RSI（Recursive Self-Improvement，遞迴自我改進）正在成為人工智慧領域最受矚目的前沿方向。
當模型可以自主生成任務、自動驗證結果、並把每一次試錯沉澱為能力，智能的增長第一次擺脫了對人類資料的依賴，進入自我複利的軌道。
AI進入自進化時代，整個行業都在等一個答案——RSI的方法論會在那些場景率先落地。
而晶片設計，一直被認為是現代工業體系中最複雜的工程任務之一。
從電晶體級模擬電路設計，到數字邏輯綜合、物理實現、版圖最佳化，再到最終流片驗證，一個先進晶片的誕生需要跨越數十個專業環節，涉及半導體物理、電路理論、電腦體系結構、演算法最佳化以及製造工藝等多個領域。
但也正因為它有一套獨有的確定性驗證體系（DRC、LVS、時序簽核就是「判卷人」），晶片設計正在成為RSI率先兌現商業價值、走向工業落地的賽道。
NovaSilicon（芯星元智能）正是在這一波浪潮中的明星創業團隊。
近日我們獲悉，NovaSilicon宣佈完成新一輪融資，由商湯國香資本領投。
公司成立於2026年5月，在過去一個多月內已經快速連續完成兩輪近億元融資，分別由五源資本和國香資本領投。融資將主要用於持續打造面向晶片行業的超級智能系統。
未來，NovaSilicon將沿著這一技術路線持續推進，逐步建構具備完整晶片工程師能力的超級智能系統，覆蓋晶片設計中的各個關鍵環節。
公司的最終目標，是讓超級智能能夠直接執行真實晶片訂單，從設計、最佳化到驗證交付，實現晶片設計產業鏈的智能化升級。
NovaSilicon的創始人李林陽博士，本科畢業於復旦大學資訊學院，博士畢業於復旦大學自然語言處理實驗室，師從邱錫鵬教授，現任上海人工智慧實驗室青年科學家、香港中文大學人工智慧研究院博士後。
他曾參與國內首個開源大語言模型MOSS的研發，參與書生系列模型的預訓練和後訓練，並帶隊完成國內首個兼具專業圍棋能力與自然語言思維解釋能力的大模型InternThinker。
雖然成立還不到3個月，NovaSilicon已經成功探索出數個覆蓋晶片設計不同環節的Super Intelligence System，並和行業頭部客戶簽訂千萬級訂單，即將大規模應用，大幅加速晶片交付的速度和質量。
NovaSilicon最近發表了一篇有關超級智能在晶片領域運用的方法學論文。
論文詳細分析和介紹了晶片設計過程中超級智能系統的建構與運行，包括如何建構一個「邊界感知的超級智能」（Thinking Boundary Aware Super Intelligence），它和傳統AI EDA方法的根本區別，以及最終如何用這套方法論重塑整個晶片設計行業、完成產業鏈變革。
本文是對這篇論文的詳細解讀。
晶片設計超級智能的探索
過去幾十年，晶片設計效率的提升主要依賴EDA（Electronic Design Automation，電子設計自動化）工具的發展。
EDA工具把大量人工設計經驗轉化為軟體流程，讓工程師能夠借助電腦完成複雜設計任務。但隨著晶片規模不斷增長、先進製程不斷演進，傳統EDA方法正在逐漸接近自己的能力邊界。
當一個行業的複雜度已經超過單個人腦、單套規則、單個演算法所能承載的邊界，AI應該以什麼形態介入？
一個可以給出的答案，不是「一個更強的最佳化器」，也不是「一個更聰明的Copilot」，而是一個AI組織（AI-organization）——
把晶片設計超級智能建模為一個由多個智能體組成、能夠自主運行、自主協作、自主進化的智能系統。
這一判斷背後，是複雜工程系統智能化的一條底層規律。
