RSI 的新闭环：当 AI 开始参与芯片设计

芯片设计行业每年人力成本超800亿美元，随着复杂度提升，面临两大核心痛点：一是人才短缺，约53%的企业难以招募到具备先进EDA知识的工程师；二是开发速度滞后于需求变化，漫长的验证周期导致芯片架构往往在出炉时已无法匹配最新的AI计算需求。

AI在算子优化上的成功为芯片设计提供了先行案例。通过“提出方案—运行工具—反馈修改”的迭代循环，AI能在目标明确的任务中找到优于人工的方案。尽管复杂电路评估成本高，但这一路径已获资本市场认可。例如，来自Google AlphaCHip团队的Ricursive Intelligence估值达40亿美元。今年融资显示，Chip Design Agent与AI Native芯片公司是两大主流路线。

EDA（电子设计自动化作为芯片设计的核心软件工具贯穿开发全流程。2025年全球EDA工具收入约125亿美元，广义市场规模达212亿美元。该行业高度集中，Synopsys、Cadence和Siemens EDA三家巨头占据全球90%以上份额，凭借长期研发投入、PDK深度适配及经过验证的IP库构建了极高壁垒。

由于芯片制造成本高昂，工具可靠性至关重要，导致客户切换成本极高。EDA收入主要来自软件授权与订阅，源于研发预算而非资本开支，因此在半导体下行周期中仍保持较强韧性。

新的计算需求不断推动芯片开发，芯片设计的成本水涨船高

以数字芯片为例，设计周期包括明确目标、编写RTL代码、功能验证、综合布局布线及最终制造。其中，RTL编写和功能验证耗时最长，约占工程投入时间的85%。这一过程涉及大量反复检查与修改，且结果可通过仿真验证，非常适合AI通过迭代优化来提升效率。

ChipAgents发布的报告称，功能验证占工程投入时间约60%，RTL设计占约25%，两者合计约85%。

然而，越接近物理实现，反馈越慢且昂贵。综合阶段看似优秀的方案可能在布局布线后表现不佳，这要求AI不仅能生成代码，还需具备对后续流程结果的预判能力。

相比Anth聚焦高价值垂直领域，OpenAI在芯片设计领域的动作更为广泛，主要体现在加速自研芯片、联手开发专用模型以及推动Coding Agent接入EDA三方面。

加速自研芯片

2026年6月，OpenAI与Broadcom发布推理芯片Jalapeño。项目从设计到流片仅用九个月，OpenAI模型参与了部分设计与优化，使Attention和MoE kernel性能提升1.5至1.8倍。Anthropic也在组建团队自研定制芯片。虽然这主要满足自身需求，但也加速了行业对AI辅助设计的重视。

联手开发芯片专用模型

2026年9月，OpenAI与Synopsys宣布合作开发GPT-Synopsys，旨在让模型直接操作EDA工具并理解输出。双方计划打包提供计算资源、模型和工具许可证，并按Token付费。这种新模式可能对独立开发芯片专用模型的公司构成竞争压力。

Coding Agent成为EDA新入口

EDA巨头也在主动拥抱AI。Siemens发布Questa One Agentic Toolkit，支持Claude Code等编程工具接入。这表明Coding Agent正成为工程师使用EDA的新入口。但由于核心数据和反馈仍掌握在芯片公司手中，仅靠模型与EDA合作难以形成完整闭环。

此类公司通过Agent接入客户现有EDA流程，协助设计、验证和调试，并在应用中积累工程经验。其优势在于深度绑定客户工作流，建立高切换成本壁垒；挑战在于起量较慢且面临大厂竞争。

ChipAgents

ChipAgents专注于芯片设计与验证，通过读取代码、执行修改并调用仿真工具形成闭环。产品支持AWS部署以保护客户IP。2026年6月发布微调模型Renoir。商业模式为“固定费用+Token费用”，以ADI为例，年费可达数千万美元。公司由UCSB教授William Yang Wang创立，2026年7月完成6000万美元A2轮融资，ARR增长六倍，服务超过120家半导体公司。

Agentrys

由前NVIDIA ChipNeMo项目负责人Mark Ren创办。Agentrys致力于自动化跨越前后端的往返迭代，让Agent自主协调前端逻辑修改与后端物理实现。2026年6月发布的Composable Silicon技术报告展示了多Agent协作完成小型CPU设计的案例。公司允许客户基于内部流程构建定制化Agent，累计融资2450万美元。

前端设计、功能验证和后端反复配合，提高同一个设计能效

Normal Computing

原定位为热力学计算芯片公司，现同时开发芯片设计软件Normal EDA及新型硬件。软件支持本地部署并利用客户数据后训练。创始团队来自Google Brain等机构，2026年3月完成5000万美元战略融资，累计融资超8500万美元，已与过半数全球前十半导体公司建立合作。

鉴于真实设计数据局限于芯片公司内部，RL环境公司为大模型提供贴近真实的训练任务、EDA工具环境及评分机制。这类公司直接承接模型公司研发预算，短期收入增长快、确定性高，但受限于客户数量和交付成本。

Standard Machines

由前Apple GPU架构师Jacob Peake创立，面向大模型公司提供芯片设计训练环境。通过Sandbox模拟真实EDA流程，让Agent在有限预算下进行布局布线预览并获取实时反馈。公司采用固定开源工具流程进行标准化评测，已获得YC及多家顶级AI公司个人投资者支持。

Phinity Labs

致力于为前沿模型实验室提供芯片设计训练基础设施，长期目标是实现从需求描述到流片的全自动设计。自2026年中发布平台以来，ARR迅速达到八位数。由斯坦福校友Sonya Jin和Aadi Nashikkar创立，2026年10月完成520万美元种子轮融资，投资方包括Uncork Capital及Jeff Dean等。

AI有望降低定制芯片门槛，使更多企业能获得专用硬件。虽然传统EDA和IP壁垒短期内难以完全替代，但AI能加速新进入者的设计进程。长期看，芯片产业价值可能向工具迁移，传统定制芯片公司的角色或转向供应链协调。

Ricursive Intelligence

由AlphaCHip团队Anna Goldie和Azalia Mirhoseini创立，愿景是从“fabless”走向“designless”。通过加速底层分析工具，使AI能高效筛选设计方案。2026年1月完成3亿美元A轮融资，投后估值40亿美元，累计融资3.35亿美元。

Architect Labs

旨在重建统一的芯片设计流程，让企业无需组建完整团队即可获得定制ASIC。公司同时在后训练面向芯片设计的专用模型，在CVDP评测中表现优异。由前Apple和Tesla芯片团队成员Ebrahim Hussain等创立，2026年6月完成2400万美元种子轮融资。

Cognichip

以物理信息模型为核心，结合Agent框架接入设计工作流。2026年9月发布ACI Enterprise，已在Renesas等客户项目中应用。由前Aquantia CEO Faraj Aalaei创立，英特尔CEO陈立武参与投资并加入董事会。2026年4月完成6000万美元A轮融资，累计融资9300万美元。