Will man mithilfe von KI Chips herstellen? Die Chipingenieure lachen darüber.
Ist AI4Chip das nächste Coding-Szenario?
Auf dieselbe Frage gibt es zwei "völlig gegensätzliche" Antworten.
Der eine ist Duojiaojiang, ein Forscher bei einem Hersteller grundlegender großer Modelle (im Folgenden als "Basismodellhersteller" bezeichnet). Aus der Perspektive des Großmodellunternehmens betrachtet er das Chipdesign: Die Intelligenz der KI steigt stetig, das Wesen der menschlichen Arbeitsteilung ergibt sich aus der Begrenztheit des Kontexts, während KI diese Einschränkung nicht hat. Die Zusammenarbeit von Tausenden von Menschen im Chipdesign wird früher oder später durch eine ausreichend intelligente KI komprimiert. Er geht davon aus, dass AI4Chip das nächste Coding-Szenario ist – beginnend damit, die Effizienz der Ingenieure um 30 % zu steigern, dann einfache Chips End-to-End zu entwickeln, und schließlich zu einem selbstverbessernden Chipdesign zu gelangen. Er hat sogar eine eigene "provokante These" auf sozialen Plattformen veröffentlicht: Basismodellhersteller werden früher oder später alle ihre eigenen Chiphersteller haben.
Der andere ist Saige, der seit fast zehn Jahren im Bereich des digitalen Chipdesigns tätig ist und gleichzeitig ein Wissensblogger im Bereich des KI-Chipdesigns ist. Als er die Aussage "das nächste Coding-Szenario" hörte, war seine erste Reaktion ein Lachen. Dann gab er eine unmissverständliche Einschätzung ab: "Es ist nicht das nächste Szenario für Vibe-Coding. Denn das Chipdesign selbst besteht nicht nur aus ein bisschen Code."
Beide haben ihre Argumente. Und genau diese Meinungsverschiedenheit ist der beste Einstiegspunkt, um AI4Chip zu verstehen.
Aber bevor wir auf ihre Standpunkte eingehen, muss ein Hintergrund zuerst auf den Tisch gelegt werden – Warum wird die Aussage "AI4Chip ist das nächste Coding-Szenario" gerade im Jahr 2026 aufgebracht?
01
Warum haben Basismodellhersteller nach dem Coding-Bereich gerade AI4Chip ausgewählt?
Die Antwort liegt im Erfolg des Coding-Bereichs, in dessen Obergrenze und vor allem in den Rechenleistungsrechnungen der Basismodellhersteller.
Der Erfolg der Großmodellhersteller im Coding-Szenario muss nicht mehr bewiesen werden. Claude Code kann Code schreiben, Codex kann "Repositories" ändern, und Coding-Agenten sind in den letzten zwei Jahren das solide Realisierungsszenario für Großmodelle – Aufgaben sind überprüfbar, Daten sind zugänglich, die Zahlungsbereitschaft ist klar und die Nutzungsfrequenz ist hoch.
Aber die Marktkapazität des Coding-Bereichs hat eine Obergrenze. Wenn die Fähigkeiten der Modelle weiter steigen, müssen die Basismodellhersteller eine Frage beantworten: Wo ist das nächste hochwertige Aufgabenfeld, das Einnahmen in vergleichbarer Größenordnung generieren kann?
Dass AI4Chip in den Vordergrund gerückt wird, ist kein Zufall. Es erfüllt mehrere Kernmerkmale des "nächsten Coding-Bereichs": Hoher Wert der Aufgaben, hoher Anteil an Expertenwissen, überprüfbare Ergebnisse, eine große Menge an erlernbaren Prozessdaten und zahlende Kunden sind profitable Chip- und EDA-Unternehmen. Noch wichtiger ist, dass Chips der vorgelagerte Bereich der Rechenleistung sind – für Basismodellhersteller bedeutet die Entwicklung von AI4Chip nicht nur den Verkauf von Tools, sondern einen Schritt tiefer in die Industriekette vorzudringen.
