Agent-Orchestration in Autonomous Chip Design
Linyang Li
cs.AI
2026-08-14
Nova Silicon把芯片超智能建模成AI组织，对比黑盒尺寸优化与LLM物理推理，但全文没有实验，结尾快几十到几百倍没有证据。
芯片设计流程长、工具链碎，规则堆了几十年。coding agent 把「vibe coding」的速度口径从「相当于几个工程师」改成「相当于模型自己的吞吐」，有人想把同一套自主性搬进 EDA。Nova Silicon 这篇立场文问的是：这种复杂度的工业到底需要什么样的 AI。给出的答案很明确，把芯片设计超智能建成一家巨大的 AI 组织，而不是给现有流程外挂一个聊天窗口。
文章分三块论证，没有实现，也没有评测。
第一块把一次试跑看成动作空间。以模拟电路尺寸为例：可调变量是各管的 W 和 L，5 个管子就是 10 维连续空间，目标是增益、带宽、相位裕度、功耗，约束来自 PDK 和饱和区。黑盒优化把一组 (W, L) 丢进仿真器，拿指标回来，没有解析梯度。作者强调两件事。超矩形搜索域里大量点其实不可行，差分对要匹配，电流镜要匹配，真正的可行域是嵌在里面的低维流形。维数灾难让网格搜索失效，这是贝叶斯优化相对暴力搜索的理由。工程上更有效的往往是先用先验把动作空间剪小，而不是换优化器。拓扑综合、布局布线、架构探索这些问题，连动作空间都还没定义清楚。
第二块对比语言模型推理和经典黑盒优化。BO 看到的是浮点向量，不懂跨导 gm，不懂 gm/ID，换拓扑就要重采；人的设计路径是先定 gm、再选偏置、再反推 W/L，黑盒走不了这条逻辑。LLM 预训练里嵌了器件物理和设计方法论，可以在仿真前避开线性区、强制匹配，把动作空间剪掉一大块无效区，并给出「为了提高增益要加大输入管 W」这种可迁移理由。
第三块说复杂电路的 agent 不该建成预先枚举分支的流程图。自主代理会动态决策、按需调工具、多代理协作，行为不可被静态流图穷尽。该用面向对象的组织范式：封装、消息、独立状态、行为可扩展。文章把当代 EDA 拆成物理仿真引擎和手写启发式两层。物理仿真是「物理→建模→测量→校准→验证」闭环；启发式把经验压成硬编码规则，把组合搜索域剪到工程可解。传统机器学习拟合的是这些规则已经筛过的稀疏历史数据，对长尾组合没有覆盖保证：每个因子都见过，联合却从未出现。作者主张用 LLM 的符号推理直接建模物理逻辑，分两阶段：先复现工程师思路，完成现在要人插手的任务；再从案例和仿真反馈里逐步替换遗留规则集。这和「在现有 EDA 上外挂一个模型」不是同一条路。
没有实验。没有电路，没有基准，没有对照。结尾写「端到端自主 AI 是必然路径，比人在环快几十到几百倍」，这个倍数在正文里找不到测量定义，也没有系统对照。正文里带数字的例子是教学性的：28 nm 工艺 Lmin 取 0.028 μm，5 管对应 10 维动作空间。Mirhoseini 等人 2021 年的学习式布局被引用为「学习策略要跟 EDA 流程绑紧」的旁证，不是这篇的结果。
它把「芯片设计 agent」从工具插件提升到组织设计问题，并把动作空间剪枝、物理先验、长尾组合爆炸这三件从业者真正会碰到的事写清楚了。对正在做 analog sizing agent 或 EDA copilot 的人，这份论证可以当问题地图：先把动作空间建对，再谈模型。AnaFlow、ADO-LLM、Ledro 这些已有数字的 sizing 工作走的也是「LLM 先验 + 仿真闭环」，这篇相当于把那条路上的哲学前提单独抽出来。
读的时候要把论证和公司叙事分开。作者单位是 Nova Silicon，候选元数据里还挂着商汤投资相关讨论。立场文可以画方向，不能当评测。
没有实现，没有消融，没有和 BO、RL、现有 LLM sizing 论文的数字对照。「面向对象的 AI 组织」停留在口号，没有组织图、没有角色协议、没有失败恢复。物理仿真那一节写得对，但没有说明 LLM 推理如何穿过校准闭环，而不是用流畅的物理表述跳过测量。速度倍数是未验证断言。拓扑综合、布局布线这些「动作空间都没定义清楚」的任务，正文也没有给出可操作的建模步骤。