训练数据不够？直接让AI学电路，绕过RTL这一层

芯片AI领域有一个绕不开的困境：公开的Verilog代码太少了。

软件领域的AI能做到今天这个水平，很大程度上靠的是GitHub上海量的开源代码。但芯片不一样——大量优质的RTL设计藏在公司内网里，根本不会公开。开源的那些，质量参差不齐，覆盖的场景也有限。

数据瓶颈卡在这里，直接影响了AI在RTL生成上能走多远。

所以有人开始想：既然RTL数据不够，能不能换个角度，直接从电路层面训练？

反向的思路是怎么来的

正向路径大家都熟悉：功能描述 → RTL代码 → 网表 → 版图。

有人提出，既然综合工具已经在做"RTL到网表"的映射，这个映射过程本身就包含大量结构化的知识。那能不能把这一段知识直接让AI学走，跳过RTL，建立功能意图到电路结构的直接映射？

# 传统路径： spec → [工程师写RTL] → verilog → [综合工具] → netlist # 反向电路训练的设想： 大量已有netlist → [学习电路结构模式] → 模型 spec → [模型直接生成] → 电路结构

网表本身就是一张图，节点是逻辑门，边是连线。图神经网络处理这种结构天然有优势，学术界已经有一些工作在往这个方向走了。

往下想，问题开始变多

表达空间的问题先不说，光是"同一个功能有几十种门级实现"这一条，就够让人头疼很久。

更绕的是验证。生成RTL之后，仿真、形式验证这条链还算完整。但直接生成电路结构，怎么快速判断它的功能对不对？验证链路得重新搭，这个成本放在工程实践里不小。

还有时序。电路不只是逻辑正确就够了，还得在目标工艺下时序收敛。这个约束在RTL层是隐含处理的，到了电路层就得显式面对，模型怎么感知这件事，目前还没有特别清晰的答案。

这三个问题叠在一起，方向的可行性就开始变得模糊了。

但问题本身很有意思

如果不急着找答案，只是顺着这个思路往下想——

电路逆向这件事，学术界已经做了不少。给定一个网表，推断它实现的是什么功能。这和"给定功能生成电路"其实是同一个问题的两面。研究逆向的方法论，能不能反过来用？

再往外扩一点，EDA工具里的技术映射、工艺映射，这些环节本来就有很强的模式性——标准单元库就那么多，常用的电路结构就那么几类，规律是存在的。AI在这里能学到什么，还是个开放的问题。

甚至可以想得更野一点：如果AI能直接在流片验证过的数据上训练，跳过所有中间表示，直接从"功能"到"可流片的东西"，这条路在物理上有没有可能？

没人知道答案，但这个问题本身值得放在那里。

数据从哪里来，也是个开放的问题

反向电路训练的前提是有足够多的电路数据。

网表数据比RTL更难获取，这是现实。但也有另一种可能：用综合工具批量生成。

从已有的RTL出发，跑综合，得到大量网表，再用这些网表做训练数据。这个路径在技术上是通的，问题是生成出来的数据质量够不够、多样性够不够、能不能覆盖真实设计里的复杂场景。

还有人在想另一个方向：直接从芯片的物理版图反推。版图信息在某些渠道是可以获取的，从版图到电路结构，这条逆向路径本来是芯片安全领域研究的课题，但用来做训练数据，思路上没有硬伤。

这些想法都还在"有没有可能"的阶段，没有一个已经形成完整的工程方案。

这件事打开了一些更大的问题

如果AI能在电路层面工作，EDA工具本身会变成什么？

综合、布局布线、时序优化，这些流程现在还是规则驱动为主，AI能渗透进去多深？是辅助调参，还是有一天能重写整个优化逻辑？

工艺迭代这么快，每换一个节点，EDA工具都要重新适配大量规则。如果AI能从数据里学到工艺的特性，这个适配过程能不能变得更自动化？

这些问题现在都没有答案，甚至还没到能严肃讨论的阶段。但它们确实是从"反向电路训练"这个思路自然延伸出来的，值得放在脑子里留着。

技术的走向，有时候就是从一个看起来不靠谱的问题开始的。