系統最終能夠解決的問題規模，並不取決於某一個個體有多聰明，而取決於系統的組織結構能不能承載足夠高的複雜度。
晶片設計為什麼需要新的AI範式？
晶片設計的本質，是在巨大的設計空間中尋找滿足性能、功耗、面積、可靠性等多重約束的最優解。
以模擬晶片設計中的電晶體尺寸最佳化為例。一個模擬電路通常包含大量電晶體，每個電晶體都有多個關鍵參數，其中最重要的是寬度（Width，W）和長度（Length，L）。
不同的W/L組合會直接影響電晶體的驅動能力、增益、頻寬、噪聲、功耗和穩定性。
因此，一個看似簡單的尺寸調整問題，本質上就是在一個高維連續空間中尋找最優解。
假設一個電路包含100個電晶體，每個電晶體需要調整W和L兩個參數，那麼搜尋空間理論上就是一個200維甚至更高維的連續空間。
如果再把工藝變化、溫度變化、電壓變化、匹配約束和穩定性要求都算進去，實際問題的複雜度還會進一步提升。
這也是為什麼傳統EDA通常依賴大量人工經驗和數學最佳化演算法。
人工定義搜尋空間
傳統EDA的方法與瓶頸
在傳統EDA流程中，工程師通常不會讓演算法直接搜尋整個空間。
原因很簡單，真實世界中的設計空間巨大到無法直接窮舉。
因此，工程師會提前加入大量規則，比如Design Rule（設計規則）、Matching Constraint（匹配約束）、Operating Region Constraint（工作區域約束）、Saturation Region（飽和區）限制，以及各種工藝經驗規則。
這些規則實際上是在幫助演算法回答一個關鍵問題。那些地方值得搜尋，那些地方沒有意義。
換句話說，人類工程師用自己的知識和經驗，對原始搜尋空間做了一次人工剪枝。
之後，演算法再利用貝葉斯最佳化（Bayesian Optimization）、遺傳演算法、強化學習等方法，在縮小後的空間中尋找最優解。
這種方式過去非常有效，因為晶片設計知識相對穩定，人類專家能夠總結出大量經驗。
但隨著晶片複雜度不斷提高，這種模式開始遇到瓶頸。
原因在於，規則的增長速度跟不上問題複雜度的增長速度。
複雜工程中的大量失敗案例，並不是由單一因素造成，而往往來自多個因素的組合。
A因素本身不會導致問題，B因素本身也不會導致問題，C因素同樣沒有明顯風險。但A+B+C+D組合之後，可能產生嚴重失效。
這種「長尾組合問題」是複雜系統的典型特徵。
而組合空間隨著維度增長呈指數級擴張，人類工程師不可能無限增加規則。
所以真正的問題並不是「如何寫更多規則」，而是「未來由誰來定義搜尋空間」。
從靜態規則到動態認知
AI重新定義Action Space
在人工智慧領域，Action Space（動作空間）決定了智能體能夠探索什麼。
一個智能系統能力的上限，很大程度上取決於它面對的問題空間是否被合理定義。
傳統EDA的路徑是，工程師定義規則 → 演算法搜尋 → 得到結果。
而未來AI驅動的晶片設計系統可能變成，AI理解物理規律 → 動態判斷有效空間 → 自主搜尋 → 總結經驗 → 更新策略。
這是一種從「靜態約束」到「動態認知」的變化。
核心變化不在最佳化演算法本身，而在於誰擁有定義問題空間的能力。
LLM進入晶片設計
從資料擬合到物理理解
傳統最佳化演算法最大的限制，在於它們通常只看到數字。
例如，一個最佳化器可能看到的是[W1, L1, W2, L2, W3, L3...]。
但它不知道W1對應那個電晶體，不知道這個電晶體處於什麼電路結構，不知道參數變化影響什麼物理機制，也不知道那些區域違反半導體物理規律。
它本質上是在做數學空間搜尋。
而大語言模型（LLM）的價值，在於它能夠引入語義理解能力。
