当硅谷工程师们还在抱怨"AI Agent烧掉数百万token却干不好活"的时候，一家法国AI创业公司Verkor.io却宣称：AI Agent用"数千亿token"在12小时内设计出了一颗完整的RISC-V CPU。这究竟是AI硬件设计的重大突破，还是证明了那句"AI Agent是成本吞噬者"的又一力证？
事件回顾
12小时，一颗CPU，一个AI Agent
根据Tom's Hardware的报道，4月23日，法国AI芯片设计创业公司Verkor.io在一篇发表于3月的研究论文中声称，其AI Agent系统"Design Conductor"从一份仅219个单词的需求文档出发，在12小时内自主完成了一颗完整RISC-V CPU核心的设计——包括验证、布局准备（layout-ready）。
这个速度有多夸张？传统商业芯片设计周期通常是18-36个月。也就是说，AI Agent把芯片设计的工期压缩到了原来的1/1000以下。
这颗CPU被命名为"VerCore"，目前仅在仿真环境中验证（使用Spike RISC-V ISA模拟器），尚未进行物理流片。使用的工艺是学术用的ASAP7工艺包（7nm），而非量产工艺。
"数千亿token"背后：烧钱机器的另一面
值得注意的是，Verkor在论文中坦承，这次设计消耗了"数千亿token（many tens of billions of tokens）"。
这个数字恰好印证了前文提到的硅谷工程师吐槽：Meibel CEO Kevin McGrath在最近的AI峰会上直言不讳——
"把所有的token和钱都给一个AI Claw bot，它会浪费数百万、数百万的token。"
Verkor的案例完美展示了这种取舍：用海量计算资源换取时间的大幅压缩。对于商业芯片设计来说，12小时 vs 18-36个月，这个交换是否值得？
为什么重要
对芯片行业：设计民主化的曙光
如果Verkor的技术路线被验证可行，芯片设计将从"精英游戏"变成"人人可为"的事：
- 创业公司：以前需要几百万美元和专业团队才能做芯片，现在可能几个人+AI Agent就能完成初步设计
- 学术研究：研究周期大幅缩短，学术界可以更快速地验证新架构想法
- 定制芯片：未来每个硬件公司都可能有自己的专用芯片，AI Agent让这变得经济可行
对AI Agent行业：一个里程碑式的demo
Verkor的案例对AI Agent行业有巨大的营销价值：
- 证明了AI Agent可以完成"复杂系统工程"级别的任务
- 展示了"prompt→成品"的端到端可能性
- 给了投资人一个漂亮的demo
但论文也坦白了局限性：
| 维度 | 现状 | 离商用还有多远 |
|---|---|---|
| 功能正确性 | ✅ 通过仿真验证 | 需实际流片验证 |
| 性能优化 | ❌ 时序问题难以定位 | 需5-10名人类专家指导 |
| 成本 | ❌ "数千亿token"消耗 | 随设计复杂度非线性增长 |
| 工艺 | ❌ 仅学术工艺包 | 量产工艺尚不可用 |
对整个AI行业的警示
这正是有趣的地方：Verkor的案例同时支撑了两种截然相反的叙事：
叙事A（AI Agent支持者）：看，AI Agent能做到多复杂的事！它用12小时完成了人类团队几个月的工作！
叙事B（AI Agent质疑者）：看，它消耗了"数千亿token"才做到这一点。McGrath说得对，不是所有事都需要用LLM处理。
这恰恰印证了Synchtron CEO Ravi Bulusu在硅谷峰会上的判断：
"没有任何一个维度是单独解决的，各维度之间的相互依赖才是真正的难题——实际上，这很混乱。"
我们能学到什么
1. AI Agent做硬件设计：能力边界在哪里
从Verkor的论文来看，当前AI Agent做芯片设计的能力边界是：
能做：
- 从简单规格文档生成功能正确的RTL代码
- 处理需要多轮迭代的标准流程任务
- 在单一技术领域内完成端到端设计
做不好：
- 性能优化和时序收敛（需要人类专家介入）
- 处理复杂依赖和意外失败（会"钻牛角尖"）
- 超出训练分布的新问题（如把Verilog当顺序代码处理）
2. Token消耗的现实问题
"数千亿token"是什么概念？
以GPT-4o的定价（约$2.5/1M输出token）计算，数千亿token的消耗可能意味着：
- 单次设计消耗可能价值数万美元到数十万美元不等
- 随设计复杂度增加，token消耗非线性增长
- 对于商业芯片设计，必须权衡：时间节省 vs 计算成本
这和硅谷工程师们的抱怨完全吻合：AI Agent在大规模复杂任务中的成本，可能远超预期。
3. 硬件设计AI Agent的机会与陷阱
机会：
- 芯片设计是高度标准化的流程，适合AI Agent发挥
- EDA工具链完善，有大量结构化数据
- 仿真验证可以低成本进行，降低失败风险
陷阱：
- "仿真通过 ≠ 能实际制造"（工艺迁移问题）
- 人才门槛高（需要同时懂芯片设计和AI的跨学科人才）
- 成本可能比预期高得多
行动建议
对于芯片行业从业者
- 密切关注Verkor的进展：他们计划4月底开源VerCore的RTL源码和构建脚本，这是值得关注的一手资源
- 把AI Agent定位为"助手"而非"替代者"：论文明确指出仍需5-10名人类专家指导，别指望AI Agent完全自主
- 从小模块开始试验：不要一开始就尝试完整CPU设计，从简单的外围电路或标准单元库开始
对于AI Agent开发者
- Verkor的Design Conductor是很好的案例研究：理解它的prompt工程和工作流设计，可能有借鉴价值
- 关注6月的DAC大会（电子设计自动化会议）：Verkor将展示FPGA实现，这是验证技术可行性的关键节点
- 思考：你的工具在哪个复杂度区间有优势？ Verkor案例表明，AI Agent适合"复杂但边界清晰"的任务
对于创业者和投资人
- 警惕"AI Agent做一切"的过度承诺：Verkor的demo很漂亮，但论文坦白的局限性也很诚实
- 关注"AI+硬件"交叉领域：这个方向目前竞争相对较少，有差异化机会
- 衡量真实ROI：时间节省是否值得token消耗？需要具体问题具体分析
总结
Verkor的12小时CPU设计是一个让人既兴奋又清醒的案例。
兴奋的是：它展示了AI Agent在复杂系统工程中的潜力，芯片设计的游戏规则可能真的在改变。
清醒的是：数千亿token的消耗、仅限学术工艺的实现、以及仍需人类专家指导的现实，都在提醒我们——距离真正的"AI设计一切"还有很长的路要走。
用McGrath的话说：不是所有事情都需要用LLM处理。在追逐AI Agent的浪潮中，保持清醒的判断力，或许才是最重要的能力。
参考资料：
- Verkor.io研究论文（2026年3月）
- Tom's Hardware报道
- 本文提及的"硅谷AI Agent峰会"内容引自公开报道