芯片從業者拆解OpenAI造芯，還能再快3個月？

量產一代、研發一代、預研一代，這一芯片公司習以為常的戰略節奏，如今正被大模型公司壓得更緊。按照OpenAI今年8月公佈的進展，儘管第一代自研芯片Jalapeño（下以“小辣椒”代稱）計劃於年底前開始部署，但第二代已進行深入開發，第三代也開始成形。更吸引眼球的是OpenAI的官方說法——第一代“小辣椒”從初始設計到流片只花了9個月。據前端設計驗證工程師穆洋估算，這比沒有AI輔助的設計快了約半年。然而，9個月只覆蓋了芯片設計全流程的部分環節。若將前期的需求定義、架構規劃，以及後續的製造、調試與部署全鏈路計算在內，一顆定製ASIC的真正落地依然需要以年為單位。

而在這一漫長的硬件週期內，大模型往往已經歷了數輪架構與算法的迭代。當芯片與模型以完全不同的節奏演進時，行業的核心痛點也愈發尖銳：下一代芯片的設計極限究竟在哪裡？在硬件迭代滯後的客觀規律下，又有多少模型架構的劇變，最終只能交由軟件棧去艱難消化？01再省3月！OpenAI的「6個月神話」與造芯底牌OpenAI自研芯片的野心至少可以追溯至2023年。彼時首席執行官奧爾特曼甚至一度想推動30多座晶圓廠的建設。但顯然，高昂的成本和漫長的週期開始“勸退”這家連Fabless都不是的模型企業。

相比從設計到製造的大包大攬，2024年OpenAI已經開始把重心放在自己更有優勢的部分——圍繞自家模型和推理服務定義芯片需要什麼。如今AI進一步加速這一過程。據OpenAI披露，AI已經參與“小辣椒”的實現方案探索、“設計—測量—驗證”循環和部分算術電路優化，並繼續參與芯片回片後的調試和編程。當我們進一步拆解OpenAI 9個月便可進行芯片流片的“神話”時，會發現除了AI對流程的提效，博通成熟的工程能力同樣是不可缺少的一塊拼圖。多位產業鏈從業者向指出，博通的硅實現能力、網絡互連能力、接口IP以及多年積累的工程體系，為OpenAI省去了大量從頭搭建底層能力的時間。

而這些私有的知識體系並不會隨著通用大模型的能力變強，就自動轉化為OpenAI自身的能力。當然，這並不意味著博通的加持削弱了AI在此次造芯中的價值。某芯片企業產品總監陸吉年強調，AI在其中的作用仍不容小覷。對於第一代芯片而言，其更重要的意義在於從頭跑通了一套AI參與芯片設計的工作流。一旦這套流程能夠複用，下一代就不用再重新摸索同樣的路徑，人工介入還有繼續減少的空間。基於此，陸吉年直言，從“小辣椒”結構的複雜程度來看，9個月已經“很不錯”，但OpenAI完全有能力實現6個月的設計週期。

02時間縮短超100天邊界之內，AI加速芯片驗證閉環目前OpenAI披露得最明確的，是AI已經進入RTL（寄存器傳輸級）這一芯片設計的核心環節。簡單來說，就是芯片架構確定以後，AI開始參與把這些想法寫成描述數字電路代碼的過程。從未接觸這一領域的穆洋也曾靠AI完成首戰。在給出性能目標、設計約束和測試要求後，她成功利用AI生成和修改某一RISC-V CPU開發項目裡的RTL。實際上，把RTL寫出來只是芯片設計的其中一環，AI對芯片開發的另一加持在於，解決了最耗費工程師時間的驗證設計環節。

據穆洋表述，同一項目裡一項過去需要兩名有經驗工程師花費約4個月完成的UT（Unit Test，即單元測試）驗證任務，如今在AI的加持下，她一人就能在3周左右跑完了從測試點拆解到最終結果確認的整個閉環，按照天數來計算，也就是節省超100天的時間，效率提升80%。這種變化也已經進入成熟芯片公司的真實開發流程。英偉達今年公開披露，已將Cadence的AI Agent用於RTL驗證，使得一項過去需要5周才能完成的工作，如今只需不到一天。

