写代码这件事已经被彻底改变了。GitHub Copilot、Cursor，随便打几个字，代码就出来了。但芯片设计那边呢？EDA工具还是老样子，工程师该熬夜还是熬夜。

先说软件这边为什么这么顺

软件代码，本质上是文本。Python、JavaScript，写出来就是一串字符。大模型训练吃的就是文本，GitHub上几十亿行开源代码，全部喂进去，模型自然就学会了。

软件的反馈周期极短。写错了，运行一下，报错信息马上出来，大模型可以立刻改。这种”写→跑→改”的循环，一分钟可以转好几圈。

举个具体的例子：让大模型写一个排序函数——

def bubble_sort(arr):
    n = len(arr)
    for i in range(n):
        for j in range(0, n-i-1):
            if arr[j] > arr[j+1]:
                arr[j], arr[j+1] = arr[j+1], arr[j]
    return arr

写完直接跑，对不对，一秒钟见分晓。这种即时反馈，对大模型训练和推理都极度友好。

芯片这边，问题出在哪

数字芯片设计，表面上看也是在写代码——Verilog、VHDL，也是文本。但这里有一个根本性的差异：芯片代码描述的是硬件行为，验证的代价完全不同。

一个模块写完，要跑仿真，少则几小时，复杂的跑几天。流片之后发现问题，那就是几百万美元打水漂，重新来过至少半年。

芯片设计的正确性标准极其苛刻。时序收敛、功耗、面积、信号完整性，每一项都是硬指标。大模型擅长”大概率正确”，但芯片设计要求的是100%正确。99.9%不够用。

还有一个问题：芯片设计的高质量训练数据太少了。开源的RTL代码，和GitHub上的软件代码相比，量级差了好几个数量级。模型没见过足够多的例子，自然学不好。

软件错了能改，芯片错了要命。这个根本差异，决定了大模型进入两个领域的速度。

不过这个局面不会一直持续。大模型在芯片领域最先突破的，大概率会是验证和仿真用例生成，而不是RTL设计本身。因为验证这块，容错空间稍大一点，也更适合大模型的工作方式。

但要让大模型真正参与到RTL核心设计里，还需要两件事：更大规模的高质量芯片设计数据集，以及能与EDA工具深度集成的推理-验证闭环。

技术的扩散路径，从来都是顺着阻力最小的方向走。 程序领域阻力小，所以先进去了。芯片领域阻力大，但不代表进不去，只是需要更多时间和更专门的工程投入。