← 返回 Blog BARBOT / BLOG 一家模拟芯片公司，在 AI 时代，是不是也应该成为一家 AI 公司？ AI 不是多一个效率工具。如果它改变生产函数、组织方式和数据资产，才叫 AI-native。 Neal 2026-08-26 09:23:33 观点 这两年服务过很多芯片上下游的公司，最近一直在想一个问题： **AI 到底会怎么改变一家模拟芯片公司？** 不是给工程师装一个 Coding Agent，不是做一个企业知识库，也不是做一个 FAE 问答机器人。 我想讨论一个更激进的问题： > **一家模拟芯片公司，在 AI 时代，是不是也应该成为一家 AI 公司？** 这句话听起来很像废话。 因为今天几乎所有公司都可以说自己是一家 AI 公司。 银行可以说自己是 AI 公司，制造业可以说自己是 AI 公司，软件公司当然更可以。 所以真正的问题不是： **“你有没有用 AI？”** 而是： > **AI 会不会改变你的生产函数、组织方式、数据资产，以及这家公司的第二条增长曲线？** 如果不会，那你只是一个 AI 用户。 如果会，那才叫 AI-native。 --- ## 一、首先是一个最简单、但可能也是最重要的问题：你到底信不信 AI？ 我越来越觉得，今天企业面对 AI，很多问题最后并不是技术问题。 而是一个非常简单的问题： > **老板到底信不信？** 不是嘴上说“我们很重视 AI”。 而是你是不是真的相信： **未来三年到五年，AI 会重构大量知识工作和工程工作。** 如果你不相信，那其实非常简单。 买几个 Copilot。 做个企业知识库。 给员工接个大模型。 成立个 AI 兴趣小组。 每年汇报一下“AI 提效成果”。 完全没问题。 因为你的基本假设仍然是： > **公司原来的生产方式没有发生变化，AI 只是多了一个效率工具。** 但如果你真的相信 AI 是一次类似互联网、移动互联网，甚至可能更大的生产力变化，那逻辑就完全不一样了。 这时候应该问的是： > **如果今天重新设计一家模拟芯片公司，它的组织、研发流程、数据系统、产品定义方式，还应该和十年前一样吗？** 我觉得这是两个完全不同的世界。 --- ## 二、模拟芯片公司过去的商业逻辑其实非常清楚 传统模拟芯片公司的商业模型很好理解。 做一颗芯片。 定义产品。 设计。 验证。 流片。 量产。 卖出去。 最后公司的价值可以相对清晰地落到： **有多少产品 × 每个产品卖多少颗 × ASP × 毛利率。** 再进一步，就是： 产品组合多不多？ 客户多不多？ Design-in 多不多？ 研发投入多少？ 每年能推出多少新品？ 制造成本怎么样？ 生命周期有多长？ 这些东西最终都能够映射成收入、利润和现金流。 这是一家非常典型的**硬件公司逻辑**。 而且这个商业模式过去几十年已经被证明非常成功。 问题是： > **AI 时代会不会在这个模型上面，长出第二层东西？** --- ## 三、我的第一个暴论：模拟芯片公司未来可能同时是一家“工程数据公司” 注意，我这里说的不是： **把芯片数据卖出去。** 这很危险，也不现实。 我说的是另外一种东西。 一家模拟芯片公司每天都在产生极其高价值的数据。 但是今天，我们通常根本没有把它当成“资产”。 比如： 为什么这个产品当初定义成这个参数？ 为什么最终选择这个拓扑，而没有选另外一个？ 一个模拟工程师做了 30 次仿真，前面 29 次为什么失败？ 哪个 Corner 出现了问题？ 为什么这里最后改了这个参数？ 为什么第一次 Tape-out 回来之后，Simulation 和 Silicon 对不上？ FA 最终是怎么找到 Root Cause 的？ 客户在一个非常特殊的应用场景下为什么出现问题？ 最后怎么解决？ 这个经验有没有回到下一代产品？ 这些东西是什么？ 其实就是： ```text Problem ↓ Context ↓ Decision ↓ Action ↓ Tool Result ↓ Failure ↓ Correction ↓ Final Result ``` 这是一整条真实的 **Engineering Trace**。 今天互联网大模型能够看到很多 Datasheet。 能够看到论文。 能够看到教材。 也能够看到很多公开代码。 但它看不到一家真实芯片公司过去十年： > **到底是怎么把一颗颗芯片做出来的。** 尤其看不到那些失败。 而恰恰是： **失败 → 修改 → 再验证 → 最终成功** 这类数据，可能才是未来 Engineering Agent 最值钱的东西。 所以未来一家模拟芯片公司，除了拥有： **IP、产品、客户、供应链、人才** 之外，可能还会多一个非常重要的资产： > **Machine-readable Engineering Experience。** 机器可以理解、检索、执行和学习的工程经验。 --- ## 四、为什么现在这个东西突然开始有价值？ 因为以前这些数据其实也存在。 2015 年一样有仿真 Log。 一样有 FA Report。 