文 | 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。
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 4mm 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。
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。
