会发生整体的范式变化。
剁椒酱则从需求侧看到了另一层变化：长尾需求会被激活。中国应用端极度碎片化，很多定制芯片原来“商务上各种不划算”，如果AI把生成成本降下来，很多中小公司和碎片化需求会最先受益。
所以，芯片设计公司会不会被挤压？两位受访者的答案其实收敛到一个点上：会重新分层。能做出不可替代的新东西的公司，会吃掉两头挤出来的价值；只会做同质化交付的公司，会滑向第三方服务商；而长尾市场里，会冒出一批借助AI以更小团队、更低成本做定制芯片的新玩家。
那么，什么信号出现，才能判断AI4Chip真的成立了？
发生了什么？就可以判定AI4Chip是下一个Coding场景
不是发布会，是流片、出货和“不再讨论”。
先排除伪信号。不是模型厂商发demo，不是招聘启事挂出来，不是政策发布，不是网上讨论热度高。这些只能说明“有人在押注”，不能说明“场景成立”。
真信号，综合两位受访者的判断，可以列出一张清单。
第一，真实流片，而不是demo。晒哥说得很直白：demo不流片就只是demo。至于时间表，他判断“MPW的流片近几年可能会越来越多，但肯定不会是先进工艺。full-mask的流片，未来3~5年可能会有，而从full-mask到完全量产，则还需要一段时间。”剁椒酱说的“端到端做简单芯片”，对应的正是这个节点——不是生成一段RTL，是走完整个流程、流片，回来还能工作。
第二，进入商业EDA的signoff路径。不是开源工具跑通，而是被主流流程认可。商业EDA的signoff地位短期不会动摇，不是技术原因，是责任原因。AI4Chip的工具链要进入真实生产，必须先回答这个问题。
第三，数据飞轮转起来。晒哥在自己的文章里判断"EDA被攻破是时间问题，不是可能性问题。工具运行日志、仿真波形、时序报告，这些数据每天都在服务器上产生，一旦有商业模式把它们组织起来，稀缺性就会被打破。"剁椒酱说的“更好的scaling好的数据”，对应的也是数据飞轮这件事。
第四，商业化分成清晰。基模厂商、EDA、芯片设计公司之间形成可持续的收费和分成模式，而不是停留在试点。OpenAI和新思的分成试水就是一个早期信号。
第五，讨论对象变了。晒哥表示真正的落地可能不会有类似“XX年发生了XXX”这样一个历史书式的大事件：“更多是大家在描述这些工具做出的芯片指标是什么样、应用在哪里、出货量多少——当媒体开始这样报道，而不是报道模型本身的时候，才是真正的落地状态。”
到那一天，这个问题会自动失效——因为没有人再问"是不是下一个Coding场景"，大家都会习以为常。
两位受访者的时间判断，可以放在这里作对照。按剁椒酱的估计，那个终局想象是未来5~10年；按晒哥的判断，5年会有一个大转变，10年内芯片行业的整体范式会变。
当然，以上所有时间表，都建立在“世界按剧本走”的前提上。
近日，行业也用两天时间给所有人上了一堂又一堂“黑天鹅”课：执掌英伟达33年、亲手把CUDA变成全球AI产业默认地基的黄仁勋，黯然辞任，市值一夜之间几近跌破4万亿美元。Anthropic在IPO前夜放出新一代旗舰模型Claude Fable 5.2,同时与电路板设计制造公司Diode合作，让Fable 5.2根据一段简短要求，设计家庭语音助手中枢、USB会议扬声器和掌上虚拟宠物三款设备，甚至开始“拆解”CUDA——Claude Mythos Preview仅用约3天，就让一个Claude模型在AMD Instinct MI355X上跑通了关键推理环节。近100%的GPU内核代码由模型移植或重写，人工干预很少，CUDA的软件迁移壁垒第一次被AI明显压缩。
没有任何一份研报提前预警过这两件事。这就是这个行业的残酷之处：它只负责让所有精心推演的时间表一夜作废。所以，真正的拐点来临时，大概率也不会以我们此刻想象的方式。
但无论从哪边看，时钟都已经开始走了。
