AI Begins to "Design Chips": Chen Yunji Discusses AI for IC and IC for AI, Scientists Stress That Asking Good Questions Is Most Critical
English text is being prepared.
At the 2026 World Laureates Forum, Chen Yunji proposed that the integration of AI for IC and IC for AI could form a new RSI loop, and his team's AI-automatically-designed "Qimeng 2" chip matches the performance of ARM A53. Lü Guangquan of Piotech said that at the 2nm node in 2026, only 5% of IC/ASIC projects will achieve first-pass tape-out success, and AI agents can compress failure analysis from hundreds of labor-hours to within 5.5 hours. Multiple scientists stressed that AI cannot pose good questions, and that defining problems, validating outputs and ethical judgment are humanity's scarcest capabilities.
Body
当摩尔定律红利消退，算力需求仍在狂飙。在2026世界顶尖科学家论坛上，多位科学家、产业人士提及，AI已经不再是芯片产业的辅助工具，它正深入芯片设计、架构创新乃至晶圆制造设备的最底层。而下一个十年，芯片产业如何发展、科研创新人才如何培养，也成为摆在科学界和产业界面前共同的话题。
AI for IC
“在AI时代，AI和IC（集成电路）这两个主要的基石将会融合和交汇在一起。”中国科学院计算技术研究所副所长陈云霁在人工智能平行论坛上表示。一方面是AI for IC，用人工智能自动设计出更好的芯片；另一方面是IC for AI，用芯片把AI的推理和训练做得更加高效。他进一步展望，如果把这两个方向结合，甚至可能会形成未来的RSI（递归自我改进）新循环——AI设计出更好的AI芯片，而AI芯片又反哺出更好的AI技术。
陈云霁举例，去年他的团队让AI自动设计的芯片启蒙2号，具备自动切流水、自动加cache等方面的能力，性能与ARM A53的水平相当，大概是十多年前人类主流的CPU。“我们想沿着这条路走下去，AI自动设计的处理器芯片迟早有一天能够跟人设计的芯片相当，甚至能够更好。”
在制造与设备端，AI的推动力也很直接。拓荆科技董事长吕光泉在未来半导体平行论坛主旨演讲中表示，随着2nm节点设计成本暴涨，2026年只有5%的IC/ASIC项目能实现首次流片成功（2012年该数字为32%）。面对高昂的试错成本，半导体技术正走向三大趋势：更小的晶体管、更密集的封装以及更智能的设备。
吕光泉介绍，半导体设备极其复杂，传统物理调试成本高、周期长。设备巨头正在将AI引入设备内部，实现“虚拟制造”。泛林（Lam）等巨头利用物理模型构建虚拟晶圆厂（数字孪生），使特定刻蚀建模步骤运行速度提升了高达30倍；应用材料（AMAT）则利用AI平台进行实时工艺分析，每小时能处理超过百万次的三维晶圆测量。
在拓荆科技，通过物理腔体与虚拟腔体之间的海量数据双向映射，可以实现实时工艺预测、设备健康监测（预测性维护）以及晶圆传输调度优化。
吕光泉还透露了一个惊人的效率革命：“在失效分析等场景中，AI代理可自动执行测试任务，将原本需要数百工时的工作压缩到了5.5小时以内。”
在芯片产业人才培养方面，浙江大学信息学部主任吴汉明认为，在AI驱动自动化的背景下，人才必须从过去仅仅专注于几何布局、人工调整的“纯版图绘制者（Layout Drafter）”，向注重系统规范、算法设计、架构探索的“系统架构师（System Architect）”转型。教育的逻辑，必须从“以实施为中心”转向“以创新为中心”。
为了弥补产线与课堂的鸿沟，吴汉明团队推行“Virtual-First, Physical-Validation”（虚拟先行，物理验证）的FabGPT方案，并推行“一生一芯”，让高校学生真正在12英寸产线上接触硅片，体验真实的产线环境。
“现在AI能够完成过去只有专业科研人员才能实现的复杂工作，但我们必须清醒看见背后的本质：AI所有输出的深度、边界与质量，都取决于人类的认知深度。完备的专业体系、评判标准、任务目标，全部来自于人；AI擅长执行任务、生成结果，但无法自主定义真正的研究问题，也难以甄别潜藏的缺陷与风险。”他表示，AI时代需要锻炼三种能力：定义问题、验证AI产出、并且进行有道德的判断。
这一观点在与会顶尖科学家的发言中被反复提及。2013年诺贝尔化学奖得主、斯坦福大学结构生物学教授迈克尔·莱维特在论坛开幕式上表示：“借助人工智能，青年科研工作者一下午就可以验证过去要耗费一整年才能检验的构想。所以稀缺资源不再是埋头苦干，而是高质量的科学问题。”
“AI cannot ask a good question（AI提不出好问题）。”中国科学院上海有机化学研究所生物与化学交叉研究中心主任袁钧瑛在接受第一财经在内的媒体采访时表示，“现在我们团队在‘逼着’学生去提问。”
她分享了自己的科研经历。多年前还在哈佛大学读博的她，提出了一个在当时被认为是冷门、甚至被导师劝阻的朴素问题：“细胞是如何死亡的？”正是这个在当时连文献里都找不到几个同行的“好问题”，最终开辟了程序性细胞死亡研究的全新领域。
“AI是一个很好的加速器，但它目前还解决不了所有物理机制问题。不要因为有了AI，就觉得不需要思考了，提出好的问题依然是最关键的。”本届顶科奖得主、复旦大学教授陈培宁在接受第一财经记者提问时表示。
面对AI带来的效率革命与科研焦虑，本届顶科奖得主、北京生命科学研究所副所长邵峰在受访时呼吁，科学研究本质是探索未知，整个生态要允许青年科学家关注科学问题本身，敢于尝试，敢冒风险。
“实验科学研究注定伴随失败，要做好大部分尝试都会出错的心理准备，然后继续前行。”邵峰说。