2026 年 2 月， 潘志剛（David Z. Pan）向 DeepTech 透露 ，他正在將一套 AI 電路推理方法擴展到版圖設計，但“細節暫不便公開”。5 個月後，這位德州大學奧斯汀分校教授宣佈擔任 DeepWeave 聯合創始人兼 CTO。監管文件顯示，DeepWeave 已出售約 621 萬美元股權；公司在 6 月發佈首款產品 Loom，7 月又宣佈與晶圓代工廠 GlobalFoundries 展開評估合作。一個延續近 30 年的研究問題，開始接受商業市場的檢驗。
今年 2 月，潘志剛團隊與英偉達、喬治·華盛頓大學的研究人員發佈了 HeaRT，一套用於模擬及混合信號電路設計的 AI 推理框架。當時， 他向 DeepTech 描述了一個仍在推進的方向：“將 HeaRT 的層次化電路推理能力擴展到版圖設計領域。”更長期的目標，則是構建一個從規格到可流片 GDSII 的端到端模擬及混合信號設計系統。
圖丨相關貼文（來源：Linkedin）
這段話如今讀來，像是潘志剛創業方向的一次提前顯影。不過，HeaRT 與 DeepWeave 的首款產品 Loom 面向不同環節，目前也沒有公開證據顯示 Loom 直接採用了 HeaRT。 二者更明確的聯繫，是一套逐漸成形的研究思路：讓 AI 理解電路和芯片設計的層次與約束，在修改局部時儘量保留已經驗證過的結構和設計意圖，而不只是替工程師更快地完成一個孤立任務。
這條思路正與潘志剛過去 30 年的研究經歷相連。潘志剛本科畢業於北京大學物理系，隨後在加州大學洛杉磯分校取得計算機科學博士學位。2000 年至 2003 年，他在 IBM T. J. Watson 研究中心工作，此後進 入 德州 大學 奧斯汀分校任教，目前是該校 Silicon Labs 講席教授。
他的長期研究方向包括芯片物理設計、可製造性設計、AI 與集成電路協同優化。其個人履歷顯示，他曾在 2021 年至 2024 年兼職擔任 Google X 顧問及傑出工程師，已經發表超過 500 篇論文，並當選 ACM、IEEE 和 SPIE Fellow。
三十年的研究與教學經歷，也讓潘志剛在華人 EDA 學術圈形成了一條頗有影響力的人才譜系。他已經培養了超過 50 名博士及博士後，其中，餘備現爲香港中文大學教授、工程學院助理院長，併入選 DAC “Under-40 Innovator”；林亦波和李萌任教於北京大學；朱可人回國加入復旦大學，並於 2025 年入選《麻省理工科技評論》“35 歲以下科技創新 35 人”亞太區名單。另一些學生則進入 Meta、Google X、英偉達和 Oracle 等公司，繼續從事 AI、芯片設計和 EDA 研究。
在此次創業宣言中，潘志剛將自己長期面對的問題概括爲：芯片設計和製造爲什麼沒有更好地協同優化？
過去數十年，半導體行業試圖通過“可製造性設計”和“製造感知設計”彌合兩者的距離。潘志剛認爲，最終形成的是長達約 2,000 頁的設計規則，以及一套核心結構並未發生根本變化的物理設計流程。製造約束被寫進規則手冊，設計和製造仍然分處流程兩端。
這種分工在摩爾定律高速推進時尚能運轉。晶體管縮小會自然帶來性能、功耗和麪積收益，設計工具的主要任務是保證芯片按時完成佈局、佈線與籤核。當製程微縮帶來的收益下降，每一代芯片需要從設計環節擠出更多空間，規則數量與需要同時權衡的變量也隨之增長。
DeepWeave 選擇在這裏切入。公司將 Loom 定義爲一套面向芯片後端設計的 AI 平臺，同時優化功耗、性能、面積和良率。 按照 DeepWeave 的說法，Loom 可以接入芯片團隊已有的超大規模集成電路設計流程，無需更換工藝設計套件（PDK），也不打斷原有籤核體系，並可用於先進及成熟製程節點。
這是一個充分考慮產業現實的產品定位。芯片公司很少願意爲一套初創公司的軟件更換核心工具鏈。設計數據、工藝模型和籤核標準高度敏感，任何新增工具都要證明，它帶來的收益大於遷移成本和流片風險。
與潘志剛共同創辦 DeepWeave 的，是公司 CEO Unni Narayanan。Narayanan 於 1998 年獲得伊利諾伊大學厄巴納—香檳分校計算機科學博士學位，導師是 EDA 學者劉炯朗。他早年進入英特爾，參與開發該公司首套原理圖級功耗估算工具 ASPEN，後來先後參與創辦 3 家公司。其中，物聯網和可穿戴設備平臺 Mind Pirate 於 2014 年被惠普收購。