Cadence方面的人員則透露，包括老牌FPGA企業Altera、高通、Tenstorrent在內的多家芯片公司也已開始部署類似Agent，其中Altera稱部分驗證工作量已壓縮至約原來的十分之一。另一方面，模型能力本身的變化，也在繼續拓寬AI可處理的信息形式。“GPT-6 Astra一出來，我們眼前一亮，因為它已經具有完整的能力去讀波形。”陸吉年認為，過去的大模型尤其擅長代碼和文字，而最新一代模型GPT-6對圖形、空間關係等信息的理解能力正進一步增強。這意味著AI能夠介入的芯片設計範圍，逐漸從“怎麼把電路寫出來”進一步延伸至“電路怎麼在芯片上擺放和連接”，推動芯片設計邁向更深層次的智能化。

03軟件適配或將成為下一場競速的關鍵不過值得注意的是，即使局部環節提效，芯片的完整開發週期與模型迭代速度之間，仍存在難以跨越的時間鴻溝。以初代“小辣椒”為例，僅從2024年10月底項目被公開報道，到OpenAI計劃於2026年底前初步部署芯片，中間就橫跨約26個月。大模型從業者Jim認為，只有當AI Agent將整條開發鏈條進一步壓縮至18個月左右，自研ASIC（專用集成電路）才具備真正的商業吸引力。但即便如此，與模型動輒月級的更新頻率相比，芯片設計仍需以年為單位提前佈局。好在模型更新並不意味著硬件也得推倒重來。

Jim解釋，如果只是同個模型換了一套權重、部分計算方式發生調整，或者矩陣的大小和排列發生變化，通常還能通過Kernel（計算內核）、編譯器和調度方式進行適配。真正讓芯片設計者頭疼的，是原本按某種比例匹配好的算力、內存和通信能力，可能不再適合下一代模型。MoE（混合專家模型）就是一個典型例子。模型從稠密結構轉向MoE以後，芯片要做的基礎計算並沒有完全改變，但數據需要在不同專家、不同芯片之間流動，通信和存儲壓力可能一下子變大。此外，Attention算子結構怎麼變、Token未來更多是串行還是並行生成，同樣可能重新改變存儲、帶寬和算力之間的比例。

因此針對“哪些能力值得固化進硬件，哪些變化可以由軟件調控”的問題，Jim認為企業最重要的是算三筆賬：為了保留靈活性，願意額外付出多少面積、功耗和開發成本；這項能力未來能覆蓋多少種模型和場景；專用化帶來的性能和成本收益，是否足以覆蓋押錯方向的風險。但最難提前預測的，也正是這些具體的比例。“小辣椒”本身已經在處理這樣的不確定性。OpenAI透露，項目早期曾考慮過更加偏向Decode（解碼）的設計，但最終還是選擇讓同一塊芯片同時支持Prefill和Decode兩個階段，將調整空間留給軟件。

在Jim看來，這恰恰也是AI正在發揮作用的另一面：AI不只是讓專用芯片更快被設計出來，也在讓留給軟件的那部分適配變得更快、更便宜。然而，無論軟硬件如何被AI加速，最終的決策仍離不開人類的智慧。AI設計芯片企業Novasilicon創始人李林陽指出，目前AI表現優異的仍是RTL代碼實現等邊界清晰的任務。越往頂層的架構與規格定義走，Agent越難介入，因為連人類架構師自身都難以在這個龐大的探索空間中界定清晰的邊界。最後的結果驗收同樣如此。穆洋認為當前仍需要有10-15年經驗的工程師來完成判斷，只有等AI自身的驗證和判斷能力進一步成熟，才可能真正走到“小白也能做芯片”的階段。* 文中Jim為化名