用大模型梳理芯片供应链——RISC-V 生态里的 LLM + VLM 探索

芯片供应链是一个巨大、分散、数据格式五花八门的网络。一份 IP 核的技术文档可能长这样：一份 PDF 里混着文字描述、寄存器表、时序图、扫描件的印章。另一份又可能是完全不同的格式。想理清一个 RISC-V 处理器从指令集授权到物理实现的完整供应链，要靠人去读成百上千份格式各异的文档。

Petrovic、Schamschurko、Xu 和 Knoll 的工作流把这个问题交给了 LLM 和 VLM。语言模型处理文字部分——数据手册里的功能描述、时序参数、依赖声明。视觉模型处理图片部分——框图里的模块连线、表格里的配置项、扫描 PDF 里的签名戳。两类模型的输出被对齐到一个统一的实体关系图中，形成知识图谱。

在这张图谱之上，模型驱动工程方法做形式化验证——检查依赖关系是否完整、检测潜在的瓶颈、评估单点故障风险。如果某个 IP 核的授权依赖了一个特定的 RISC-V 扩展，而图谱中人找不到对应的供应商，MDE 的形式化约束检查就会把这个缺口标记出来。人类专家可以随时介入查询和验证，确保模型不会在黑箱里做出离谱的判断。

整个流程的核心不是让 AI 代替人类做供应链决策，而是让 AI 把散落在海量异构文档中的信息整理成结构化的、可查询的、可验证的知识表示，再交给人类做判断。

不清楚的地方：论文没有提供量化的评估指标——在真实的 RISC-V 供应链场景中，这个工作流能提取出多少比例的实体和关系？和纯人工方法相比，时间节省了多少？错误率又如何？知识图谱的规模上限也没有说明。

参考文献

1. Petrovic, N., Schamschurko, A., Xu, Y., & Knoll, A. (2026). GenAI-Driven Approach to RISC-V Supply Chain Exploration. arXiv:2605.15223 [cs.AR].

2. RISC-V International. (2024). RISC-V Specification v2.0.

3. Whang, S. E., et al. (2023). Data Management for Large Language Models: A Survey. ACM Computing Surveys.