芯片研发大概率是专家系统打底，大模型在旁边做辅助

很多人觉得专家系统是上个世纪的东西，早就被AI淘汰了。

这个判断，对了一半，错了一半。

大型专家系统确实垮了。1980年代，MYCIN这类医疗诊断系统风光无限，规则库动辄几千条，维护成本高得离谱。加一个新病种，可能要改动上百条规则，还不知道改哪里会触发连锁错误。规则爆炸，是压垮它们的真实原因。

但"专家系统的思想"从来没消失。

芯片验证流程里有一个东西叫 lint 规则检查，比如 Spyglass 或者 nLint。

跑一遍，工具会问你：

[WARNING] 时钟域交叉未同步，是否存在亚稳态风险？

这就是专家系统。背后是一套人工整理的规则库，每一条规则对应一类已知问题。工具沿着规则树往下走，匹配你的设计，给出结论。

跟当年那个问"你哪里痛"的医疗诊断系统，结构上完全一样。

为什么这类系统在芯片领域没死

原因很直接：芯片设计里有大量"规则明确、边界清晰"的问题。

建立规则的成本不高，因为本来就有规范文档或者工艺要求。逻辑是确定的，不需要猜。错误的代价极高，一个tape-out失败就是几百万。

这种场景，AI其实插不上手。你不可能用一个黑盒神经网络去判断时序约束是否满足，然后告诉老板"模型说应该没问题"。

准确性要求越高的地方，规则系统越不会被替代。

但它确实有天花板

专家系统最怕的是"规则之间的交互"。

单条规则很好写，但规则一多，组合爆炸就来了。两条规则各自正确，放在一起可能产生矛盾。

人类专家自己也没办法同时管理几千条规则之间的关系。

这就是为什么现在的趋势是混合架构：规则系统处理有明确答案的部分，神经网络处理模糊感知的部分。

EDA工具里已经有这种苗头了。布局布线的初始解用规则约束，后续优化用机器学习模型来打分迭代。两套系统各司其职。

专家系统的价值从来都在于"把专家的知识结构化"这件事本身。

芯片研发就是这样一个领域。未来真正好用的芯片AI工具，大概率还是专家系统打底，大模型在旁边做辅助——而不是反过来。

这个结构，值得想清楚再动手。