什么样的AI工具，竟然要OpenAI求着交学费？还要给分成？

01

就在两天前，OpenAI刚刚签了一份非常反常的合同。

它要跟全球最大的芯片设计软件公司新思科技，一起开发一款AI工具GPT-Synopsys，让AI像工程师一样操作EDA工具设计芯片。

但这笔合作最有意思的地方，不是说AI又要进入一个新行业。

而是这个合作OpenAI不仅要向新思支付费用，等到GPT-Synopsys真正进入客户的设计流程中，两家公司还要按照它带来的结果去分享收入。

等于OpenAI既要给新思交学费，还要按业绩来分成。

这就很奇怪了，按道理来说，开发一个AI工具，不是新思要给OpenAI钱吗？

毕竟OpenAI缺模型吗？缺资源吗？

显然不缺，它自己就是今天最强大的AI公司之一，甚至没有之一。

那互联网上缺芯片论文跟代码知识吗？

也不缺，AI应该都懂呀，也会做呀。

那为什么反过来了，OpenAI专门跑到新思这里交学费？新思手里到底有什么，是OpenAI没有的？

02

这个问题，我们要从“设计芯片”四个字里往下拆。

假设今天工程师跟AI说，“这颗芯片性能已经够用了，但功耗还是有点高，你能不能把功耗降下来？”

如果只是聊天，一个足够聪明的大模型可以给你一堆建议。

然后呢？

事情才刚刚开始。

芯片不会因为AI写出了一份漂亮方案，功耗就自己掉下来。

模型必须真的进入设计环境，把自己的判断变成一个可以运行的设计。

知道锤子应该怎么挥，跟真正拿起锤子敲下去，是两回事。

新思首先提供的，就是让AI真正动手的工具

这个工具就是EDA，中文叫电子设计自动化，我们做产品设计、自动化的企业应该都知道，它就是工程师的工作台。

工程师需要用EDA把设计一步一步变成真正的电路，再分析性能、功耗、时序跟物理实现。

但AI学会动手以后，马上又会碰到第二个问题。

改完之后，功耗降了吗？降了多少？性能有没有一起掉下来？

模型不能自己看着自己的答案说：“嗯，我给你最直白，最不绕弯子，最一针见血的回答，我觉得这一版真不错。”

