谷歌前AI负责人兼首席科学家杰夫·迪恩（Jeff Dean）认为，人工智能能够协助芯片设计师打破芯片设计周期中的传统局限，从而打造出更好地满足现代计算需求的定制化产品。他指出，随着计算技术的演进，鉴于少数几种工作负载将占据全球大部分的计算需求，定制芯片的重要性正日益凸显。
自动化有助于克服计算领域定制硬件设计的根本局限
迪恩现任 AI 初创公司 Discovery Loop 的负责人，他曾是谷歌最资深的员工之一，且长期致力于研究强化学习在芯片设计中的应用。在谷歌任职期间，迪恩曾是发表于《自然》（Nature）期刊上一篇研究论文的 21 位共同作者之一，该论文声称用于芯片设计的强化学习方法优于传统方法。尽管该论文的发表引发了争议并伴随法律纠纷，但迪恩依然坚信，将芯片设计寄托于 AI 是未来的大势所趋。
相关报道：野史传闻称谷歌即将实现人工智能自我改进（RSI），与此同时，Anthropic、OpenAI 与埃隆·马斯克均呼吁放缓 AI 发展速度，这可能是一次意在实现“监管捕获”的利己策略
在 16 日发布的一场炉边对话中，迪恩明确表示，他对专用硬件作为未来的发展方向充满信心。他认为，专用芯片能够带来更高效的系统。
谈及当前的计算现状时，他概述道：“我们现在面临的情况是，少数几种工作负载将占据全球计算量的绝大部分，”这也正是硬件走向高度专用化的理由所在。
然而，迪恩在讨论中也承认，芯片专用化面临的一个核心问题在于：一旦芯片设计定型，它就极易受到未来变化的影响。“专用化的问题在于，如果你未来想做的事情发生了改变，那么你精心雕琢了长达两年的硬件产品，可能就不再那么适用了，”他说道。
这位前谷歌主管给出的破解之道是硬件设计自动化。迪恩指出，在传统的芯片设计流程中，首先需要一个团队去分析高层规范，并据此构建底层的寄存器传输级（RTL）规范。由于这种转换是人工完成的，因此还需要另一个开发团队来对第一个团队的工作进行验证。
迪恩认为，解决这些难题的方法是运行“可以通过强化学习或其他演化技术进行搜索的自动化循环”。在他看来，超越传统电子设计自动化（EDA）的关键在于速度，“如果你能让它们快速运行，你就有机会在设计过程中拥有一个高度自动化的探索循环，并大幅缩短设计周期。”
关于自动化和速度将如何影响设计流程，迪恩进一步展望道：
“例如，如果你能由 10 个人在 3 个月内设计出一款新芯片，而不是靠 150 个人耗时 2 年，你就会在世界上看到多得多的专用硬件。你也就不必把筹码重押在过于遥远的未来——原本你需要预测‘两到六年后的计算需求是什么’，而现在这个窗口缩短到了‘三到六个月后，乃至最多四年后’。”
随着人工智能、特别是智能体 AI（Agentic AI）的兴起，关于该技术在半导体设计中的实用价值引发了广泛讨论。包括顶级 EDA 提供商和中国企业在内的多家公司已转向智能体 AI；然而，台积电（TSMC）则认为，AI 可能并不适合用来设计下一代半导体制造技术。
https://wccftech.com/former-google-ai-boss-says-automation-could-cut-chip-design-teams-from-150-engineers-to-just-ten-development-from-years-to-3-months/
（来源：wccftech）
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