放到晶片設計上，AI看到的不再只是參數，而是參數背後的工程意義。
比如，為什麼某個電晶體需要進入飽和區？為什麼gm/ID方法能夠指導模擬設計？為什麼某種拓撲結構適合低功耗場景？為什麼某些參陣列合雖然數學上可行，物理上卻不可實現？
LLM提供的不是簡單的預測能力，而是一種「物理語義引擎」。
資料往往是稀疏的、任務相關的，物理規律卻是普適的、可以遷移的。
這正是AI應用於科學和工程領域的重要價值。
從Copilot到AI Organization
目前市場上大量AI+晶片方案，本質仍然屬於輔助工具。
比如自動生成程式碼、自動解釋模擬結果、輔助工程師偵錯、提供設計建議。
這些工具提高的是個人工程師的效率。
但如果目標是實現晶片設計的範式變化，僅僅提升個人效率是不夠的。
原因在於，晶片行業最大的限制已經不是工具不足，而是人的認知頻寬有限。
一個複雜晶片項目，需要模擬設計專家、數字設計專家、工藝專家、驗證專家、物理實現專家、系統架構專家等等。
這些角色之間存在大量複雜協作。
因此，未來需要的不只是一個AI工程師助手，而是一整個AI工程組織。
不同智能體承擔不同職責。架構Agent負責系統規劃，模擬設計Agent負責電路最佳化，驗證Agent負責發現問題，工藝Agent負責製造約束，最佳化Agent負責探索設計空間，評估Agent負責權衡取捨。
這些Agent之間不斷交流、競爭、驗證和學習。
這類似於現代軟體工程從單體程序發展到微服務架構。當系統複雜度超過單個模組的承載能力，就必須通過組織化實現擴展。
以AI參與的版圖設計任務為例，啟髮式規則、智能體使用工作流方法、完全自主智能體系統方法，三種方法完成同一個版圖任務，就能觀察出版圖設計水平的進步。
為什麼是現在？
這條基於AI系統的路線能夠成立，主要基於三個變化。
第一，LLM能力跨越關鍵門檻。
過去的大模型主要被認為是文字生成工具。
但近年來，LLM已經展現出長鏈路推理能力、工程知識理解能力、跨領域知識遷移能力和工具呼叫能力。
它正在從「語言模型」向「通用推理系統」演進。
第二，多智能體系統正在成為新的AI組織形式。
從軟體開發到科研自動化，多Agent系統正在證明一件事。複雜任務不一定需要一個超級模型完成，而可以通過多個具有不同能力的智能體協作完成。
晶片設計可能成為這一模式最有價值的應用場景之一。
因為晶片設計天然具有多專業協作、長流程、高知識密度、高經濟價值這幾個特徵。
第三，晶片產業需要新的速度尺度。
傳統晶片設計周期通常以月甚至年計算。
如果AI系統能夠真正承擔設計工作，定製化晶片的設計周期就有機會從「以人類工程師工作速度為基準」，轉變為「以AI系統迭代速度為基準」。
這意味著晶片創新速度可能發生數量級變化。
未來的競爭，不只是誰擁有更多工程師，而是誰擁有能夠持續進化的晶片設計智能系統。
從程序到組織
晶片設計智能化的新範式
傳統自動化依賴固定流程，步驟1 → 步驟2 → 步驟3。
這種方式適合規則明確的問題。
但真正複雜的問題，需要自主規劃、動態決策、多Agent協作、自我學習和持續最佳化。
因此，未來晶片設計AI的發展方向，不是簡單地自動化EDA流程，而是建構能夠自主完成工程任務的智能組織。
晶片設計超級智能不是一個更強的軟體工具，而是一套新的工程生產方式。
未來，逐步建構具備完整晶片工程師能力的超級智能系統、覆蓋晶片設計中的各個關鍵環節，是AI4Chip的行業聚焦。
而最終目標，是讓超級智能能夠直接執行真實晶片訂單，從設計、最佳化到驗證交付，實現晶片設計產業鏈的智能化升級。(新智元)