一样有项目复盘。 一样有工程师改代码。 但是那时候，机器没有足够强的能力去“消费”这些东西。 今天开始不一样了。 LLM Agent 可以： 理解自然语言； 理解代码； 查找文档； 调用工具； 运行编译器； 运行仿真； 读取 Log； 根据结果继续修改； 再执行下一步。 于是第一次出现了一种可能： > **企业过去散落的工程经验，可以被组织成机器能够使用的工作记忆。** 这也是为什么最近 EDA 行业已经明显从“AI 辅助设计”往 Agentic Engineering 走。 Cadence 的 ViraStack 已经明确进入 Custom/Analog 场景，包括 schematic creation、testbench development、circuit optimization 和 layout migration；Synopsys 也正在推动 AgentEngineer，让 Agent 跨多个 EDA workflow 执行任务，而工程师继续保留关键决策和 signoff。([Cadence][1]) 这说明一件事情： > **Agent 已经开始从“回答工程问题”，进入“执行工程流程”。** 这是性质上的变化。 --- ## 五、第二个暴论：如果一直按照巨头的经营方式和巨头竞争，你大概率永远在他后面 模拟芯片行业有一个特别现实的问题。 你的竞争对手可能是谁？ TI。 ADI。 Infineon。 ST。 这些公司有什么？ 更长的历史。 更多的研发人员。 更大的研发投入。 更多的客户。 更多的产品。 甚至还有 IDM 制造优势。 TI 在 2025 年依然拥有超过 **80,000 个产品**，单 Analog 业务收入就达到约 **140 亿美元**。([SEC][2]) 那问题来了： 如果你的打法仍然完全是： ```text 多招工程师 ↓ 多开产品 ↓ 多做 SKU ↓ 多找客户 ↓ 慢慢积累 20 年 ``` 那你凭什么超过一家已经积累几十年的公司？ 对方比你： 高。 壮。 老。 钱多。 人多。 SKU 多。 渠道多。 然后你跟他采用完全一样的经营模型。 那很可能你的最好结果就是： > **一直在追。** 所以真正值得问的问题不是： **AI 能不能让我少招几个工程师？** 而是： > **AI 有没有可能改变后来者和巨头之间的竞争函数？** --- ## 六、真正应该追求的，不是“减少多少人”，而是“一个人能做多少事情” 这是我觉得 AI 对 Fabless 最有意思的地方。 一个公司的研发人数永远是有限的。 尤其模拟芯片又特别依赖资深工程师。 所以未来真正应该观察的指标可能是： > **Products / Engineer** 或者更广义一点： > **Engineering Throughput / Engineer** 以前一个资深工程师同时监督几个实验。 未来有没有可能： 一个工程师下面有十几个 Agent 帮他： 查历史设计； 生成 Testbench； 跑 Regression； 分析 Log； 检查规格； 修改代码； 调用编译器； 做竞争产品分析； 整理 FA 数据。 工程师自己从： **执行大量步骤的人** 变成： > **管理大量 Engineering Agent 的人。** 这才是生产函数真正发生变化。 Synopsys 最近对 AgentEngineer 的描述其实非常直接：有些公司会用新增的生产力缩短周期，有些会用同样人数处理更高复杂度，还有一些会用同样的工程师做更多产品。([Synopsys][3]) 我觉得最后这一点尤其适合模拟芯片公司。 --- ## 七、这时候，公司的第二曲线就开始变得有意思了 传统芯片公司的第一曲线很好理解： ```text 产品 × 销量 × ASP × 毛利 ``` 但 AI 时代是不是可能出现第二曲线？ 比如： ```text 产品越多 ↓ 工程任务越多 ↓ 真实 Engineering Trace 越多 ↓ Agent 对企业越了解 ↓ 研发效率越高 ↓ 可以支持更多产品 ↓ 产生更多客户和工程数据 ``` 这是一个飞轮。 它和传统硬件业务有一个很大的不同。 过去： 卖出第 100 万颗芯片，并不会自动让第 100 万零一颗芯片“更聪明”。 但是如果每一个研发项目都在不断产生： **Task → Action → Result → Feedback** 那理论上： > **做完第 100 个产品之后，公司做第 101 个产品的 Agent 应该比做第一个的时候更聪明。** 这就是我所谓的： **Engineering Learning Rate。** 一家企业学习的速度。 长期来看，这可能是一种以前财务报表里很难看到的新资产。 --- ## 八、但这里有一个非常大的误区：AI 落地 ≠ RAG + 问答 + Agent 助手 我自己做企业 AI 越来越强烈的一个感受是： **传统企业 IT 和今天真正意义上的 AI Engineering，并不是完全同一类工作。** 当然 IT 很重要。 