Dieses Signal ist auf dem Arbeitsmarkt für Personalbeschaffung bereits sehr deutlich. Auf sozialen Plattformen tauchen zahlreiche Stellenausschreibungen von Basismodellherstellern für chipbezogene Fachkräfte auf, die Positionen umfassen RTL und Verifikation im digitalen Frontend, sowie Platzierung, Verdrahtung und Timing im digitalen Backend, es wird sogar ausdrücklich "KI-native Neueinsteiger, die sich für Vibe-Chips interessieren" willkommen geheißen. In der Branche ist die allgemeine Ansicht, dass dies im Grunde dieselbe Gruppe von Personen ist, die zwei Dinge tut: Erstens die Fähigkeit der KI zum Chipdesign zu trainieren, zweitens selbst Chips herzustellen.
Die Stellenausschreibungen verschiedener inländischer Basismodellhersteller werden auf sozialen Plattformen breit diskutiert
Warum müssen Basismodellhersteller unbedingt diese zwei Dinge tun?
Einerseits geht es um das "Training". Chips gehören heute zu den längsten Prozessketten – Spezifikationen, RTL, Verifikation, Synthese, Platzierung und Verdrahtung, Timing, physische Prüfung, Tapeout, alles hängt eng miteinander zusammen. Wenn ein Großmodell in dieser extremen Prozesskette validiert werden kann, welche Szene könnte es dann nicht "erobern"?
Andererseits ist es sehr pragmatisch: Die Rechnung für Rechenleistung. Duojiaojiang erklärt: "Wenn Sie ein Modell mit überlegener Intelligenz haben, warum sollten Sie dann noch Karten von anderen kaufen? Da es sich um eine AGI handelt, warum nicht selbst Karten herstellen?" Diese Gegenfrage trifft den Kern – Basismodellhersteller entwickeln Chips nicht nur, um Tools zu verkaufen, sondern um die Abhängigkeit von den vorgelagerten Giganten der Rechenleistung zu beenden. Für inländische Hersteller kommt noch der Druck des "Mangels an Karten" hinzu: "Wenn die Grundursache der Mangel an Rechenleistung ist, warum sollten Sie dann Kleinigkeiten optimieren, anstatt diese grundlegende Einschränkung direkt zu verbessern?"
Saige stimmt dieser Einschätzung voll und ganz zu und ergänzt den letzten Teil aus der Perspektive des geschäftlichen Endzustands. Seiner Ansicht nach bieten Modellanbieter Produkte in Form von Modellfähigkeiten an, genau wie Strom, was schließlich zu einem Oligopolwettbewerb und einer strengen staatlichen Regulierung führt. Die Gewinne von "Kraftwerken" sind relativ fest, der Preis für grundlegende Energie kann nicht zu absurd hoch sein. Wenn Basismodellhersteller weiter wachsen wollen, müssen sie eigene Hardwareprodukte haben.
Daher ist das Vorantreiben von AI4Chip nicht nur eine technische Weiterentwicklung, sondern auch eine geschäftliche Notwendigkeit: Großmodelle brauchen den nächsten Cashflow, Basismodellhersteller müssen die Abhängigkeit von Rechenleistung beenden, die Chipindustrie braucht mehr Effizienz, und die Politik braucht einen Ansatz, um einen Sprung nach vorne zu schaffen. Das Zusammentreffen der Kräfte aller Seiten macht es für Basismodellhersteller unumgänglich, selbst in den Markt einzusteigen.
Aber Kräfte hin oder her – ob das Ganze derzeit umsetzbar ist, ist eine andere Sache. Das führt zurück zur folgenden Kernfrage, die auch der Ausgangspunkt der Meinungsverschiedenheit der beiden Befragten ist.
02
Ist AI4Chip das nächste Coding-Szenario?
Eilen Sie sich nicht, eine Seite zu wählen: Das "AI4Chip", von dem die beiden sprechen, ist nicht dasselbe.
Die Logik von Duojiaojiang ist von oben nach unten ausgerichtet.
Sein Ausgangspunkt ist das Entwicklungstempo der KI-Fähigkeiten. Seiner Ansicht nach erfordert die Herstellung eines großen Chips heute die Zusammenarbeit von Hunderten oder sogar Tausenden von Menschen, wobei jede Person nur einen kleinen Teil versteht – das liegt im Grunde nicht daran, dass die Arbeitsteilung natürlich so ist, sondern daran, dass die intellektuelle Bandbreite einer Person begrenzt ist, der Kontext, den eine Person verarbeiten kann, extrem begrenzt ist, und daher der Arbeitsablauf in sehr kleine Stücke unterteilt werden muss. KI hat diese Einschränkung nicht. Eine ausreichend intelligente KI kann unbegrenzt kopiert werden und kann gleichzeitig Frontend, Backend, Verifikation und physisches Design verstehen. Langfristig gesehen wird das Chipdesign also definitiv durch KI beschleunigt, und das nicht nur in einem einzelnen Schritt, sondern im gesamten Zyklus des Hardware-Software-Co-Designs: "AI for Chip, Chip for AI – es lässt diese Schleife selbst laufen." Er legt diesen Zeitrahmen auf die nächsten 5 bis 10 Jahre fest.
