芯片设计服务正步入AI驱动的关键转折点。

雷峰网独家获悉，国内初创企业Novasilicon（芯星元）率先切入该赛道，近日已顺利完成首轮融资，由五源资本独家出资数千万元。

区别于传统Design House，Novasilicon将AI定位为设计范式的重构者，而非辅助工具。“我们主张回归大模型本质，从底层逻辑出发，重新定义芯片设计的方法论。”公司创始人兼CEO李林阳向雷峰网表示。

要落地这一构想，单一领域的专长远远不够——既需深刻理解大模型的推理机制与协同能力，也须掌握芯片全生命周期的工程细节。

公开信息显示，李林阳现任上海人工智能实验室青年科学家，曾深度参与我国首个开源大语言模型MOSS的研发工作，并主导打造了国内首个融合专业围棋决策与自然语言思维链解释能力的大模型InternThinker；自去年起，他牵头推进“AI for Chip Design”专项研究。

另两位联合创始人则夯实了芯片工程侧的核心能力：COO薛建喜拥有逾二十年数字芯片设计经验，长期服务于多家头部AI芯片企业；CTO陈建球系翱捷科技早期核心骨干，专注模拟及混合信号芯片设计二十余年。

Novasilicon聚焦于服务存在增量自研需求的客户群体，涵盖大模型公司、智能机器人厂商、云服务商及消费电子品牌等。当前，公司已采用NRE（一次性工程服务）模式，与Foundry、IDM等产业链关键环节展开实质性合作。

按既定节奏，公司将于年内发布标准化后端设计产品，以此验证由定制化服务向可复用产品演进的可行性。

需指出的是，“AI参与芯片设计”并非全新命题。早在2021年，谷歌DeepMind团队即利用AI完成TPU芯片的自动布局规划，显著压缩设计周期。

而今，随着大模型能力实现跃迁，全球范围内已涌现出一批由谷歌、英伟达前核心成员创立的AI驱动型芯片设计公司，仅Ricursive、ChipAgents、Cognichip三家公开披露的融资总额已超5亿美元。

作为国内首家正式浮出水面的AI-Native芯片设计企业，Novasilicon的战略意图与实施路径尤为值得关注。

AI DesignHouse：锚定芯片设计新蓝海

过去半年间，算力基础设施竞争持续升温：微软时隔两年发布第二代自研推理GPU；英伟达引入LPU（Logic Processing Unit）新架构；OpenAI携手博通加速开发面向大模型推理的专用ASIC。

与此同时，Fortune Business Insights预测，全球边缘AI半导体市场将由2026年的298.5亿美元扩张至2034年的1078.6亿美元。硬件场景碎片化、应用迭代高频化，正倒逼芯片开发模式发生根本性变革。

李林阳观察到，以人工为主导的传统芯片设计流程，在面对小批量、多品类、快交付的新型需求时，已显疲态。这背后蕴藏的，正是AI原生设计能力的巨大商业化空间。

Novasilicon据此判断：AI在芯片全流程中的渗透率将从2025年的约5%，攀升至五年后的80%。

那么，Novasilicon是否意在打造下一代EDA？李林阳明确回应：“我们不是EDA公司。”

在他看来，EDA工具链仍是不可替代的基础设施，当前主流EDA厂商的策略是在既有框架中叠加AI模块；而Novasilicon选择另辟蹊径——跳过工具增强路径，直接构建多AI Agent协同系统，让AI自主完成设计决策、任务分解、EDA工具调用、结果验证与闭环优化。

若作类比，李林阳将现阶段的Novasilicon形容为“AI时代的博通”：面向此前因成本高、周期长而被排除在芯片自研门外的企业，甚至包括那些从未设想过拥有专属芯片的创新主体。

交付方式上，联创薛建喜介绍，客户既可获取完整设计文件自行流片，亦可委托Novasilicon完成从设计到封装测试的一站式交付。

“AI版博通”代表当下可行的商业模式，而其长期愿景，则指向更深远的产业分工重构。

回溯半导体发展史，1987年台积电成立标志着第一次重大分工——制造能力被平台化，IDM模式逐步分化为Fabless与Foundry。如今，Novasilicon希望推动第二次分工：让芯片设计能力同样基础设施化，催生“Designless+AI DesignHouse”的新生态。未来，企业无需组建庞大设计团队，只需按需调用AI驱动的设计服务。

不依赖数据沉淀，以强化学习突破后端设计瓶颈

在李林阳看来，真正支撑“AI设计芯片”走向规模化落地的，是大模型本身的能力进化。

当OpenCLAW等先进Agent框架展现出强大的任务编排、工具调用与多智能体协作能力时，大模型已具备承担复杂工程任务的潜力——而芯片设计，恰好提供了高度结构化、强反馈、可仿真的理想训练场。

芯片每一次参数调整，均可通过物理仿真快速验证；EDA工具链则进一步缩短了“假设—执行—反馈”的闭环周期。在此过程中，大模型不仅参与设计，更在持续试错中自主进化。

OpenAI与博通的合作即是明证：从产品定义到成功流片仅耗时九个月，背后正是大模型深度嵌入研发流程的结果。薛建喜指出，Novasilicon也在同步构建面向芯片设计垂直场景的智能体模型。

正因如此，公司并未沿用业内常见的模仿学习路径。

“该路线依赖大量历史RTL代码、验证日志、网表、版图及设计文档进行模型训练或微调，在RTL生成等文本密集型环节确有成效。”李林阳解释道，“但芯片数据天然具有高保密性，高质量开源数据极度稀缺，持续获取大规模可用数据集反而成为制约模型成长的关键瓶颈。”

因此，Novasilicon选择类似SuperLearner的强化学习技术路线——构建具备通用决策能力的基础模型，通过自主探索与物理仿真反馈不断逼近最优解，摆脱对海量标注数据的依赖。

事实上，这一方向亦获得产业巨头响应：谷歌、英伟达均已在内部部署同类实践。

与此同时，全球AI芯片设计新势力加速崛起：AlphaChip核心成员、英伟达前AI芯片设计负责人任浩星相继创业；专注芯片基础模型的Cognichip更吸引英特尔CEO陈立武加入董事会。

资本层面，该赛道热度持续攀升。据雷峰网统计，仅Ricursive、ChipAgents、Cognichip三家海外初创公司，已公开募资超5亿美元。

李林阳坦言，Novasilicon与上述企业在技术选型与商业逻辑上存在差异：团队致力于打通通用大模型能力、多Agent协同机制与芯片工程知识之间的壁垒，最终建成一个可持续输出芯片设计成果的智能平台。

当然，芯片设计链条冗长且环环相扣，实现端到端自动化仍面临极高门槛。为此，Novasilicon选择从后端切入——聚焦模拟后端版图优化与数字后端布局布线两大高价值环节。

李林阳向雷峰网强调：“后端直接决定芯片能否制造、制造后能否稳定运行。相比前端，它具备更清晰的物理约束与可量化的评估指标，是最早能形成商业正循环的突破口。”

“很多人误以为前端只是写写RTL代码，实则只看到冰山一角。从大模型解决问题的本质来看，前后端的技术挑战存在结构性差异。”他直言。

不过，后端只是起点。李林阳透露，接下来数月，团队将加快构建覆盖前后端全流程的AI Agent集群，而这，正是Novasilicon全力奔赴的未来。

更多关于AI Design House的前沿实践与产业洞察，欢迎添加作者微信 Evelynn7778 深度交流。