芯片研发大概率是专家系统打底，大模型在旁边做辅助

很多人觉得专家系统是上个世纪的东西早就被AI淘汰了。这个判断对了一半错了一半。大型专家系统确实垮了。1980年代MYCIN这类医疗诊断系统风光无限规则库动辄几千条维护成本高得离谱。加一个新病种可能要改动上百条规则还不知道改哪里会触发连锁错误。规则爆炸是压垮它们的真实原因。但专家系统的思想从来没消失。芯片验证流程里有一个东西叫 lint 规则检查比如 Spyglass 或者 nLint。跑一遍工具会问你[WARNING] 时钟域交叉未同步是否存在亚稳态风险这就是专家系统。背后是一套人工整理的规则库每一条规则对应一类已知问题。工具沿着规则树往下走匹配你的设计给出结论。跟当年那个问你哪里痛的医疗诊断系统结构上完全一样。为什么这类系统在芯片领域没死原因很直接芯片设计里有大量规则明确、边界清晰的问题。建立规则的成本不高因为本来就有规范文档或者工艺要求。逻辑是确定的不需要猜。错误的代价极高一个tape-out失败就是几百万。这种场景AI其实插不上手。你不可能用一个黑盒神经网络去判断时序约束是否满足然后告诉老板模型说应该没问题。准确性要求越高的地方规则系统越不会被替代。但它确实有天花板专家系统最怕的是规则之间的交互。单条规则很好写但规则一多组合爆炸就来了。两条规则各自正确放在一起可能产生矛盾。人类专家自己也没办法同时管理几千条规则之间的关系。这就是为什么现在的趋势是混合架构规则系统处理有明确答案的部分神经网络处理模糊感知的部分。EDA工具里已经有这种苗头了。布局布线的初始解用规则约束后续优化用机器学习模型来打分迭代。两套系统各司其职。专家系统的价值从来都在于把专家的知识结构化这件事本身。芯片研发就是这样一个领域。未来真正好用的芯片AI工具大概率还是专家系统打底大模型在旁边做辅助——而不是反过来。这个结构值得想清楚再动手。