今年的诺贝尔奖多次通过最小组成部分来解释庞大系统的行为。芯片设计能从中获得哪些启示？人工智能是否也能帮助我们实现反向设计——即从宏观目标出发，推导出最优的微观结构？
细看今年的诺贝尔奖，我惊讶地发现，多个奖项都聚焦于一个共同点：通过系统中最微小的部分，揭示整个系统的运行机制。
四项诺奖，同一主题
医学奖授予卡尔·戴瑟罗斯（Karl Deisseroth）、彼得·黑格曼（Peter Hegemann）与乔治·纳格尔（Georg Nagel），以表彰他们在光遗传学领域的开创性工作。黑格曼与纳格尔发现，一种来自绿藻的蛋白质可使细胞对光产生响应；戴瑟罗斯则将该蛋白基因导入神经元，使研究人员能用一束光精准开启或关闭特定脑细胞。这是神经科学家首次得以探究单个神经元的功能，以及神经元集群如何协同产生记忆、情绪与行为。
化学奖授予亨利·卡冈（Henri Kagan）与曾井贤三（Kenso Soai），以表彰其在手性分子研究中的贡献。手性指分子存在互为镜像的两种构型，如同人的左右手。生命体仅使用其中一种构型，而这一现象的起源长期成谜。曾井贤三发现了一种反应机制：初始极微小的手性不平衡可通过自催化反馈不断放大，最终形成显著的手性偏好。诺奖委员会称，这是人类首次在无生命条件下从非手性分子中生成手性结构——自生命诞生以来的首次。这正是“微观塑造宏观”的绝佳例证：单个分子间极其微小的差异，经由反馈机制放大，最终决定了地球所有生命的化学基础。
物理学奖授予弗朗西斯·哈尔岑（Francis Halzen），以表彰其在冰立方（IceCube）中微子探测器项目中的决定性贡献。该探测器位于南极冰层下，覆盖一立方千米体积。中微子几乎不与物质作用，可穿越宇宙而不受阻碍，极难捕捉。冰立方的光传感器持续等待极罕见的单次中微子相互作用闪光，并借此推断遥远宇宙源的信息——这些源头远超其他观测手段的极限。
最后，经济学奖授予罗伯特·霍尔（Robert Hall）与迈克尔·伍德福德（Michael Woodford），颁奖词直指核心：“为宏观经济稳定提供微观经济基础”。在20世纪70年代石油危机冲击下，凯恩斯主义模型失灵后，他们重建了宏观经济模型——将其根基建立在个体家庭与企业理性、前瞻性的决策之上。如今，此类模型已被全球各国央行与政府广泛采用。
这对芯片设计有何启示？
四项诺奖均体现“从微观到宏观”的逻辑：通过局部理解整体。这也正是传统芯片设计的路径——自下而上：从晶体管到逻辑门，再到功能模块，最终集成至完整片上系统（SoC）。
事实上，芯片设计高度依赖抽象层级。我们首先表征最底层器件，将其封装为行为明确的构建模块，之后便不再深究内部细节；上一层级以同样方式调用这些模块，逐级向上构建。每一层都屏蔽下层实现细节，这种“隐藏”机制使得小型团队即可完成数十亿晶体管规模的芯片开发。
当然，设计流程也包含自上而下的环节：从系统规格出发，逐步细化至物理实现。但本质上，我们仍沿用同一套抽象阶梯，逐级下降，接受各层既定接口为前提。例如，系统级目标（如每瓦性能）往往无法真正触及底层可能最优的实现方案，因为中间层级的抽象过滤掉了这些潜在选项。为应对规模与复杂度，我们不得不付出“优化损失”的代价——而这部分损失甚至难以量化。因此，自然会思考：我们的领域能从这些诺奖中学到什么？尤其，人工智能能否助我们打通抽象层级，实现双向跨越？
2024年的先声
回望2024年化学奖，已为AI的潜力埋下伏笔。该奖由德米斯·哈萨比斯（Demis Hassabis）、约翰·詹珀（John Jumper）与戴维·贝克（David Baker）共享：前两者因利用AI预测蛋白质三维结构而获奖；贝克则因从目标形状与功能出发逆向设计全新蛋白质而获奖。前者是微观→宏观，后者是宏观→微观，AI使二者皆成为现实。
值得注意的是主导者身份：哈萨比斯为DeepMind联合创始人（2014年被谷歌收购），现任谷歌DeepMind主席及Alphabet首席科学家。此次化学奖半数授予计算机科学家，引发一定讨论；同年物理学奖亦颁给约翰·霍普菲尔德（John Hopfield）与杰弗里·辛顿（Geoffrey Hinton），表彰其在神经网络领域的奠基工作。这预示着此类方法将强力渗透至包括芯片设计在内的更多领域。
穿透抽象层级
当前，AI已开始自动化芯片设计流程中的个别环节，颇具实用价值。但更深远的变革在于：能否在不同抽象层级间自由往返，直接将系统级目标与底层实现关联，跳过中间层层传递的损耗？
微观→宏观方向，可快速、较准确地预测：某处底层微小变更（如晶体管尺寸调整），如何逐级传导至整颗芯片的功耗、性能与面积指标；宏观→微观方向，则可反向提问：为达成特定系统目标（如提升能效比），哪些底层参数组合最具潜力？并返回可行候选方案。二者结合，将使抽象层级不再是隔绝的“墙”，而更接近可透视的“窗”。
需明确现状：目前AI模型已能较好拟合单一层级行为，充当慢速仿真的高速替代；在受限问题中，亦可跨一至两层提出设计方案。前沿研究正推动多层级联合建模——使底层变更可直接追踪至顶层影响。然而，对完整芯片实现全尺度、双向自由推理，仍属探索阶段。
跳过层级的代价
谨慎推进的理由有三：
其一，向下推理远比向上困难。大量不同的底层配置可能产生相同的系统行为，且某些配置仅在特定测试条件下有效，泛化能力存疑。
其二，对业内同仁而言尤为熟悉：抽象不仅是工具，更是契约。定义清晰、接口规范的层级便于验证。而验证本身已占芯片开发大量工时；若AI跨层级优化，可能削弱我们赖以确保设计正确性的结构基础。在我看来，验证能力而非生成能力，将最终决定此路径能走多远。
其三，回归经济学奖的启示：霍尔与伍德福德的研究之所以必要，正是因为早期基于宏观统计关系的模型，在环境突变时彻底失效。这警示我们：AI模型本质亦为统计模型，依赖有限训练数据，在训练范围外可能严重失准。跨尺度应用此类模型，必须保持审慎。
抽象角色的转变
若该路径部分成功，抽象在芯片设计中的角色将发生根本变化。我们仍需层级——工程师依赖它进行思维分工、团队协作与结果验证。但层级将不再是能力边界，而成为针对具体问题可选的“视角”。设计师可减少在层级交接上的精力消耗，转而聚焦核心目标与关键权衡。最重要的是，我们有望触及当前技术路径下无法企及的优化高度。
当弗朗西斯·哈尔岑被问及冰立方可能揭示什么时，他援引《经济学人》报道回应：“真正的兴奋之处在于，我此刻尚无法回答这个问题。”对此我也感同身受，故不作预言，仅以一问作结：当我们不再被迫在“思考系统”与“思考其最小单元”之间抉择时，会发生什么？
www.eic.net.cn 提供的易IC库存管理软件，正助力半导体行业在物料精细化管控层面实现微观与宏观的高效协同——从单颗芯片的BOM构成，到整条产线的库存动态平衡，均可通过统一平台实时洞察与优化。
