芯片设计本质上就是一个巨大的搜索问题。 假设我们有一个包含 500,000 个标准单元的设计，先大幅简化这个问题。忘掉布线、时序、功耗、存储器、架构——基本上忘掉其他一切。只想象这 500,000 个单元，然后问：它们有多少种不同的排列方式？ 那就是 500,000 的阶乘，大约是 10 的 2,632,341 次方。仅仅指数部分就超过了 260 万。 为了有个直观感受，围棋中合法位置的数量约为 10^170，人们常引用的完整博弈树估算约为 10^360。蛋白质折叠方面，典型蛋白质的可能构象估计在 10^300 左右。 显然这些问题并不相同，我并不是说芯片设计比围棋或蛋白质折叠"难 X 倍"。这只是一种帮助我们感受数字增长有多离谱的方式。 而且真实的芯片设计远比这个玩具例子复杂得多。你要对架构、存储层次、互连、精度、电压、时钟、布局规划、布线、时序、功耗、封装、成本等等做出决策——而所有这些因素相互影响。优化时序可能损害功耗。改变存储系统就会同时改变带宽、延迟、面积和成本。 当然，没有人会暴力枚举所有可能。EDA 工具利用层次化设计、约束条件、启发式方法和数十年的优化工作来大幅缩小问题空间。但我们仍然只探索了可构建方案中极小的一部分，而每探索一个有前景的方向，都需要真实的算力、工程时间和资金。 我认为 AI 改变了这种搜索的经济学。 搜索更大的解空间。更早地淘汰糟糕的想法。运行更多实验。尝试那些我们以前既没有时间也没有资金去尝试的架构。 如果这个循环能变得大幅更便宜、更快，我认为最终我们会流片更多的芯片，而不是更少。更多架构变得值得尝试。更多工作负载变得值得为之定制专用芯片。 有大量芯片是我们今天根本没有机会去探索的！