核心要點

• 行業(yè)正不斷提出并測試新方法，以應對芯片人才短缺問題。

• 在設計工具中引入AI，能提升工程師效率，并有望縮短人才培養(yǎng)周期。

• EDA 企業(yè)正在探索：能否將計算機、軟件工程師培養(yǎng)成硬件工程師。

• 從大規(guī)模落地 AI 工具，到跨領域培養(yǎng)非本專業(yè)畢業(yè)生，多種新方案正在研發(fā)與測試，以緩解芯片行業(yè)人才缺口。

AI賦能設計，提升效率

在 AI 領域，新型工具可幫助工程師更高效地完成半導體硬件的設計與驗證，分擔部分工作壓力。大語言模型與自主智能體 AI可被訓練為定制化助手。

這類技術會持續(xù)迭代、演進并相互融合，形成循環(huán)：需要更先進的芯片來支撐 AI，而 AI 又反過來助力芯片設計。

學界：跨界培養(yǎng)，軟件轉硬件

學術界也在嘗試多種方案填補人才缺口：

?更短期、高強度的培訓與跨領域培養(yǎng)

?利用機器學習、大模型、多智能體、混合專家 AI 等技術，訓練軟件工程師承擔硬件工程師工作

讓軟件工程師學會設計硬件理論可行，但難度很大。

Cadence 驗證軟件產品高級總監(jiān) Matthew Graham 表示：

仍然需要一定的教育與職業(yè)培訓。必須對 AI 或其他工具的工作原理有基本理解，才能與之交互。

但這些人需要成為寫 RTL 的專家嗎？不需要。

未來芯片開發(fā)者或許不再需要精通 SystemVerilog 或 VHDL，只需具備基礎認知，就像寫 C/C++/Python 的程序員知道編譯器會生成匯編與機器碼，但不必親自寫、也不必精通。

未來，芯片開發(fā)者與驗證工程師所需的技能，會更接近軟件工程師。

Graham 回顧 25 年前的行業(yè)轉變：最早一批懂面向對象編程的電子工程師，被轉型成驗證工程師。如今歷史正在重演：硬件工作會加入更多軟件成分，但完全不經培訓就讓軟件工程師直接設計硬件，幾乎不現(xiàn)實，仍需要領域專屬知識。

新思科技（Synopsys）高級總監(jiān) Anand Thiruvengadam 指出：

傳統(tǒng)硬件設計（RTL/電路級）需要深厚的數(shù)字邏輯、時序、驗證乃至模擬電路知識，流程更復雜、抽象層級更低，涉及物理約束、綜合、時序收斂、制造工藝等軟件工程師不熟悉的內容。

