“继晶圆制造之后，芯片设计是否会成为半导体产业下一个被平台化的能力？”
芯片设计服务正迎来AI驱动的转折点。近期，一家名为Novasilicon（芯星元）的国内初创企业率先脱颖而出——刚刚完成首轮融资，由五源资本独家投资数千万元。
与传统Design House不同，Novasilicon认为AI不应仅仅是一种工具。创始人兼CEO李林阳的思路非常明确：“我们更希望从大模型本身出发，重新思考芯片设计。”
这绝非空谈。要真正实现这一逻辑，仅懂AI或仅懂芯片都是不够的。
根据公开信息，李林阳是上海人工智能实验室的青年科学家，曾参与打造国内首个开源大语言模型MOSS，并带队研发了兼具专业围棋能力与自然语言思维解释能力的大模型InternThinker。去年起，他的项目已覆盖AI for Chip Design领域。更为关键的是，他拥有两位经验丰富的联合创始人：COO薛建喜在数字芯片设计领域深耕二十余年，对接过国内多家知名AI芯片企业；CTO陈建球则是翱捷科技的早期核心成员，在模拟与混合信号芯片设计方面同样拥有二十余年经验。
Novasilicon的目标客户群体非常明确——大模型企业、智能机器人公司、云计算服务商、消费电子厂商，这些公司普遍存在增量自研芯片的需求。目前，他们正以NRE（一次性工程服务）模式推进与Foundry、IDM等产业链企业的合作。按照规划，年内还将推出标准化后端设计产品，验证一条从工程服务走向产品化的路径。
用AI设计芯片并非新鲜事。早在2024年，谷歌DeepMind就已利用AI完成了TPU的版图规划；五年过去，大模型的能力已远超当初水平，国外也涌现出一批由谷歌、英伟达前员工创办的AI驱动芯片设计公司，累计融资超过5亿美元。
作为国内首家浮出水面的AI-Native同类企业，Novasilicon究竟要做什么？他们打算如何实现？
01
AI Design House，聚焦AI驱动芯片设计的增量市场
过去半年，芯片巨头、大模型企业与云厂商几乎步调一致地将筹码押注于云端算力：微软时隔两年推出自研的第二代推理GPU，英伟达开始引入新架构芯片LPU，OpenAI则与博通合作开发适配自家大模型推理的ASIC。
与此同时，Fortune Business Insights预测，全球边缘AI半导体市场规模将从2026年的298.5亿美元增长至2034年的1078.6亿美元。多样化的硬件应用场景正催生大量定制化芯片需求。
李林阳认为，以人工为核心的芯片设计模式已难以适应小批量、多品类、快速迭代的生产节奏。这个前所未有的增量市场，正是用AI设计芯片的巨大机遇。Novasilicon自身判断：AI在芯片设计流程中的参与度，将从2025年的5%跃升至五年后的80%。
那么Novasilicon是要做AI EDA吗？李林阳直接否定了这一最容易产生的误解：“我们不是一家EDA公司。”在他看来，EDA仍是芯片设计不可或缺的基础设施，而当前EDA公司的主流思路是在既有工具体系中引入AI。Novasilicon并不打算替代这些工具，而是选择直接突破原有范式——让多AI Agent承担人的工作，负责设计、规划、调用EDA，并持续迭代优化。
如果用一个类比，李林阳认为Novasilicon更像AI版的博通，服务于那些过去难以被覆盖、或当前正处于井喷状态的需求市场：例如有些公司拥有多项芯片设计需求，但受限于周期过长、成本过高；还有一些公司，过去从未想过自己也能拥有一颗芯片。
关于交付，联合创始人薛建喜说得更直接：客户可以拿到设计图纸自行投产，也可以直接获得可用的芯片。
“AI版博通”回答的是当前商业模式，而谈到长期愿景，团队更愿意用另一家公司来解释自身定位。1987年，半导体产业完成了第一次专业化分工，IDM分化为Fabless和Foundry，后者中的龙头台积电使晶圆制造成为整个产业均可调用的基础设施。如果说台积电让“制造能力”平台化，那么Novasilicon希望做到的，便是让“芯片设计能力”也平台化——推动Fabless进一步演化为“Designless+AI DesignHouse”，让更多企业无需自建芯片设计团队，而是按需调用设计能力。
02
不依赖历史数据，以强化学习从后端切入AI芯片设计
李林阳认为，真正让“AI设计芯片”这项服务成立的，是大模型本身。当Agent框架展现出AI的任务规划、工具调用与多智能体协同能力时，大模型已有能力承担复杂的工程任务。而芯片设计恰好提供了一个天然的训练场——每一次优化都能通过大量物理仿真得到验证，EDA工具链又能进一步缩短验证与迭代周期。大模型不仅能够参与设计，还能在持续的试错中学习与优化。
OpenAI与博通的合作便是一个典型案例。从产品定义到流片仅用了约九个月，背后正是OpenAI将自身的大模型能力引入了芯片研发流程。薛建喜表示，某种程度上他们也是在构建垂直领域的模型。
正因如此，Novasilicon并未选择目前行业更主流的模仿学习方式。那种路径基于历史RTL代码、验证数据、网表、版图、设计文档等资料来训练或微调模型，在RTL生成这类文本化环节确实有效。但问题在于，芯片设计数据天然高度保密，开源可用数据极为有限，如何持续获取足够规模的数据集，反而成了制约大模型能力的瓶颈。
Novasilicon选择的是强化学习路线——类似SuperLearner的思路，让模型自行构建通用决策能力，通过主动探索逼近最优策略，而非依赖历史数据。当然他们并非这条路上的独行者，谷歌、英伟达等巨头已在实践。围绕用AI设计芯片的新创公司也在快速涌现：谷歌AlphaChip的核心成员、英伟达芯片设计AI负责人任浩星均选择了自立门户，瞄准芯片基础模型的Cognichip还吸引了英特尔CEO陈立武加入董事会。
资本也开始集中押注。仅Ricursive、ChipAgents和Cognichip这三家国外AI芯片设计创业公司，公开融资金额已超过5亿美元。
但李林阳强调，Novasilicon与这些公司在技术路线与业务模式上并不完全相同。他们希望进一步整合通用模型、多Agent协同与芯片设计能力，最终搭建一套能够持续交付芯片设计成果的平台。不过芯片设计流程漫长且复杂，全流程自动化仍是一道高门槛。当前，Novasilicon选择先从模拟后端版图设计与数字后端布局布线任务切入。
后端决定了芯片“能否制造、制造后能否正常工作”，相比前端，它拥有更明确的工程约束与量化反馈，是最容易形成商业闭环的突破口。“许多人觉得前端只是简单写写代码，那只是看到冰山一角。站在大模型解决问题的角度看，难度其实有本质区别。”李林阳坦言。
不过，后端只是起点。李林阳透露，未来几个月团队将进一步推进覆盖AI芯片设计前后端全流程的多Agent集群建设，而这才是Novasilicon真正想抓住的未来。