账号。 网络。 数据库。 ERP。 权限。 部署。 安全。 这些都必须有。 但如果一家公司所谓的 AI 转型最后只是： ```text 接一个模型 + 做个 RAG + 搭个知识库 + 做几个工作流 ``` 我觉得远远不够。 因为真正的问题是： > **今天 Agent 每执行一次任务，公司有没有因此获得一条未来可以利用的新数据？** 比如一个 Coding Agent： ```text 用户提出任务 ↓ Agent 查 SDK ↓ 修改代码 ↓ 调用 Keil ↓ 编译失败 ↓ 读取 Error ↓ 修改代码 ↓ 重新编译 ↓ Build Pass ↓ 硬件 Bring-up ↓ 工程师确认 ``` 这整条东西才有价值。 而不仅仅是最后那段代码。 --- ## 九、未来 AI 基础设施真正核心的可能是三个东西：Trace、Eval、Feedback 现在大家特别喜欢讨论模型。 GPT 还是 Claude？ DeepSeek 还是 Gemini？ 其实我越来越觉得，对企业来说模型反而可能是最容易替换的部分之一。 真正难的是： ### 第一，Trace Agent 到底干了什么？ 调用过什么工具？ 查了什么资料？ 失败了几次？ 工程师改了什么？ 最后成功了吗？ --- ### 第二，Eval 你怎么知道它真的变好了？ 不是： “感觉挺聪明。” 而是： Build Pass Rate 有没有提高？ Debug 时间有没有下降？ FAE 接受率是多少？ 错误推荐率是多少？ Regression 是否真正跑通？ 客户问题到底有没有解决？ --- ### 第三，Feedback 工程师： 接受了什么？ 拒绝了什么？ 为什么修改？ 最终 Silicon 怎么样？ 客户最后有没有认可？ --- 只有这三件事情建立起来以后： ```text Agent ↓ Trace ↓ Outcome ↓ Evaluation ↓ Human Feedback ↓ 更好的 Context / Skill / Model ↓ 更好的 Agent ``` 这个系统才真正开始转。 否则所谓 AI 转型，很可能永远停留在 Demo。 --- ## 十、再往后，才轮得到模型后训练 这个顺序我觉得特别重要。 很多企业一上来会说： > “我们有很多私有数据，要不要训练一个自己的模型？” 我觉得未必。 第一步甚至根本不应该是训练模型。 应该先搞清楚： 什么东西应该 RAG？ 什么东西应该变成 Tool？ 什么东西应该做 Skill？ 什么东西应该进入 Knowledge Graph？ 哪些 Agent Trace 才值得训练？ 因为大部分企业数据其实不是 Training Data。 比如 Datasheet。 直接检索就好了。 Keil Compiler。 直接调用就好了。 Spectre。 直接调用。 真正可能适合后训练的，是那些： > **经过验证、有人类反馈、并且有明确 Outcome 的高质量 Engineering Episode。** 所以： **先生产好数据，再谈训练。** 而不是反过来。 --- ## 十一、那模拟芯片公司自己能不能做这件事？ 这是一个很难的问题。 我的答案是： **可以，但不能按照传统 IT 项目的方式做。** 因为这个事情横跨： AI； 芯片研发； 数据； 软件工程； EDA； 业务流程； 安全； 组织变革。 真正做的时候，你会发现 AI 团队根本不可能自己闭门完成。 因为 AI 团队不知道： 哪个 Corner 重要； 什么叫真正的 Bring-up 成功； 哪个版本能用； 什么结果可以 Signoff。 但是传统工程团队通常又不懂： Agent Runtime； Trace； Eval； Context Engineering； 模型后训练； Tool Use。 所以真正的组织结构一定是： > **AI Platform + Domain Expert。** 而不是： > “成立一个 AI 部门，所有需求都扔过去。” --- ## 十二、大模型公司或者大厂能不能帮你做？ 当然可以。 但我认为这里有一个现实问题： > **他愿不愿意投入足够深的资源？** 因为真正有价值的工作不是给你部署一个模型。 而是有人真正进入你的研发现场： 理解流程； 理解数据； 接你的工具； 设计 Eval； 收集 Trace； 不断迭代。 甚至几年后： 把高质量数据真正用到后训练。 这需要非常重的投入。 OpenAI 现在甚至专门设置了 Semiconductor Technical Deployment Lead，由 FDE 深入客户的 RTL、Verification、EDA 和 Physical Implementation workflow，并负责把客户现场的模式、Eval 和 ROI 做成可重复能力。([OpenAI][4]) 这个岗位本身就说明： > **最难的不是模型 API，而是 deployment。** 但是问题仍然存在。 一家模型公司有那么多行业。 