但新一代工具正在提供更高層級抽象，支持用更接近軟件工程的方式描述硬件，例如用高級語言或圖形界面自動綜合成硬件。

AI 工具可自動完成測試平臺生成、版圖優(yōu)化、設計建議等大量底層工作，降低硬件入門門檻。

卡內基梅隆大學博士、ChipAgents 研究負責人張科迅認為：

好芯片仍然需要硬件工程師設計。AI 在軟件工程中的普及與成熟度遠超芯片設計。

行業(yè)初級、年輕工程師正在變少，資深軟件工程師依然珍貴。AI 只是工具，工具越強，越需要使用者真正理解問題，才能做好架構設計。

芯片設計師正在用 AI 節(jié)省時間：

?更快理解工具、少讀文檔

?直接向工具提問，獲取行動方案

?在規(guī)格階段就讓 AI 給出優(yōu)質起點，加速系統(tǒng)設計

?在設計過程中獲得持續(xù)指引，提升效率

目前 AI 還不能直接生成成熟系統(tǒng)，但能大幅縮短設計周期、加快上市時間。

如何讓軟件工程師設計硬件

加州大學洛杉磯分校（UCLA）杰出教授Jason Cong（叢京生）數(shù)十年專注此問題。

他引用美國勞工統(tǒng)計局數(shù)據(jù)：

?美國約有200 萬軟件開發(fā)者

?硬件設計者不足 10 萬

軟硬件人才比例超過20:1。

叢京生團隊的結論：

精心設計的 AI/ML 工具確實能助力芯片設計。

我們將圖神經網絡（GNN）與大語言模型（LLM）結合，捕捉設計層次、程序轉換、FPGA→ASIC 任務遷移、混合專家領域遷移等。

圖1：讓軟件工程師設計芯片的步驟

其愿景是：基于多智能體，融合機器與人類智能，讓只受過軟件訓練的人也能做芯片設計，最終讓硬件設計像寫 PyTorch 庫一樣簡單。

在他的本科課程CS-133，學生僅用1.5 周，就能通過高級綜合在 AWS F1 云端設計出 CNN 加速器。

圖2：多智能體設計硬件與軟件的方法

西門子 EDA 產品負責人 Sathishkumar Balasubramanian 同樣認為：

自主智能體 AI是讓工程師快速勝任新任務的最佳路徑，連接歷史設計數(shù)據(jù)湖后，數(shù)據(jù)越多越智能。

系統(tǒng)可以主動提醒：“你之前用過這個工具，可能會遇到某類問題”，并給出歷史解決方案與經驗，實現(xiàn)知識通用化、對話式交互，回歸基礎科學而非死記語法。

但叢京生也提醒：

我們非常熱衷于用 AI/ML 做芯片設計，但這不代表這是唯一路徑。

凡是人類智能能勝任的地方，我始終主張優(yōu)先用人，而不是 AI。

人才招聘：CS / EE跨界培養(yǎng)

是德科技（Keysight EDA）高級總監(jiān) Alexander Petr 認為：

人才短缺真實且長期存在。高校課程追逐新潮技術，卻與產業(yè)需求脫節(jié)，企業(yè)只能入職后再培訓。

他們的招聘思路很清晰：

?招基礎好的 CS 人才，補 EE 知識

?招基礎好的 EE 人才，補 CS 能力

AI 是能力增強、自動化升級，是下一代進化，不是替代人。

從高校孵化的創(chuàng)業(yè)公司在招人上更有優(yōu)勢，能直接接觸學生與畢業(yè)生。

ChipAgents 的團隊成員有80%~90%來自加州大學圣塔芭芭拉分校（UCSB）。

博通、高通、Cadence、新思科技等巨頭，早年也都是從高校吸收大量人才。

ChipAgents 的人才結構：

?約 50%：CS、AI

?30%~40%：CE、ECE

同時聘請來自 AMD 等企業(yè)、擁有芯片設計與驗證背景的資深工程師，以及擁有三四十年 EDA 經驗的老兵擔任顧問，AI 原生開發(fā) + 頂級 EDA 經驗強強結合。

本科、碩士、博士，還是直接去創(chuàng)業(yè)公司？

?本科：打基礎

?碩士：在現(xiàn)有技術上做創(chuàng)新

?博士：創(chuàng)造全新事物，更適合長期前沿項目，而非當下市場

很多博士研究方向（如太赫茲放大器）距離產業(yè)落地仍需 5 年左右。只有與企業(yè)深度合作，成果才能快速落地，但這類機會并不多。

ChipAgents CEO William Wang 認為：

現(xiàn)在是讀博士的好時機。

十年前 NLP 大量問題未解決，如今大多已被攻克。而在AI + 芯片這一波浪潮中，研究課題極度開放。

這波浪潮里，創(chuàng)業(yè)公司引領前沿研發(fā)，更看重知識的實際落地能力，而不只是靠博士發(fā)論文。

大學課程：縮短學制，還是提升質量？

高校既要跟上芯片技術快速迭代，又要融入 AI，部分機構考慮縮短學制，但在工程領域是否可行仍不明確。

Cadence 的 Graham 認為：

整個技術棧一定會上移，但教育內容不會減少，只會改變。

課程必須與產業(yè)更對齊、響應更快，培養(yǎng)更高質量的畢業(yè)生，而不是更短的學制。

Imagination 技術專家 Andrew Johnson 也認為：

與其把 3 年縮成 2 年，不如在 3 年內做更多、價值更高的事，借助機器學習工具培養(yǎng)更高水準的工程師。走捷徑是人性，但未必是最優(yōu)解。

總結

AI 給半導體帶來巨大變革，高校該如何鼓勵學生投身芯片相關專業(yè)？

Arteris 副總裁 Andy Nightingale：

理論上，隨著 AI 智能體成熟，硬件設計者可以是軟件工程師，這一天并不遙遠。

但現(xiàn)階段仍需要人確保輸出格式正確、功能正常。

不必害怕 AI 取代崗位，真正要警惕的是：會用好 AI 的人取代不會用 AI 的人。

無論軟硬，始終需要人來做質量把關。

原文

https://semiengineering.com/can-a-computer-science-student-be-taught-to-design-hardware

精品芯片課程 春節(jié)期間75折！