硬件设计相关 AI 资讯 · AITOP · AI热报

8月28日

20:04

20:04

官方账号arXiv cs.AI@Matthew Youngman, Cristian Sestito, Themis Prodromakis

该研究论文探讨了大型语言模型在电子设计自动化领域的作用演变。作者提出了三种层次角色：生成器、智能体和协调器。当前系统面临语法陷阱，模型被训练生成看似合理的代码而非物理正确的硬件。研究指出需要向标准化、物理感知的协调器转变，以实现更可靠和易用的硬件设计。

论文 LLM EDA 电子设计自动化

推荐理由：这篇论文分析了LLM在EDA领域的三种角色定位，揭示了当前系统的局限性，提出了向协调器转变的必要性。

7月16日

08:14

08:14IT之家（博客/媒体）

唐·坦（Tang Tan）1999 年从麻省理工学院机械工程硕士毕业，以应届生身份加入苹果。他在苹果工作 25 年，先后参与 iPod 开发（使用 1.8 英寸东芝硬盘，存储歌曲数达同期设备 100 倍）和 iPhone 研发，历任 iPhone 产品设计高级经理、总监、副总裁。2024 年 2 月离开苹果，加入 Jony Ive 与 Sam Altman 合作的 IO Products；2025 年 5 月 OpenAI 以约 65 亿美元收购 IO Products，唐·坦担任首席硬件官。苹果在诉讼中指控唐·坦离职前向自己发送苹果供应商信息，并鼓励苹果求职者在 OpenAI 面试时携带未发布硬件部件，涉及电池、屏蔽件等方向。

行业 Tang Tan 苹果 OpenAI

推荐理由：想了解苹果与 OpenAI 这场商业秘密诉讼的关键人物吗？唐·坦从 iPod 做到 iPhone，再到 OpenAI 首席硬件官，他的跳槽细节和诉讼原委都在这里。

6月29日

10:11

10:11

官方账号arXiv cs.AI@Cunxi Yu, Chenhui Deng, Nathaniel Pinckney, Brucek Khailany

HORIZON是一个自演化智能体框架，将硬件设计视为仓库级代码演化。它通过Markdown harness编译项目包，包含领域知识、可执行评估器和接受谓词，并利用git工作树进行状态管理和回放。在ChipBench、RTLLM、Verilog-Eval和9个CVDP类别上，HORIZON实现了100%的基准完成率。但作者指出，这些基准只是更广泛芯片设计问题的受控代理，并未解决所有挑战。

论文 HORIZON ChipBench RTLLM

推荐理由：HORIZON在硬件设计基准上跑通了100%，但作者自己说了这只是起点。想了解智能体如何自动化芯片设计，可以看看这篇。

6月10日

09:06

09:06

官方一手arXiv: DeepSeek@Jinghua Wang, Lily Jiaxin Wan, Sanjana Pingali, Scott Smith, Manvi Jha, Shalini Sivakumar, Xing Zhao, Kaiwen Cao, Deming Chen

精选

OpenRTLSet 发布了目前最大的全开源硬件设计数据集，包含超过 131,000 个多样化的 Verilog 代码样本。数据集整合了来自 GitHub 的 102k 模块、VHDL 翻译的 5k 模块以及可综合 C/C++ 翻译的 24k 模块，全部免费开放且无专有限制。研究团队利用推理模型 DeepSeek-R1 为每个代码样本生成了对应的自然语言描述，可用于微调 Qwen、Granite 等语言模型以生成 Verilog 代码。实验还探索了 Verilator 生成的 C++ 文件作为额外上下文、INT4 与 BF16 量化技术以及 7B-32B 参数模型间的性能差异。结果表明，开源方法在硬件设计任务上能达到甚至超越专有方案，为可访问的研究和商业应用奠定了新基础。

论文硬件设计 Verilog 数据集

推荐理由：硬件设计领域终于有了大规模开源数据集，做芯片验证或 RTL 生成的团队可以直接用这 13 万样本微调模型，省去自己爬取和标注的麻烦。建议做 EDA 工具或 AI for Hardware 的开发者点开看看。

5月29日

17:56

17:56

Naval@naval

Naval 与三位嘉宾在播客第二期中讨论了 Vibe Coding 在硬件领域的应用，包括涡轮叶片的设计。他们指出开源 AI 加剧了中国的竞争优势，并强调始终需要最智能的模型。软件仍需硬件支持，人类正逐渐成为验证者而非创造者。

行业 Vibe Coding 开源 AI 硬件设计

推荐理由：硬件开发者与 AI 从业者值得一听——Vibe Coding 正在改变硬件设计流程，开源 AI 的竞争格局也直接影响技术选型。

5月13日

21:36

21:36

官方账号Evan Morikawa@E0M

一项观察指出，机器学习模型的规模扩展能够显著降低对大量昂贵且脆弱的力传感器的依赖。这意味着通过增加模型容量和训练数据，机器人或物理系统可以在更少的硬件传感器支持下实现精确控制。这一发现可能改变机器人硬件设计思路，降低系统成本并提高鲁棒性。对于从事机器人、自动化或物理AI的研究者和工程师来说，这是一个值得关注的趋势。

论文机器学习扩展性力传感器

推荐理由：做机器人或物理AI的团队可以重新思考传感器策略——用模型扩展替代部分硬件，降低成本和脆弱性，值得关注。