此後，Narayanan 加入 Google，曾負責 Google 移動搜索應用的產品和工程團隊，以及面向音箱、顯示器、電視和家庭自動化設備的 Google Assistant 工程團隊。
兩位創始人的經歷形成互補：潘志剛提供長期積累的 EDA 研究、人才網絡和半導體行業經驗，Narayanan 則帶來大規模軟件產品與連續創業經歷。
DeepWeave 在 3 月宣佈獲得種子前投資，由 Root Ventures 領投，SciFi Ventures、10One10、A&E Investments、Homebrew 和 Growth Enjin Partners 等機構參與。美國證券監管備案數據顯示，公司計劃出售約 640 萬美元股權，截至申報時已經出售約 621 萬美元，共涉及 19 名投資人。
公司的顧問名單也帶有濃厚的 EDA 色彩，包括 UCLA 教授、EDA 創業者叢京生，以及曾聯合創辦 Magma Design Automation 的 Rajeev Madhavan。Magma 曾是全球主要 EDA 公司之一，後被 Synopsys 收購。
但 DeepWeave 面對的競爭不會輕鬆。AI 進入芯片設計已有多年曆史，芯片設計軟件巨頭也早已把它用於功耗、性能和麪積優化。
Synopsys 在 2020 年推出 DSO.ai，使用強化學習搜索芯片設計空間，同時優化邏輯和物理設計。Cadence 於 2021 年推出 Cerebrus，當前產品已經覆蓋從 RTL 到 GDS 的全流程優化；Cadence 稱，Cerebrus 已被用於超過 1,000 個生產設計。
Google DeepMind 的 AlphaChip 則將芯片宏單元佈局轉化爲強化學習問題。Google 稱，這套方法已經用於最近 3 代 TPU，並被擴展到 Axion CPU 等芯片。
“AI 設計芯片”因而不足以構成 DeepWeave 的差異。公司需要回答的是，AI 在設計流程的哪個位置發揮作用，又能否得到現有工具無法達到的芯片結果。
DeepWeave 給出的答案是擴大優化範圍。 公司認爲，現有 AI EDA 工具仍然以單一環節或既有設計流程爲中心，更多是在搜索工具參數和設計配方。 Loom 試圖把後端設計與製造約束放進同一個問題，聯合考慮功耗、性能、面積與良率。
這仍是一項等待驗證的產品主張。DeepWeave 尚未公開 Loom 的核心算法、訓練數據和獨立測試結果，也沒有披露早期客戶獲得的具體改善幅度。外界目前難以判斷，所謂“整體推理”與已有設計空間優化產品存在多大技術差異。
GlobalFoundries 提供了第一塊接近真實生產環境的試金石。7 月 14 日，DeepWeave 宣佈與 GlobalFoundries 合作，在多個工藝節點和設計類型上評估 Loom。GlobalFoundries 可擴展解決方案高級總監 Haritez Narisetty 表示，雙方正在評估新的優化技術能否幫助設計者從現有工藝平臺中獲得更多價值，同時保留已經驗證的工作流程。
“評估”仍不同於大規模採用。雙方沒有公佈合作涉及的客戶、芯片項目、測試結果以及商業合同。對一家剛剛走出隱身狀態的公司而言，能夠進入晶圓廠的技術與設計使能流程已經是一張難得的入場券；能否由此產生穩定、可重複的流片結果，則是另一道門檻。
EDA 軟件最終必須對物理世界負責。 一段互聯網軟件代碼出現問題，可以繼續更新版本；一顆芯片設計失誤，可能意味着數月時間和數千萬美元成本。 工程師不會僅憑一次演示，把關鍵設計數據和籤核流程交給一套新工具。
Loom 需要在不同芯片、不同工藝節點和不同 EDA 環境中重複獲得收益，還要控制額外的計算成本。它同時面對一個產品上的矛盾：DeepWeave 希望突破傳統流程分階段優化的侷限，又承諾不改變客戶現有的工具鏈和籤核方式。前者要求進入設計流程深處，後者要求儘量降低存在感。
潘志剛研究了近 30 年的“設計與製造協同”，如今有了資本、產品和晶圓廠合作方。學術論文裏的準確率與收斂速度，也將被換成更嚴苛的商業指標：客戶是否願意使用、優化結果能否復現、芯片能否按計劃流片。
參考資料：
1.https://www.deepweave.ai/#story
2.https://www.linkedin.com/posts/davidzpan_semiconductors-eda-chipdesign-activity-7486134102480347137-dyTZ
運營/排版：何晨龍
注：封面/首圖由 AI 輔助生成