据韩媒Chosun Biz报道，三星电子System LSI部门自今年5月向软件开发者开放Anthropic的AI编码工具"Claude Code"以来，仅用约3个月时间，便在定制系统芯片验证与软件开发环节取得了突破性进展。
（Chosun Biz报道标题）
三星System LSI部门将"Claude Code"的应用从软件开发逐步扩展至专业半导体开发任务。在定制系统芯片的数据互联结构验证项目中，Claude展现了惊人的效率。该项目面临严苛条件：客户要求全新的芯片架构，且使用了第三方知识产权，部分标准化设计资料缺失，DRAM控制器的寄存器传输级设计数据也未按期交付。按照传统流程，搭建验证环境并完成测试预计需要超过1个月，而借助基于Claude的AI工具，三星在2天内完成了全部工作，内部评估认为工作速度提升了约15倍。
具体而言，三星将已掌握的系统芯片设计信息、芯片内部通信规格以及电子设计自动化厂商提供的验证IP信息输入AI系统。Claude自动定位所需验证IP的位置，完成放置与连接，并生成虚拟验证环境和测试场景。在DRAM控制器设计尚未交付的区域，AI通过连接虚拟模块先行检查核心数据路径，甚至在实际寄存器传输级代码到达之前就识别出早期错误。该项目涉及64条复杂交织的数据路径，而内部评估认为，整个验证环境搭建过程中未出现人工操作可能导致的重复性失误。
在软件开发环节，Claude同样大幅缩短了新人工程师的成长曲线。在芯片实际生产前，工程师需在仿真器中虚拟实现键盘、鼠标等USB设备的运行行为。EDA厂商提供的基础数据传输参考代码远远不够，工程师通常需要独立学习USB通信规范并为每种设备单独建模，这一过程通常耗时1个月。
三星将这项任务交给一名入职第2年、毫无AI编程经验的工程师，由其使用"Claude Code"完成。该员工将所需功能和USB参考代码输入Claude后，AI自动细化需求、提出实现方案并生成代码，甚至协助修改。结果，键盘和鼠标模型的创建与功能验证在1天内完成，基于这些模型的Android操作系统USB设备驱动程序开发也同步结束。
三星选择Claude而非其他大模型，核心原因在于"Claude Code"的产品形态与半导体开发需求高度契合。与典型的问答式生成式AI不同，"Claude Code"是一款代理式编码工具，能够读取整个程序代码结构、直接修改文件并执行命令。对于半导体开发而言，这意味着它可以根据电路设计资料、验证程序和通信规格，自动生成验证代码并搭建测试环境，而非仅仅提供文本建议。
（Claude Code工具）
"Claude Code"拥有100万token的上下文窗口，这意味着它可以一次性处理约200000至500000个token的真实代码库，将中型规模的项目完整载入内存进行分析和规划。在半导体验证这类需要理解复杂多文件依赖关系的场景中，这种长上下文能力至关重要。此外，Claude Opus 4.8在SWE-Bench Pro基准测试中得分69.2%，在公开可用的商业编码代理中处于领先地位，其代理式推理和工具调用能力经过专门优化。
双方关系的深化也为这一选择提供了商业逻辑。今年5月，Anthropic完成650亿美元H轮融资，估值达到9650亿美元。在这轮融资中，三星电子与SK海力士、美光一同作为战略基础设施合作伙伴参与投资。Anthropic在官方声明中明确表示，这些合作伙伴的技术在全球内存、存储和逻辑芯片供应中扮演关键角色，将帮助公司按客户需求可靠地扩展计算能力。
而在三大内存厂商中，三星是唯一同时拥有先进逻辑芯片代工能力的企业，这被业界普遍视为三星有望获得Anthropic芯片订单的重要信号。据The Information报道，Anthropic正在与三星洽谈，考虑使用三星的2纳米代工工艺和先进封装技术生产其自研AI芯片。若合作达成，三星代工业务将再添一位重量级客户。
（The Information报道标题）
三星并非唯一将AI引入芯片设计与制造的厂商，整个半导体产业正在经历从设计工具到制造流程的全面AI化。
在电子设计自动化领域，Synopsys和Cadence两大巨头已将AI嵌入核心工具链。Synopsys的DSO.ai利用强化学习驱动设计空间优化，截至2026年第一季度已完成超过700次生产流片，涵盖多家头部半导体厂商的下一代AI加速器、高性能计算芯片以及众多初创公司的设计。Synopsys还与AMD和微软合作开发了业界首个自主式EDA工作流，其全自动调试闭环工作流早期评估显示，调试周期时间可缩短25%至40%。
Cadence的Cerebrus AI Studio则通过强化学习优化数字布局布线流程，在2026年投资者电话会议中被提及已部署于300多个活跃项目，包括超大规模ASIC、汽车系统芯片，以及HBM控制器模块。
在芯片设计公司内部，NVIDIA开发了名为ChipNeMo的领域自适应大语言模型，基于700亿参数规模，在NVIDIA内部设计流程中用于Verilog和SystemVerilog生成、漏洞摘要、EDA脚本编写等任务，该模型已嵌入Hopper、Blackwell和Rubin系列芯片的设计流程，可显著降低工程成本。
Google的AlphaChip则通过强化学习进行芯片宏单元布局，自TPU v5以来已应用于每一代TPU设计，包括v6 Trillium，将原本需要数周的布局规划压缩至数小时。
在制造端，台积电正与NVIDIA深度合作，将AI引入晶圆厂运营。台积电使用NVIDIA cuLitho加速计算光刻，将成本效益或周期时间提升20%至50%；利用NVIDIA cuEST将电子结构模拟速度提升50倍；通过NVIDIA cuML加速大规模分析，从数十万工艺参数中提取机器学习模型的精确输入；并借助NVIDIA Omniverse构建FabTwin数字孪生平台，协调工具、材料、机器人和设施系统。台积电还使用NVIDIA Metropolis平台和TAO工具包改进纳米级缺陷检测，提升质量检验能力。
尽管AI带来了显著的效率提升，但将生成式AI应用于硬件设计也暴露出意想不到的风险。三星内部记录显示，在一次验证任务中，当工程师要求AI修复错误时，AI并未解决根本原因，而是简单地将错误提示信息改为普通信息消息。另有案例中，当要求仅回滚特定功能时，AI连带恢复了其他此前已完成的工作；而在被要求仅分析验证结果时，AI甚至试图修改寄存器传输级代码，即实际的电路设计代码。这些问题被归因于大语言模型对硬件描述语言复杂依赖关系的理解仍不充分。
半导体与软件存在本质差异：软件发布后可通过更新修复漏洞，但一旦进入量产，芯片设计缺陷几乎无法回滚。因此三星采取了渐进式策略，由人类严格定义AI的工作范围，并对其输出进行复核验证。一位半导体业内人士评价称：基于大语言模型的代理速度很快，但若控制不当，可能引发重大事故。最终方向是减少过去由人类执行的繁琐手动步骤，缩短整体开发时间，让工程师聚焦于目标设定和最终验证。
来源：电子工程专辑
