目前，设计一款尖端芯片从最初草图到制造出硅片，通常需要18到30个月。Google前首席科学家Jeff Dean认为，人工智能可以将这一周期压缩至最短三个月。

这一说法是他在2025年2月参加Dwarkesh Podcast时提出的，其核心是一个直白的观察：18至30个月的周期中，大部分时间被人类工程师的设计决策所消耗，而这些决策在理论上可以自动化。在TSMC（台积电，为业界众多设计公司制造芯片的代工厂）等代工厂的实际制造只需约四个月。其余时间则花在完善布局规划、确定每个功能模块在硅片上的位置、布设连接各模块的线路，以及运行仿真验证设计上。Dean的论点是：强化学习——一种软件通过试错和反馈而非显式规则来学习的技术——加上改进的电子设计自动化（EDA）工具，即工程师用于布局和验证芯片设计的软件工具链，可以将高度依赖人力的设计阶段从一年以上缩短至仅仅几个月，而且所需团队规模更小。

从AlphaChip到量产硅片

Dean的论点并非凭空而来。其依据是Google多年的研究成果，其中最著名的是2021年6月发表于《自然》（Nature）期刊的论文中详述的AlphaChip系统。AlphaChip利用强化学习实现芯片布局自动化，而这项任务通常需要工程师团队耗费数周时间。该系统在六小时内生成的布局，质量达到甚至超过了人类专家的水平。

这项技术并不仅仅是实验室演示。AlphaChip已被应用于Google Tensor Processing Units的量产设计中，这些定制AI加速器支撑着公司大部分机器学习基础设施。

Dean认为，更短的设计周期将减少工程师预测18个月后AI研究进展的必要性。团队可以针对当前的算法需求设计芯片，并随需求演变快速迭代，而不必在硅片制造一年多之前就锁定规格。

行业已在行动

Dean的构想已不再是纯粹的理论。多家公司已开始展示AI辅助芯片设计在实践中的模样。

Architect Labs于2026年9月宣布，其设计了一款名为Redwood的推理芯片，从规格定义到概念验证仅用了不到两周时间——这与Dean所描述的从草图到制造硅片的基准在起点和终点上并不相同。

OpenAI也已进入硬件领域。其Jalapeño AI加速器从初始架构到首批硅片用了不到20个月，其中关键的RTL到流片阶段——从寄存器传输级设计代码到交付制造完成的最终布局——仅用了九个月。这一端到端时间已达到或低于Dean引用的传统18至30个月周期中较快的一端，但仍远高于他认为可行的三至六个月区间。该公司使用大语言模型辅助设计流程，与同等的人类设计相比，芯片面积减少了10%——这一指标很重要，因为裸片面积决定了每片硅晶圆能产出多少颗芯片。

Dean本人于202年年中离开Google，与其他研究人员共同创立了Discovery Loop。该公司的重点是构建用于硬件设计自动化递归自我改进的系统。综合来看，这些早期成果——两周的概念验证冲刺、20个月的硅片周期以及强化学习布局工具——为业界提供了一组参照点，未来关于AI压缩设计周期的各种说法都可以据此加以衡量。