Google 正式定名 AlphaChip 并开源权重：数小时完成芯片布局，已用于三代 TPU

AlphaChip 是 Google 开源的强化学习芯片布局工具。这次 Google 正式给它定名，并在 Nature 上发布补充说明，同时公开了预训练模型权重。它的核心作用，是把芯片工程师原本要耗费数周甚至数月的电路模块布局（Floorplanning）工作，压缩到几个小时内跑出超越人类水平的方案。

在芯片设计流程中，底层的平面规划极其繁琐。成千上万个电路模块和极细的连线需要层层堆叠，同时还要兼顾功耗、散热、延迟和芯片面积。六十多年来，半导体行业一直很难把这一步彻底自动化。

AlphaChip 做的事，就是自动在空白画布上给这些宏单元排定座次。它不仅速度快，跑出来的布局在很多指标上比资深工程师手工调优还要好。

怎么把布局当成下棋

AlphaChip 的核心思路承袭自 AlphaGo 和 AlphaZero，直接把芯片布局当成一盘棋来下。

算法从一张空白网格开始，每次往画布上放置一个电路元件。当所有组件全部摆放完毕后，系统会根据走线长度、拥挤度和功耗等综合质量给出奖励评分。

为了让模型看懂电路，Google 配备了一种基于边的图神经网络（edge-based GNN）。这个网络能理解芯片内部元件之间错综复杂的连接关系，并且具备跨芯片的泛化能力。

这意味着它不用每次从零开始摸索。只要在上一代芯片的网络模块、内存控制器和数据缓冲区上完成预训练，换到全新芯片架构时就能直接套用经验，而且越用越聪明。

已经落地的实战战绩

这套工具并不是停留在实验室里的概念演示，它已经在多个顶级芯片项目中落地。

在 Google 内部，它参与设计了过去三代 TPU 的芯片布局，其中包括最新发布的第 6 代 Trillium TPU，帮助运行 Gemini、Imagen 和 Veo 等主力模型。Google 首款基于 Arm 架构的数据中心 CPU Axion，核心模块同样由它布局。

在 Google 之外，芯片设计大厂联发科（MediaTek）也引入了 AlphaChip 的技术路线，用来优化自家先进制程芯片的功耗、性能和面积。

开放程度与使用方式

Google 这一次正式放出了预训练检查点（checkpoint）和模型权重。配合此前已经开源的代码，芯片研究人员和工程师可以直接在 GitHub 仓库中获取权重和代码，不用自己烧海量算力去从头训练一个强化学习智能体。

不过对于使用者来说，想要把它接入实际生产流程，依然需要配合现有的开源或商业 EDA 工具链，来完成设计规则检查与物理验证。

为什么重要

对半导体工程师和 EDA 研究团队来说，这套权重的开放意义很大。此前用强化学习优化硬件设计，最大的门槛就是冷启动成本过高，很少有团队能烧得起算力去从零训练基础模型。现在有了预训练权重，团队可以直接在已有经验上做微调，甚至迁移到逻辑综合、宏单元选择等其他芯片设计阶段。

从行业来看，AlphaChip 跑通了一个标志性的技术闭环：最先进的 AI 依赖先进制程芯片提供算力，而 AI 反过来在数小时内帮人类造出更强的芯片。当芯片设计周期的底层瓶颈被算法打碎，硬件迭代的步伐会被大幅加快。