北京发布AI4Chip行动计划，AI介入芯片设计制造全链
Nashnova编辑部
北京亦庄发布中国首个AI4Chip专项政策，计划三年内将AI系统性嵌入芯片设计、制造、封装、设备及材料六大环节——核心逻辑不是造AI芯片，而是用AI来造芯片。
"用AI造芯片"和"AI芯片"到底有什么不同？
通常说的"AI芯片"指GPU、ASIC等运行AI任务的处理器——是芯片服务AI。
AI4Chip的方向正好反过来：让AI参与芯片的设计和制造流程，用机器学习缩短开发周期、减少物理试错、提升良率。
这意味着→ AI在这里不是产品，而是生产工具；北京押注的是"造芯片的方法"本身的升级。
AI怎样改变芯片设计流程？
计划要求把AI深度整合进EDA（电子设计自动化，芯片工程师画电路图、做验证用的核心软件），覆盖布线、时序优化、功耗分析、物理版图等环节。
AI智能体将直接对接EDA工具和设计知识库，协助工程师调试代码、诊断故障、优化设计决策——从辅助工具向直接参与工程流程演进。
优先产品方向包括：通用GPU、AI训练与推理ASIC、RISC-V AI处理器、高端CPU、存储芯片及FPGA；支撑技术涵盖硅光子、共封装光学、光学I/O等高速互联领域。
晶圆厂和封装线上，AI能做什么？
制造端要求建设数字孪生（用虚拟模型实时镜像真实产线）示范产线，AI用于调整工艺参数、预测设备故障、追踪全流程良率。
计划同时覆盖DTCO（设计-工艺协同优化）、STCO（系统-工艺协同优化）及AI辅助光学邻近效应校正（AI OPC），将AI延伸至光刻相关流程。
先进封装方面，AI将应用于2.5D和3D封装、测试及制造执行，并推广AI赋能的半导体计算机集成制造系统。
设备和材料环节为什么也要用AI？
计划把AI应用范围进一步延伸至半导体设备、零部件与材料，利用数字孪生与边缘AI缩短设备验证与材料开发周期，提升材料纯度和工艺稳定性。
计划明确将"安全、自主、可控"列为指导原则，并提出用AI监测全球供应商动态及地缘政治风险，为供应链增加情报预警层。
这意味着→ 设备和材料环节引入AI，不仅是效率诉求，也是供应链安全诉求——用技术手段应对断供风险。
2028年要达成什么目标？
计划设定的目标：到2028年建立AI与半导体融合发展体系，培育三至五家具有国际竞争力的AI4Chip生态企业，形成十个以上可复制推广的应用场景。
用大白话说＝ 北京不只是发文件，而是要在三年内看到能落地复制的企业和场景，这是一份带KPI的产业政策。
最大的瓶颈在哪里？
AI系统需要大量高质量数据集，但晶圆工艺参数、设备故障记录、缺陷数据和良率信息属于半导体企业最敏感的商业资产。
跨企业共享将带来明显的知识产权与保密风险；计划为此纳入了数据清洗、脱敏与共享机制，但执行细节尚未明确。
这意味着→ 企业是否愿意贡献足够详细的制造数据，将直接决定AI4Chip能否突破单一企业边界实现规模化落地——数据共享意愿是整个计划的硬约束。
市场有风险，内容仅供研究参考，不构成投资建议。