人工智能正逐步深入芯片设计的核心环节，其能力已远超简单的参数优化。然而，这一技术演进也引发了新的法律与伦理隐忧：若AI生成的设计方案无意中侵犯了第三方专利，责任归属与风险管控将成为行业难题。对此，佛罗里达大学电气和计算机工程教授 Domenic Forte 与剑桥大学计算机工程教授 Simon Moore 等专家在接受 Toms Hardware Premium 采访时进行了探讨。
近期，Synopsys 发布了名为 AgentEngineer 的工具套件，旨在让AI代理执行包括验证、实施芯片以及模拟设计与制造在内的长期复杂任务。该公司透露，目前已有超过50家客户参与测试，并计划在今年年底前正式提供该技术。
在利用AI执行此类高阶设计任务方面，Synopsys 并非孤例。竞争对手 Cognichip 表示，其 ACI 平台能够自动生成规范（Specs）和寄存器传输级代码（RTL），进而生成验证计划和测试台。在中国，Empyrean Technology 声称其AI代理将某项电路布局任务的完成时间从四周大幅缩短至一周。此外，大型AI实验室也开始涉足该领域，OpenAI 指出其模型协助公司与 Broadcom 共同开发了 Jalapeño 芯片。
这些进展给芯片设计行业带来了深层挑战，不仅关乎行业是否会被颠覆或AI能否取代人类创造力，更在于当AI“重新发明”了他人已有的设计时该如何处理。传统上，公司倾向于授权处理器架构、控制器及内存技术等现成模块，而非从零开始构建。以 ARM 为例，其在2026财年的收入接近50亿美元，其中约一半来自授权费及其他收入，另一半则来自版税。Synopsys 同样通过销售除EDA软件外的大量“已验证”知识产权获利。
AI可能无意中复制现有设计
引入AI后，创建这些功能块变得更为便捷，但追溯其来源的难度也随之增加。Domenic Forte 教授指出，AI主要放大了现有的问题。他在书面评论中表示：“AI可能在无人察觉且无主观恶意的情况下，将复制或侵权的设计传播到数千颗芯片中。”
这种复制行为往往不像直接将 Arm 核心或其他专有 RTL 输入模型那样显而易见。相反，AI的机制在于从海量学术论文和专利申请中吸收文献，然后构建出类似的设计。Forte 强调，AI能更快地完成工作，但也更容易无意中“抄袭作业”。他举例说：“即使是两个数字相加的简单电路，也能从充分记录的教科书设计目录中找到原型。如果你询问最快的实现方式，很可能会发现某人已经发布过类似设计。”
这引发了芯片溯源的困境，因为人类工程师通常会记录并解释设计灵感的来源，而AI缺乏同等的可追溯性。虽然现有工具可以识别高度相似的副本，但设计可以通过重写或经由合成工具运行来规避检测。为此，Forte 建议知识产权所有者可以将设计的加密版本存储在共享库中，允许可信的AI代理在不暴露原件的情况下，检查新生成的硬件是否与现有IP重叠。他对水印技术持怀疑态度，认为水印容易被移除或伪造。尽管 IEEE 1735 标准定义了加密电子设计IP及相关权利的管理方法，但 Forte 认为该标准需进一步扩展，明确界定AI代理在操作 EDA 工具时可访问、保留和学习的内容边界。
半导体行业的谨慎态度
尽管存在AI窃取其他设计（无论故意与否）的风险，但实际情况并未如此严峻，主要原因在于半导体行业对新技术极度谨慎。正如 Simon Moore 教授所言：“软件可以修补，但制造的芯片不能。”一旦芯片流片，修改成本极高。
Moore 估计，验证工作目前占据了芯片研发总投入的一半以上。成熟的验证工具可以帮助工程师判断AI生成的测试是否真正提升了覆盖率。让AI进行测试、探测潜在故障点并进行大规模结果检查相对容易，但让AI做出难以撤销的架构决策则充满风险。
这种谨慎态度解释了为何授权知识产权可能抵御住AI生成内容的冲击。即使技术在理论上能生成类似的模块，购买来自 Arm、Synopsys 或其他知名供应商的IP区块，依然依赖于这些公司的历史信誉与保障。
关于AI是否能减少对授权IP的依赖，Forte 认为对于常规构建块而言是可能的，但授权IP的价值不仅仅在于设计文件本身。如果工程师不仅要问“设计是否有效”，还要问“它来自哪里”，那么AI的角色定位就需要调整。Forte 总结道：“我会把AI设计师视为一名出色的新员工——快速且有才华，但其产出的一切都必须经过严格审查。”
