在芯片设计领域，一场由人工智能驱动的变革正悄然兴起。高正祺，这位从复旦大学微电子专业走出的青年学者，如今已成为这一变革的见证者与参与者。他的经历，折射出AI与芯片设计深度融合的必然趋势。
高正祺的学术生涯始于对多学科交叉的探索。本科阶段，他所在的卓越工程师班横跨计算机与电子工程两大领域，既学习半导体物理、模拟电路设计，也掌握数据结构与算法。这种跨学科的培养模式，让他在研究生阶段便能够游刃有余地穿梭于芯片设计与机器学习之间。他花费一年半时间逐题解答《模式识别与机器学习》教材习题的经历，不仅为他积累了扎实的理论基础，更让他在GitHub上收获了上千个星标，成为开源社区的贡献者之一。
传统芯片设计流程中，工程师需要手动编写Verilog代码、调试工具报错、优化时序约束，每一个环节都可能耗费大量时间。高正祺回忆道，早期使用Cadence、Synopsys等工具时，报错信息往往晦涩难懂，需要依赖经验积累或同行交流才能解决。而如今，随着大语言模型的崛起，这一局面正在发生根本性改变。他以Codex为例，描述了AI如何自动完成从环境配置到版图生成的全流程："你只需要提供一个模拟电路网表，它就能自主完成后续所有步骤，甚至将整个流程封装成可复用的工具。"
这种变革不仅体现在效率提升上，更在重塑芯片设计的分工模式。在高正祺看来，当前最前沿的AI模型已具备初级至中级芯片工程师的能力。他以Kimi 3的芯片设计案例指出，AI不仅能在48小时内完成设计，其性能指标也达到专业水准。这种能力的跃迁，源于代码训练带来的逻辑推理能力提升，以及芯片设计领域专用数据集的构建。OpenAI、Anthropic等模型公司出于自研芯片的需求，正持续投入资源优化模型在该领域的表现。
AI的介入正在重构芯片设计的工作范式。高正祺预测，未来五年内，客户可能只需提交性能、面积、功耗等参数文档，AI代理就能在24小时内完成从代码到版图的全流程设计，人类工程师仅需负责最终签核。这种变革将形成"模型-软件-硬件"的闭环：模型设计芯片，芯片承载更强大的模型，形成自我迭代的加速循环。他坦言："这种发展速度令人恐惧，因为它正在颠覆传统认知。"
在产业层面，AI与芯片设计的融合已催生新的创业热潮。2025年底成立的Ricursive Intelligence，凭借两位AlphaChip作者的技术背景，在两个月内便获得40亿美元估值。这家公司聚焦于用强化学习优化芯片设计流程，其技术路线与高正祺的研究方向不谋而合。他分析道，本轮AI-EDA创业潮与历史上的EDA创业存在本质差异：过去创业多源于新功能需求，而如今则聚焦于工作流效率提升；AI降低了领域进入门槛，使得非EDA背景的团队也能快速切入市场。
尽管创业热情高涨，但高正祺认为，最终多数AI-EDA公司将被巨头收购。他以Cadence和Synopsys为例，指出这两家占据全球80%市场份额的企业，正通过收购巩固技术壁垒。不过，他也看到产业格局变化的可能性："如果某家创业公司能开发出对AI更友好的EDA工具链，完全可能颠覆现有生态。"这种判断基于他对工具演进规律的理解：当工作主体从人类转向AI时，工具的设计逻辑也需要相应转变。
在应用层面，推理芯片正成为AI公司的必争之地。高正祺指出，相比训练芯片对内存和算力的极致追求，推理芯片更注重能效比和成本优化。他以OpenAI的Jalapeño芯片为例，说明自研推理芯片如何帮助模型公司降低20%以上的运营成本。这种趋势正在重塑半导体产业链：台积电的先进制程、海力士的HBM内存、ASML的光刻机等上游环节，将成为这场变革的最大受益者。他预测，随着数据中心规模持续扩张，半导体产能紧张的局面短期内难以缓解。
面对AI带来的变革，高正祺保持着清醒的认知。他认为，某些重复性、规律性强的工作必然会被AI取代，但基础科学研究仍需人类探索。他以晶体管材料研究为例，指出寻找硅的替代品是永无止境的课题；而量子计算、超导等领域的基础突破，也离不开人类的持续投入。这种观点反映在他对人才培养的理念中：他鼓励学生在AI与光电异构芯片的交叉领域探索，同时要求他们规划短期、中期和长期三个维度的研究项目。
高正祺的学术轨迹，恰是AI与芯片设计融合的缩影。从复旦到MIT，从学术研究到产业实践，他始终站在技术变革的前沿。如今，他即将加入密歇根大学电子与计算机工程系，继续探索AI、电子芯片与光子芯片的交叉方向。在这场由模型驱动的变革中，他既是参与者，也是观察者，其经历为理解技术演进提供了独特视角。
