ChatGPT写Python代码写得飞起，写verilog却拉胯得不行。这背后藏着什么秘密？

这年头，程序员们都在担心被AI抢饭碗。GitHub Copilot、ChatGPT写起代码来有模有样，很多简单的功能甚至比新手程序员写得还靠谱。可奇怪的是，同样是写代码，AI到了芯片设计领域就突然"不灵"了。

想让AI写好代码，首先得喂它足够多的好代码。程序员把GitHub当作代码仓库，上面躺着几千万个开源项目，质量参差不齐，但总体基数够大。AI就像个勤奋的学徒，看得多了自然就会了。

但芯片设计就不一样了。网上能找到的RTL代码少得可怜，质量更是令人捉急。你根本不知道这些代码是学生作业还是工程师的杰作，是能跑的产品还是纸上谈兵的demo。更要命的是，这些代码往往没有对应的验证环境，连好坏都判断不出来。

拿烂数据训练AI，得到的自然是烂结果。这就像让人只看劣质小说学写作，写出来的东西能好到哪里去？换句话说，程序员群体就这么革了自己的命。

芯片设计和软件开发，本质上就是两个物种。对比一下就明白了：

• 数据量：软件项目数以千万计，芯片项目凤毛麟角
• 容错率：软件可以边用边改，芯片必须一次成功
• 标准化程度：软件开发框架相对统一，芯片设计千差万别
• 质量要求：软件能跑就行，芯片要考虑功耗、面积、时序等多重约束

软件出了bug，大不了更新个补丁，用户重启一下就好了。芯片出了问题？对不起，几千万美元的流片费用打水漂，产品延期，股价暴跌，CEO下台。

正因为容错率极低，芯片行业早就形成了一套严格的游戏规则：设计重用才是王道。与其每次都重新造轮子，不如买现成的、经过验证的IP模块。这些模块不便宜，但胜在可靠。

这种商业模式的核心在于质量保证和技术支持。客户花钱买的不只是几行代码，更是买一个承诺：出了问题有人负责，有人解决。AI生成的代码能提供这种保证吗？显然不能。自动驾驶现在最大的问题也是出了事情，厂家不负责啊，你敢用么！

验证才是真正的难题

在芯片设计中，写代码可能只占20%的工作量，验证才是大头。

一个芯片模块的验证工作往往比设计本身更复杂、更耗时。需要搭建测试平台，编写测试用例，跑各种仿真，确保在所有可能的使用场景下都能正常工作。这些工作的技术含量一点都不比设计低，但在网上几乎找不到相关的开源资源。

有意思的是，AI在验证领域可能反而更有潜力。现在的验证效率极其低下，大量的测试向量都是无效的，浪费计算资源。如果AI能帮忙找到更有效的测试向量，那价值可比写RTL代码大多了。这在某些领域已经得到应用了，可能不是机器学习，甚至是简单的优化算法。

AI在不同领域的表现差距很大：软件 > 数字后端 > 功能验证 > IC设计。与其指望AI直接生成可用的RTL代码，不如让它在验证、优化、辅助分析等环节发挥作用。比如自动生成测试用例，优化布局布线，或者帮助工程师快速理解复杂的设计。

也许我们需要重新思考芯片设计的方法论。当设计工具足够智能，设计抽象层次足够高的时候，AI才可能真正发挥作用。AI可以写软件，而软件又可以HLS综合成芯片，会怎么样？

现在嘛，芯片设计工程师们还是可以安心睡觉。不是AI不够聪明，而是这个游戏的规则就不一样。在追求极致可靠性的芯片世界里，AI还得慢慢学规矩。