芯片设计服务正迎来一个关键转折点，而推动这一变革的核心力量，正是人工智能。
据雷峰网独家消息，国内初创企业Novasilicon（芯星元）已率先切入这一赛道。近日，该公司完成首轮融资，由五源资本独家出资数千万元。
这家公司与传统Design House有本质区别——它将AI定位为设计范式的根本重构者，而非仅仅辅助工具。公司创始人兼CEO李林阳直言：“我们主张回归大模型本质，从底层逻辑出发，重新定义芯片设计的方法论。”
要实现这一构想，仅靠单一领域专长远远不够。团队必须深刻理解大模型的推理机制与协同能力，同时掌握芯片全生命周期的工程细节。这项任务的门槛，显然不低。
公开资料显示，李林阳现任上海人工智能实验室青年科学家，深度参与了中国首个开源大语言模型MOSS的研发，并主导打造了国内首个融合专业围棋决策与自然语言思维链解释能力的大模型InternThinker。自去年起，他一直在牵头推进“AI for Chip Design”专项研究。
另外两位联合创始人则补足了芯片工程侧的核心能力。COO薛建喜拥有超过二十年的数字芯片设计经验，长期任职于多家头部AI芯片企业；CTO陈建球是翱捷科技的早期核心骨干，专注模拟与混合信号芯片设计二十余年。
Novasilicon的目标客户是那些有增量自研需求的企业，例如大模型公司、智能机器人厂商、云服务商及消费电子品牌。目前，该公司采用NRE（一次性工程服务）模式，已与Foundry、IDM等产业链关键环节展开实质性合作。
按照规划，公司今年将发布一款标准化后端设计产品，以验证从定制化服务向可复用产品转型的可行性。
事实上，“AI参与芯片设计”并非新鲜话题。早在2021年，谷歌DeepMind团队便利用AI完成了TPU芯片的自动布局规划，大幅压缩了设计周期。
如今，随着大模型能力跃迁，全球范围内已涌现出一批由谷歌、英伟达前核心成员创立的AI驱动型芯片设计公司。仅Ricursive、ChipAgents、Cognichip三家，公开披露的融资总额就超过5亿美元。
作为国内首家正式浮出水面的AI-Native芯片设计企业，Novasilicon的战略意图与实施路径，确实值得关注。
AI DesignHouse：锚定芯片设计新蓝海
过去半年，算力基础设施的竞争持续升温：微软时隔两年发布了第二代自研推理GPU；英伟达引入了LPU（Logic Processing Unit）新架构；OpenAI也与博通合作，加速开发面向大模型推理的专用ASIC。
与此同时，Fortune Business Insights预测，全球边缘AI半导体市场将从2026年的298.5亿美元扩张至2034年的1078.6亿美元。硬件场景日益碎片化，应用迭代频率不断加快，这正倒逼芯片开发模式发生根本性变革。
李林阳观察到，以人工为主导的传统芯片设计流程，在面对小批量、多品类、快交付等新需求时，已显得力不从心。而这背后，正是AI原生设计能力的巨大商业化空间。
Novasilicon据此判断：AI在芯片全流程中的渗透率，将从2025年的约5%攀升至五年后的80%。
那么，Novasilicon是否意在打造下一代EDA？李林阳明确回应：“我们不是EDA公司。”
在他看来，EDA工具链仍是不可替代的基础设施。当前主流EDA厂商的策略是在既有框架里叠加AI模块；而Novasilicon选择另一条路——跳过工具增强路径，直接构建多AI Agent协同系统，让AI自主完成设计决策、任务分解、EDA工具调用、结果验证与闭环优化。
如果做类比，李林阳将现阶段的Novasilicon比作“AI时代的博通”：面向那些因成本高昂、周期漫长而被排除在芯片自研门外的企业，甚至包括从未想过拥有专属芯片的创新主体。
在交付方式上，联创薛建喜介绍，客户既可以拿到完整设计文件自行流片，也可以委托Novasilicon完成从设计到封装测试的一站式交付。
“AI版博通”代表了当下可行的商业模式，而其长期愿景则指向更深的产业分工重构。
回顾半导体发展史，1987年台积电的成立标志着第一次重大分工——制造能力被平台化，IDM模式逐步分化出Fabless与Foundry。如今，Novasilicon希望推动第二次分工：让芯片设计能力也实现基础设施化，催生“Designless+AI DesignHouse”新生态。未来，企业无需组建庞大设计团队，只需按需调用AI驱动的设计服务即可。
不依赖数据沉淀，以强化学习突破后端设计瓶颈
在李林阳看来，真正支撑“AI设计芯片”走向规模化落地的，是大模型本身的能力进化。
当OpenCLAW等先进Agent框架展现出强大的任务编排、工具调用和多智能体协作能力时，大模型已具备承担复杂工程任务的潜力。而芯片设计恰好提供了一个高度结构化、强反馈、可仿真的理想训练场。
芯片每一次参数调整，都能通过物理仿真快速验证；EDA工具链则进一步缩短了“假设—执行—反馈”的闭环周期。在此过程中，大模型不仅参与设计，更在持续试错中自主进化。
OpenAI与博通的合作便是一个明证：从产品定义到成功流片，仅用时九个月。这背后正是大模型深度嵌入研发流程的结果。薛建喜指出，Novasilicon也在同步构建面向芯片设计垂直场景的智能体模型。
也正是基于此，公司并未沿用业内常见的模仿学习路径。
“那条路线依赖大量历史RTL代码、验证日志、网表、版图及设计文档进行模型训练或微调，在RTL生成等文本密集型环节确实有效。”李林阳解释，“但芯片数据天然具有高保密性，高质量开源数据极度稀缺，持续获取大规模可用数据集反而成为制约模型成长的关键瓶颈。”
因此，Novasilicon选择了类似SuperLearner的强化学习技术路线——构建具备通用决策能力的基础模型，通过自主探索与物理仿真反馈，不断逼近最优解，摆脱对海量标注数据的依赖。
事实上，这一方向也得到了产业巨头的响应：谷歌、英伟达均已在内部分部署了类似实践。
与此同时，全球AI芯片设计新势力也在加速崛起：AlphaChip核心成员、英伟达前AI芯片设计负责人任浩星相继创业；专注芯片基础模型的Cognichip，甚至吸引了英特尔CEO陈立武加入董事会。
资本层面，这一赛道的热度持续攀升。据雷峰网统计，仅Ricursive、ChipAgents、Cognichip三家海外初创公司，公开募资总额就超过5亿美元。
李林阳坦言，Novasilicon与这些企业在技术选型和商业逻辑上存在差异。团队致力于打通通用大模型能力、多Agent协同机制与芯片工程知识之间的壁垒，最终建成一个可持续输出芯片设计成果的智能平台。
当然，芯片设计链条冗长、环环相扣，要实现端到端自动化，门槛确实很高。为此，Novasilicon选择从后端切入——聚焦模拟后端版图优化和数字后端布局布线这两个高价值环节。
李林阳强调：“后端直接决定芯片能否制造，制造后能否稳定运行。相比前端，它具有更清晰的物理约束和可量化的评估指标，是最早能形成商业正循环的突破口。”
“很多人误以为前端只是写写RTL代码，其实只看到了冰山一角。从大模型解决问题的本质来看，前后端的技术挑战存在结构性差异。”他直言。
不过，后端只是一个起点。李林阳透露，接下来几个月，团队将加快构建覆盖前后端全流程的AI Agent集群。而这，正是Novasilicon全力奔赴的未来。