Der aktuelle Weg ist viel pragmatischer und orientiert sich direkt an den Erfahrungen aus dem Coding-Bereich: Erstens lässt die KI das Wissen der Chip-Ingenieure erlernen, zweitens die Erfahrung der Architekten erlernen, und drittens langsam das Co-Design beherrschen. In der Anfangsphase dient es als Effizienztool, das Ingenieuren 30 % der Arbeit erspart; in der mittleren Phase kann es End-to-End einige relativ einfache Chipdesigns durchführen; erst am Ende erreicht es das fortgeschrittene Stadium der selbstständigen Weiterentwicklung.
Dieser Weg erscheint ihm "machbar", weil der Coding-Bereich diesen Weg bereits gegangen ist. Die Entwicklung der Großmodelle bei der Codegenerierung gibt ihm übertragbares Vertrauen: Solange eine Aufgabe in überprüfbare Schritte unterteilt werden kann, kann die KI sie schrittweise "übernehmen".
Seiner Ansicht nach befindet sich AI4Chip derzeit in einem Zustand, der dem "Coding vor einem oder zwei Jahren" ähnelt – "Man spürt bereits, dass es im Grunde große Codeblöcke für einen schreiben kann. Man kann Aufgaben an es übergeben, aber es überlässt einem immer noch die 10 bis 20 % schwierigsten Teile."
Saige trennt klar zwischen "Jetzt" und "Zukunft": "AI4Chip ist ein sehr fortgeschrittenes Thema, über das in der Branche viel diskutiert wird, aber es ist derzeit noch nicht das nächste Szenario für Vibe-Coding."
Täglich arbeitet er mit RTL, Verifikation, PPA und Wafern. Er gibt zu, dass KI bereits Hardware-Ingenieuren bei der Arbeit hilft – beim Schreiben von Frontend-Code, beim Generieren kleiner Skripte und bei der Abfrage von Tool-Nutzungsweisen. Aber er betont, dass das nur die Spitze des Eisbergs ist. Die eigentliche Schwierigkeit des Chipdesigns liegt nicht in diesem bisschen Code, es führt schließlich zu einem physischen Objekt zurück. "Man muss auch das physische Design, Tests und das unmögliche Dreieck von PPA (Leistungsaufnahme, Leistung, Fläche) berücksichtigen … Nur Code auszugeben ist eigentlich eine sehr einfache Sache, die wir derzeit bereits tun. Aber AI4Chip im umfassenden Sinne ist tatsächlich eine systematische Überlegung. Code ist nur der kleine Teil am Anfang."
Für die Bewertung der aktuellen KI-Tools im Chipdesign verwendet er eine sehr konkrete Einstufung: L0 bis L1. Die meisten sogenannten "EDA-Agenten" auf dem Markt stecken noch zwischen L0 und L1 – "Man verbindet ein Modell mit einer Shell und wagt es schon, sich Agent zu nennen". Selbst das KI-Tool, das einer der drei großen EDA-Hersteller selbst veröffentlicht hat, ist seiner Ansicht nach "eher wie ein kleiner Assistent, der einem bei der Suche nach Dingen hilft und kleine Skripte generiert, es hat nicht einmal das Niveau der Halbautomatik erreicht".
Mit anderen Worten: Duojiaojiang spricht davon, "ob die KI das Chipdesign erlernen kann", während Saige davon spricht, "welchen Anteil der Teil, den die KI derzeit erlernt hat, tatsächlich bei der echten Chiplieferung einnimmt". Das sind nicht dieselben zwei Dinge.
Aber beide teilen tatsächlich eine gemeinsame Erkenntnis: KI wird immer tiefer in das Chipdesign eindringen. Die Meinungsverschiedenheit liegt nicht in der Richtung, sondern im Tempo und im Schwerpunkt – Duojiaojiang betrachtet die Erweiterung der Fähigkeitskurve, Saige betrachtet den Anwendungsort der Fähigkeitskurve in der echten Lieferung. Da die Motivation kein Problem ist, liegt der Schlüssel im Fortschritt der Umsetzung. Daher stellt sich natürlich die Frage: Wie weit ist man derzeit eigentlich gekommen?