为什么它要把最核心的人持续几年投入一家模拟芯片公司？ 而且真正核心的： 设计数据； 失败数据； 客户数据； Silicon 数据； 最后到底属于谁？ 这就是企业必须提前思考的问题。 --- ## 十三、所以我越来越觉得：模型可以买，但“公司的学习系统”最好掌握在自己手里 未来底层模型一定会不断变。 今年 DeepSeek。 明年可能又有新的模型。 Cadence 会有 Agent。 Synopsys 会有 Agent。 各种开源 Harness 也会越来越成熟。 这些东西都可以买、可以换。 但以下东西最好属于公司自己： ```text Engineering Trace Evaluation Benchmark Domain Skill Tool Connector Engineering Memory Human Feedback Outcome Data ``` 原因很简单： > **模型是别人的能力，企业自己的 Engineering Learning Loop 才是自己的能力。** 模型换掉以后，这些东西仍然可以继续使用。 --- ## 十四、最后又绕回到了最开始的问题：老板到底信不信？ 我现在越来越觉得，这件事情最终是一个 CEO / Founder Level 的选择。 因为你有两个完全合理的战略。 ### 路线一：稳健型 观察。 采购成熟工具。 等 Cadence 做。 等 Synopsys 做。 等大模型公司把行业方案做成熟。 然后跟进。 这条路线没有错。 风险最低。 --- ### 路线二：激进型 假设 AI 真的是一次巨大的生产力革命。 那么从今天开始： 重构数据； 记录 Trace； 建设 Eval； 把 Agent 放进真实 Workflow； 允许失败； 重新设计工程流程。 用未来三五年来赌： > **能不能把一家传统 Fabless，变成一家 AI-native Fabless。** 这条路线风险当然更大。 但是它有一个完全不同的潜在回报： **你不是在追赶上一代公司的经营模式。** 你是在赌： > **下一代模拟芯片公司应该怎么经营。** --- ## 十五、我真正想问的不是“AI 能不能帮助芯片设计” 这个问题其实已经没有那么有意思了。 Cadence、Synopsys 等 EDA 巨头已经在往 Agentic Engineering 推进，甚至开始进入 Analog/Custom Design、Verification、Debug 等工作流。([Cadence][1]) 真正值得问的是三个问题： ### 第一个问题： > **如果 AI 最终可以让一个工程师管理十倍于今天的工程实验，一家模拟芯片公司的组织应该怎么变化？** ### 第二个问题： > **如果每一次产品设计、每一次失败、每一次流片和每一次客户问题，都可以成为下一代 Agent 的训练和评测数据，那么一家芯片公司的数据到底应该怎么管理？** ### 第三个问题： > **如果你的竞争对手比你历史长、资金多、SKU 多、研发投入也更高，那么你到底是继续用他的游戏规则追赶他，还是趁 AI 出现的时候，尝试换一套游戏规则？** --- ## 写在最后 我现在对模拟芯片 + AI 的判断其实越来越简单。 > **AI 不是给模拟芯片公司增加一个新工具，而可能是在重新定义一家模拟芯片公司的生产方式。** 过去公司的复利来自： 产品。 IP。 客户。 工程师经验。 未来可能再加一个： > **Engineering Intelligence。** 每一个项目都让公司的 Agent 更聪明。 每一个失败都变成下一次设计的先验。 每一个客户问题都反过来改善产品定义。 最终： ```text 更多产品 ↓ 更多工程经验 ↓ 更强的 Agent ↓ 更高的研发效率 ↓ 更多产品 ``` 如果这个飞轮真的存在，那么模拟芯片公司未来真正值得积累的，可能不仅仅是下一颗芯片。 而是： > **一家能够持续学习的工程系统。** 所以最后还是那个最简单的问题。 **你信不信 AI？** 如果不信，一切都不用讨论。 如果真的信—— 那可能就不能只做一点点。 接下来我们写了 MCU/DSP 原厂这条路怎么跑通：[从 SDK 到 AI-native Development Agent](/article/sdk-to-ai-native-development-agent)。 [1]: https://www.cadence.com/en_US/home/ai/ai-for-design.html [2]: https://www.sec.gov/Archives/edgar/data/97476/000009747626000080/ti2025ars.pdf [3]: https://www.synopsys.com/ai/agentic-ai.html [4]: https://openai.com/careers/technical-deployment-lead-semiconductors-san-francisco-2/