它必须把设计真的跑进去，工具计算完以后，再把结果还给它。

功耗多少、性能多少、哪个指标有问题？

这些结果回来之后，模型才知道自己刚才那一步到底改对了没有，下一步又该动哪里。

这就是第二个东西，反馈

工具让AI能动手，但反馈会告诉它，你刚才这一手，到底打得怎么样。

所以，我们过去看AI，很容易把最神奇的时刻理解成，哎呀，AI把答案生成出来了，好酷，事情解决了。

但在一项真正的专业工作里，答案生成出来，往往只是第一步。

这个答案得放到结果里跑一次，发现问题后再重新判断，再设计，再跑。

但即便做到这里，事情依然没结束。

假设AI经过很多轮调整，终于拿出一版方案，逻辑是通的，芯片设计也调整了很多遍，看起来都没问题。

AI也很满意，信誓旦旦的给你说，好了，真的完成了。

但芯片行业会告诉它，不好意思，你说了不算。

为什么？

因为一颗芯片真正交出去大规模制造之前，还要经历最后一系列严格验证，也就是业内常说的sign-off。

时序到底能不能过？物理设计有没有违反规则？在真实物理条件下会不会出现新的问题？

最终做出来以后，能不能按照设计正常工作？能不能保证良率进行量产？

这些不能靠AI回答一句“可以”就真的掏出真金白银大干快上了。

它必须要靠确定性的工程计算跟验证系统，一项一项跑过去。

新思的CEO加齐，在合作公布后也明确表示，即使未来GPT大量参与芯片设计，模型产生的结果依然需要传统计算方法完成最终的sign-off。

到这里，新思真正提供的第三样东西才出现，那就是验证

工具解决的是，能不能真的做。

反馈解决的是，做得怎么样。

验证解决的是，到底做没做成。

所以，OpenAI为什么要给新思付钱，还要分享未来的业务，因为它需要把通用智能一点点变成真正能够完成工程任务的专业能力。

能动手，能拿到真实结果，最后还能知道什么叫真正过关的标准。

所以，这里其实也提醒了我们一个问题。

同样是借助AI，同样是做一次、看结果、再修改，为什么一个人时间越久越会成为专家，而另一个人可能只是把同样的工作不断重复？

这中间拉开差距的，是什么呢？

03

我认为这个词叫，判断

芯片设计里经常讲一个词，PPA。

Power，功耗；Performance，性能；Area，面积。

三样东西越漂亮越好，但现实通常不会这么配合。

芯片跑得更快，功耗就得上去，想把功耗压下来，又可能带来新的物理约束。

所以说，这是一个“不可能三角”，你是没办法同时做到最低功耗、最高性能跟最小面积。

那么，你就要做取舍，为了降低这部分功耗，我愿意付出什么代价？

性能少一点，还是面积大一点？眼前这个改善究竟是真的改善，还是把麻烦从一个地方搬到了另一个地方？

到这里，专业能力才真正出现。

AI给你答案，只是一个开始。

因为你还要分析目标→制定计划→动手做→获得结果→判断偏差→修正→再做。

真正困难的，是中间那一步，判断偏差。

现实里的专业问题，不会像考试一样，给你一道有着标准答案的题。

更多时候，是几个都很重要的目标一起摆在桌上，而且彼此打架。

这个时候，你就要头疼了，因为你必须知道什么可以牺牲，什么不能碰，什么要先解决，什么可以晚一点再管。

一个专家真正比新人多出来的，不是他脑子里比你多背了几本书，而是他的判断，已经被真实世界的结果纠正过很多次。

这也是为什么，一个人哪怕把所有芯片教材全部看完背下来，也不会自动变成资深专家，更不用说自动化。

因为知识可以告诉你，别人过去做过什么，总结过什么。

但专业能力还要继续回答另一个问题，我现在这么做，现实究竟会发生什么？

这两者之间，隔着大量真实的选择、失败、反馈跟修正。

这也让我想到一个人叫梁孟松，现任中芯国际的联席CEO，当年为什么三星跟中芯国际都拼命想挖他？

哪怕台积电做了非常充分的准备，所有的专利、资料一个都不准带走，还用竞业协议一直盯着他。

但梁孟松去了哪家公司，哪家公司的芯片能力就突飞猛进，为什么？

因为哪怕他不带走任何资料跟专利，但他在几十年项目里被失败跟结果训练出来的判断，是台积电拦不住的。

他知道哪条路能走，哪条路自己以前走过，走不通，这就是最值钱的能力。

04

其实，OpenAI跟新思的这次合作，透露出来的商业位置也很有意思。

如果未来最值钱的只有“谁拥有最聪明的大模型”，那么，我们现在就应该拼命去买最好的模型。

但OpenAI跟新思真正看中的是另一个位置。

不管最后是哪一个模型，只要它想真正进入专业工作，创造结果，就必须要有人给它提供真实的流程跟环境，以及结果反馈跟标准。

这件事并不只属于芯片行业。

我们今天很多企业一谈AI，第一反应还是有了AI就是万能的，AI什么都能做。

理论上可行，但现实情况非常相反。

如果你不去建立自己的知识库，把产品资料、客户案例、FAQ、销售话术、SOP整理出来，让AI学习，AI连你是谁都不清晰，只能给你放之四海皆准的万能答案。

而OpenAI跟新思又提醒我们，有了知识库还不够。

假设有一天，AI读完你所有产品资料，也读完了整个行业公开的知识，它知道的甚至比你更多。

这时候，你的企业还有什么，是它必须向你学的？

比如一家制造企业，技术手册当然重要。

但真正难复制的，可能是同一个工艺参数调下去，良率最后到底发生了什么？

再比如销售。

AI可以读完世界上所有销售技巧，但一个客户跟你说，哎呀，我要再考虑一下。

好了，在你过去无数次真实交易里，你这个时候要说什么？什么情况下最后能成交，什么情况下其实已经流失了？

这些东西跟知识最大的区别是，它们有真实结果。

你做了什么，现实发生了什么，调整以后有没有改善，最后到底有没有过关。

所以，企业未来需要留下的，不只是一套知识，还要把真实反馈留下来，把判断一个结果到底合不合格的方法跟标准留下来。

当公共知识越来越容易被AI获得，企业真正难复制的东西，也会开始从“我们知道什么”往后移动。

比如说我们做过什么，结果发生了什么，我们又靠什么知道，最后真的做对了。

OpenAI其实就在为这样一套东西付钱。

那我们的企业也要去想，我们还有什么知识，是AI不知道的？

有什么事情是AI必须到我们这里真正做一遍，才能知道自己到底做得对不对的？

这些就是未来企业最有价值，最应该保留下来的资产。

责任编辑| 罗英凡

图片均来源于AI

本文不构成任何投资建议，股市有风险，投资需谨慎

■ 免责声明

本文涉及有关上市公司的内容，为作者依据上市公司根据其法定义务公开披露的信息（包括但不限于临时公告、定期报告和官方互动平台等）作出的个人分析与判断；文中的信息或意见不构成任何投资或其他商业建议，市值观察不对因采纳本文而产生的任何行动承担任何责任。