03
Wie weit ist man derzeit gekommen? Gibt es einen Unterschied zwischen dem In- und Ausland?
Duojiaojiangs Einschätzung zum inländischen Fortschritt ist zurückhaltend: Alle arbeiten unter Wasser. An der Oberfläche ist zu sehen, dass das früher von Moonshot AI veröffentlichte Kimi K3 mit Open-Source-EDA-Tools und der Nangate-45-nm-Prozesstechnologiebibliothek ein Chipdesign mit einer Fläche von etwa 4 mm² abgeschlossen hat. Im September kündigte Qwen offiziell zwei Experimente für die Produktionsumgebung an: Beim Chipdesign hat Qwen3.8-Max ausgehend von den Spezifikationen eines NoC-Moduls RTL, Verifikation und physische Implementierung abgeschlossen; in einem weiteren unabhängigen Experiment hat Qwen3.8-Max Qwen3.8-Flash-Next auf Xuan Tie Wumeng 890 von C-Sky bereitgestellt und die End-to-End-Inferenzleistung kontinuierlich optimiert.
Auch das ausländische Unternehmen Anthropic hat offiziell angekündigt, ein spezielles Chipdesign-Team aufzubauen und Claude für die technische Entwicklung und das Design von kundenspezifischen Chips zu nutzen. OpenAI hat gemeinsam mit Synopsys eine mehrjährige strategische Zusammenarbeit vereinbart, um gemeinsam das spezielle KI-Modell GPT-Synopsys für das Chipdesign zu entwickeln. Gleichzeitig ist im Vergleich zu ausländischen AI4Chip-Kombinationen das Inland sowohl im EDA- als auch im Modellbereich relativ schwächer. Aber im Großen und Ganzen liegt dieser Weg sowohl im In- als auch im Ausland noch ein gutes Stück von der Kommerzialisierung entfernt.
Er hat die Schwierigkeiten auch klar benannt. Viele Erfahrungen von Chipherstellern stehen nicht auf Papier, sondern sind im Kopf der Ingenieure und in vertraulichen Dokumenten gespeichert. Die derzeit denkbare Lösung ist die Einstellung von Experten – es gibt keine bessere Möglichkeit. Die Bewertungsstandards für die Qualität der AI4Chip-Ergebnisse müssen ebenfalls von Branchenexperten erstellt werden, "genau wie bei AI4Science, wo eine Reihe von Spitzenkräften aus den Grundwissenschaften Benchmarks erstellt". Derzeit ist die größte Herausforderung, auf die er in seiner täglichen Arbeit stößt, "wie man gute Daten besser skalieren kann", und dieses Problem ergibt sich aus "sehr sehr vielen Details", es ist schwer zu definieren, welcher Schritt besonders schwierig ist.
Saiges Perspektive beginnt mit den Schwierigkeiten bei der Umsetzung.
Er beschreibt einen in der Branche weit verbreiteten Widerspruch: "Die Haltung ist sehr offen, die Handlungen sind sehr vorsichtig": Die Chefs wollen in diesem Bereich Erfolge erzielen, wollen aber nicht die Ersten sein, die die "Krabbe essen". Unternehmen werden derzeit kein Projekt auflegen und mehrere hundert Millionen Yuan investieren, um das Tapeout eines vollständig KI-nativen Chip-Projekts von Anfang bis Ende zu unterstützen. Ingenieure können Demos erstellen, aber wenn eine Demo nicht getaped wird, bleibt sie nur eine Demo; außerdem verwenden viele Demos keine kommerziellen EDA-Tools, sondern Open-Source-Tools, die im Widerspruch zu den weltweit gängigen Prozessen stehen. Ihre Ergebnisse werden von der Mainstream-Industrie nicht anerkannt und gelangen daher nicht in die echte Produktionsumgebung.
Wie groß ist der Unterschied zwischen dem In- und Ausland tatsächlich? Saige gibt einen konkreteren Maßstab an: etwa 6 Monate.
Er ist der Ansicht, dass die ausländischen Spitzenmodelle relativ führend sind, aber der Vorsprung beträgt "