文章核心观点 - 芯片行业正通过部署人工智能工具和交叉培训软件工程师等新方法，以应对严重的人才短缺问题，目标是降低硬件设计门槛，让更多软件背景的人才能够参与芯片开发 [2][5] 行业人才现状与挑战 - 美国劳工统计局数据显示，自称软件开发人员的人数约为200万，而硬件设计师不足10万，软件与硬件工程师比例超过20:1 [5] - 行业面临入门级、初级工程师数量减少的问题，经验丰富的软件工程师因能更好地利用AI工具而备受重视 [4] - 传统硬件设计需要深厚的数字逻辑、时序、验证及模拟电路知识，其工具链和工作流程比大多数软件环境更复杂、抽象程度更低 [4] 人工智能工具的应用与发展 - 新型AI工具，包括大型语言模型、自然语言智能体、多智能体AI和混合专家AI，正被用于帮助工程师更高效地设计和验证半导体硬件 [2] - AI驱动的工具可以自动化硬件设计的许多底层细节，如生成测试平台、优化布局或提出设计改进建议，使非硬件专家也能做出贡献 [4] - 人工智能与芯片设计形成循环：需要更先进的芯片来驱动用于辅助芯片设计的人工智能，该技术将持续发展、演变和融合 [2] - 当前AI在芯片设计领域的应用重点在于帮助设计师更快找到起点、优化设计以缩短周期，而非创建无需优化的通用系统 [4] 技能转型与教育变革 - 未来芯片开发人员和验证工程师所需的技能将更接近软件工程师，工作将包含更多软件组件 [3] - 学术界正尝试通过缩短培训时间、加强交叉培训以及利用机器学习工具来训练软件工程师胜任硬件工作 [2] - 让软件工程师设计硬件需要特定的领域知识培训，并非完全无需教育，但可能不再需要精通RTL编写或SystemVerilog/VHDL [3] - 加州大学洛杉矶分校的实践表明，通过精心设计的AI/ML工具（如图神经网络与大型语言模型结合），可以在短时间内（如一周半）让计算机科学本科生使用高级综合技术设计出CNN加速器 [5][8] 未来展望与方法论 - 行业目标是通过结合机器与人类智能的多智能体方法，使硬件设计变得像编写另一个PyTorch库一样简单 [8] - 实现这一目标的关键在于开发允许使用高级语言或图形界面指定硬件功能，并能自动合成硬件描述的新工具和平台，从而实现更高层次的抽象 [4]