无防护构建AI：半导体生态直面标准分裂、IP泄露与运行时保障危机
人工智能正以远超监管规则的速度渗透整个 半导体生态 ，IP 盗窃、安全漏洞风险急剧上升，且缺乏有效防范手段。
从嵌入 EDA 流程的基础模型，到影响设计、验证与物理实现的智能体系统，AI 正在重塑芯片开发方式与风险引入路径。尽管业界普遍认同 AI 治理的必要性，但现有举措碎片化、解读不统一、重意图而轻可衡量结果。简单说：当前治理严重不足，传统监管方式已落后，且难以追上创新步伐。
一、AI 治理：缺失的 “护栏”
Dana Neustadter（新思科技）：“AI 治理需要指导原则、法规、政策与框架流程，引导负责任的开发、部署与使用。如同汽车的功能安全与网络安全，AI 系统需要保障数据安全、模型完整性、访问控制与身份认证，以此建立信任、伦理、问责与透明度。”
安全关键行业很可能成为首个可落地、可强制执行的 AI 问责样板，复制汽车、工业控制、航空航天与军工领域的安全标准演进路径。
John Weil（Synaptics）：“半导体行业与生态伙伴几十年里一直协同建立安全标准，从 90 年代军工 / 航空安全，到汽车与工厂自动化催生大量 ISO 规范。但在 AI 领域，我们至今没有这套体系。如果有人说‘我要用 AI 做工业自动化安全产品’，这两个词现在很难放在一起。”
二、定义用例：AI 治理的关键
专家普遍将 AI 分为两类截然不同的用例：
1. 数据管理类
在网络安全领域已相对成熟，例如杀毒软件、安全运营中心（SOC）已大量由 AI 驱动。面对海量数据与关联复杂度，人类分析师已无法处理，AI 负责第一层内容与元数据分析。
但这里存在重大治理问题：
Sylvain Guilley（Secure-IC/Cadence）：“SOC 运营者并不真正拥有数据，只是监控。如果数据包含敏感机密信息，治理必须确保 AI 不会导致信息损坏、泄露或被攻击。依赖 SaaS 等外部服务商时，数据所有者与分析者不一致，风险极高。”
2. 代码 / 硬件生成与验证类
更大的风险来自AI 生成知识产权。
“这里存在灰色地带：输出归谁所有取决于大模型的授权协议、训练数据来源、出口管制规则。我在法国使用国外工具，厂商说我拥有输出结果，但数据可能已流向其他国家，目前没有更强的法律依据。”
三、IP 安全风险空前严峻
基础模型与 AI 智能体在全行业普及，带来远超表面的深层风险。
Alexander Petr（是德科技 EDA）：“IP 安全是我最大担忧。所有人都想极速推进，有意或无意泄露 IP 的风险极高。大家对自家 IP 非常谨慎严格，但对他人 IP 却没有同等严谨性。”
例如，客户要 构建 AI 智能体流程，需要来自晶圆厂的信息，这些信息过去受 NDA 保密协议约束。
“现有 NDA 完全没有说明如何在 AI 化过程中处理晶圆厂 IP。所有晶圆厂都在纠结：PDK 能否输入基础模型？目前没有法律先例，所有讨论最终都卡在 NDA 上，除此之外没人有答案。”
设计公司从晶圆厂获取 PDK / 库文件输入大模型，从 EDA 厂商获取工具受用户授权协议（ULA）约束。但现有 ULA 几乎不涉及 AI，只简单提到反向工程。
“用户把两边信息都喂给大模型以求自动化与智能体能力。他们认为只要本地部署、做好安全就没问题。但我们能指望他们妥善保护 IP 吗？能确保配置不会泄露回基础模型吗？还是迟早会因为不当操作导致我们的信息进入模型？”
芯片架构师必须在鼓励创新与强制安全之间艰难权衡，需要可适配的行业标准与法律框架，确保在日益复杂的芯片设计中负责任地融合 AI。
四、AI 加剧软件开发压力
AI 工具让编码、测试、部署速度大幅提升，但也带来质量、可解释性与安全隐患。开发者可能在不完全理解含义与漏洞的情况下直接使用 AI 生成结果。
Jason Oberg（Arteris）：“在传统软件开发中，大模型生成代码已非常普遍，生成 RTL、Verilog、VHDL、测试平台的情况也在增多，但不如 JS、C 语言普及。芯片设计的测试与验证原本非常严格，因为硬件无法打补丁。但现在出现问题：用 AI 生成设计，再用 AI 生成测试，测试通过就认为没问题，这其中存在巨大隐患。验证团队与设计团队如果只追求快 10 倍交付，会倾向跳过严谨校验。”
五、主要 AI 治理法规 / 标准一览