在芯片设计领域，一场由AI驱动的变革正在悄然兴起。德州大学奥斯汀分校教授潘志刚（David Z. Pan）凭借近30年的研究积累，将目光投向了芯片设计与制造协同优化的难题。2026年，他宣布担任初创公司DeepWeave的联合创始人兼首席技术官，试图通过AI技术打破传统设计流程的局限。
潘志刚的学术背景为这次创业奠定了坚实基础。他本科毕业于北京大学物理系，后在美国加州大学洛杉矶分校获得计算机科学博士学位。2000年至2003年，他在IBM T. J. Watson研究中心工作，随后进入德州大学奥斯汀分校任教，现任Silicon Labs讲席教授。其研究领域涵盖芯片物理设计、可制造性设计以及AI与集成电路的协同优化，已发表超过500篇论文，并当选ACM、IEEE和SPIE三大国际学术组织的会士。
DeepWeave的核心产品Loom是一款面向芯片后端设计的AI平台，旨在同时优化功耗、性能、面积和良率四大关键指标。与传统工具不同，Loom试图将设计规则与制造约束纳入同一优化框架，而非分阶段处理。公司宣称，该平台可无缝接入现有设计流程，无需更换工艺设计套件（PDK）或中断签核体系，适用于先进及成熟制程节点。
这一产品定位直击行业痛点。随着摩尔定律放缓，芯片设计需要从每个环节挖掘潜力，但现有工具往往局限于单一优化目标。DeepWeave选择从后端设计切入，试图通过AI实现跨环节协同。2026年7月，公司宣布与晶圆代工厂GlobalFoundries展开合作，在多个工艺节点上评估Loom的实际效果。GlobalFoundries可扩展解决方案高级总监Haritez Narisetty表示，双方正在探索新技术能否帮助设计者从现有工艺中获取更多价值。
潘志刚的创业团队汇聚了学术与产业界的精英。联合创始人Unni Narayanan拥有伊利诺伊大学厄巴纳—香槟分校计算机科学博士学位，曾在英特尔开发功耗估算工具，后参与创办3家公司，其中Mind Pirate于2014年被惠普收购。加入Google后，他负责过移动搜索和Google Assistant等产品的工程团队。两位创始人的背景形成互补：潘志刚提供EDA领域的技术积累与行业资源，Narayanan则带来大规模软件产品的开发经验与创业经验。
资本市场的反应印证了市场对这一方向的期待。2026年3月，DeepWeave完成种子前融资，由Root Ventures领投，SciFi Ventures、10One10等机构参与。美国证券监管文件显示，公司计划出售约640万美元股权，截至申报时已售出约621万美元，涉及19名投资人。其顾问团队同样星光熠熠，包括UCLA教授、EDA创业者丛京生，以及Magma Design Automation联合创始人Rajeev Madhavan——该公司后被Synopsys收购。
然而，DeepWeave面临的竞争不容小觑。芯片设计软件巨头早已布局AI领域：Synopsys的DSO.ai自2020年推出以来，已用于逻辑和物理设计优化；Cadence的Cerebrus覆盖从RTL到GDS的全流程，声称已被超过1000个生产设计采用；Google DeepMind的AlphaChip则将布局问题转化为强化学习任务，应用于TPU和Axion CPU等芯片。
DeepWeave的差异化策略在于扩大优化范围。公司认为，现有工具多以单一环节或既有流程为中心，而Loom试图将后端设计与制造约束联合考虑。但这一主张仍需验证：公司尚未公开核心算法、训练数据或独立测试结果，早期客户获得的具体改善幅度也未披露。GlobalFoundries的合作提供了第一块试金石，但双方未公布测试细节或商业合同，大规模采用仍需时间。
芯片设计的特殊性放大了新工具的挑战。与互联网软件不同，芯片设计失误可能导致数月时间与数千万美元成本的损失。工程师对关键设计数据和签核流程的谨慎态度，意味着Loom必须在不同芯片、工艺节点和EDA环境中重复证明其价值，同时控制额外的计算成本。DeepWeave承诺不改变现有工具链和签核方式，但这一“低存在感”要求与其突破传统流程局限的目标形成微妙矛盾。
潘志刚的学术生涯与EDA人才网络为DeepWeave提供了独特优势。他培养的50余名博士及博士后中，多人已成为学术界或产业界的中坚力量：香港中文大学教授余备入选DAC“Under-40 Innovator”，复旦大学朱可人于2025年入选《麻省理工科技评论》“35岁以下科技创新35人”亚太区名单，另有学生进入meta、Google X、英伟达等公司。这一人才谱系不仅为DeepWeave提供了技术储备，也可能成为其未来拓展生态的重要资源。
从学术研究到商业落地，潘志刚的探索正面临关键转折。论文中的准确率与收敛速度，终将接受客户使用意愿、优化结果可复现性以及芯片流片成功率等严苛指标的检验。在这场AI与芯片设计的深度融合中，DeepWeave的每一步进展，都可能为行业协同优化提供新的答案。
