1438
作者：六千
DeepSeek激起了資本的熱情，點燃了市場的希望?？萍籍a(chǎn)業(yè)，人人都想“沾光”。下游市場來看，各路廠商都在適配DeepSeek模型。有人用它辦公，也有人用它算命。
如此熱情之中，半導體行業(yè)的上游會受到怎樣的影響？DeepSeek的旋風，是否掀起半導體產(chǎn)業(yè)的一場革命呢？
隨著摩爾定律的持續(xù)演進，當下大規(guī)模芯片所集成的晶體管數(shù)量已超過 100 億個。鑒于芯片設計流程與設計本身的高度復雜性，幾乎所有設計團隊均需借助商業(yè) EDA 工具來輔助完成整個芯片設計任務。
芯片的設計與實現(xiàn)涉及一套極為復雜的流程體系。以數(shù)字芯片為例，當設計團隊基于已完成的 Verilog/VHDL 代碼開展后續(xù)工作時，標準設計流程至少涵蓋邏輯綜合（logic synthesis）、布局規(guī)劃（floorplan）、時鐘樹綜合（CTS）、布局布線（placement & routing）等關(guān)鍵步驟。此外，還需開展大量的仿真與驗證工作。在此過程中，工程師需綜合權(quán)衡功耗、頻率、面積等多項設計目標，同時確保制造完成的芯片能夠正確實現(xiàn)各類功能。
自動化是人類發(fā)展的最大驅(qū)動力。在 EDA 行業(yè)領(lǐng)域，AI 技術(shù)的融合已并非新興議題，AI到底能改變什么，一直是EDA產(chǎn)業(yè)探索的命題。
01 是生成式EDA，還是高級搜索？
在芯片設計領(lǐng)域，隨著設計規(guī)模不斷擴大，要在短時間內(nèi)找到最優(yōu)解決方案變得越發(fā)困難。比如當芯片中集成的晶體管數(shù)量增多，電路連接關(guān)系變得錯綜復雜，各種設計參數(shù)相互影響，想要找到一個能同時滿足所有性能指標的完美設計方案，是很大的挑戰(zhàn)，但AI 能夠在相對合理的時間內(nèi)，給出 “足夠好” 的結(jié)果，滿足實際應用的需求。
在芯片設計的預測類工作中，ML模型通過對大量歷史數(shù)據(jù)和設計經(jīng)驗的學習，可以在設計的早期階段快速對芯片優(yōu)化后的效果進行預測。舉例來說，在設計一款新的手機芯片時，ML 模型可以根據(jù)給定的設計參數(shù)，如芯片的架構(gòu)、晶體管數(shù)量、功耗限制等，快速預測出芯片在運行特定應用程序時的性能表現(xiàn)，比如運行速度、發(fā)熱情況等?；谶@些預測結(jié)果，芯片設計師可以減少對那些耗時較長的EDA工具的依賴，直接了解 EDA 工具運行后的大致效果。這樣一來，設計師就能及時對設計參數(shù)進行調(diào)整，避免在后續(xù)的設計過程中出現(xiàn)不必要的錯誤和重復工作。簡單來說，ML 模型就像是一個 “智能預測助手”，通過快速預測 EDA 工具的運行結(jié)果，減少了實際運行 EDA 工具的次數(shù)，大大提高了設計效率。
與預測類工作不同，優(yōu)化類工作的要求更高。這里所說的優(yōu)化，涵蓋的范圍比較廣泛，主要是指直接解決一些 EDA 問題。實際上，很多 EDA 問題從本質(zhì)上講，都是在一定條件限制下對芯片進行優(yōu)化。多年來，人們積累了許多傳統(tǒng)的 EDA 算法，這些算法都是解決這些問題的優(yōu)秀啟發(fā)式方法。例如，在芯片布局布線問題中，傳統(tǒng)的 EDA 算法可以根據(jù)芯片的功能需求和性能指標，合理安排各個元器件的位置，并規(guī)劃出最優(yōu)的電路連接線路。而現(xiàn)在，基于機器學習的優(yōu)化方法可以尋找比傳統(tǒng) EDA 算法更優(yōu)或者更快的解決方案。
EDA軟件基于機器學習已經(jīng)有所積累，機器學習是大語言模型的基礎(chǔ)，為生成式AI提供資料庫。但對于EDA來講，距離提出需求直接出芯片設計的距離還有很遠的距離。
當下來看，AI可以驅(qū)動工作流程優(yōu)化和數(shù)據(jù)分析解決方案，以及借助生成 AI 功能協(xié)助工程師創(chuàng)新。但就實際落地來看，許多自詡接入AI大模型的平臺其實提供的只是高級客服服務，并沒有真正地讓AI從0到1的去創(chuàng)造內(nèi)容。同樣的問題也出現(xiàn)在EDA行業(yè)中，雖然許多EDA公司聲稱集合了AI/ML功能，但在使用中更像是高級助手。即將過去需要查閱文檔找到答案的過程，省略為與AI助手的對話。
02 三巨頭都已布局AI
Cadence Design 和瑞薩電子一起合作，打造出了基于AI的解決方案。該方案使用了Cadence的Verisium Platform 和 Xcelium ML App。借助 Xcelium App 中的機器學習技術(shù)，瑞薩電子的驗證團隊能夠生成精簡的回歸結(jié)果。還可以利用現(xiàn)有的隨機化仿真平臺去跑一些邊界用例來幫助瑞薩電子及早發(fā)現(xiàn)錯誤。Verisium AI 驅(qū)動的應用使瑞薩電子的整體調(diào)試效率提高了 6 倍，并縮短了整個驗證周期。
具體來看，Verisium SimAI是一個平臺，它運用機器學習技術(shù)，從模擬器Xcelium運行的回歸測試里構(gòu)建模型。利用這些模型，能夠生成帶有特定目標的全新回歸測試，比如浸泡測試，這樣就能更高效地對整個設計、特定區(qū)域進行測試，提升回歸測試的效率。
這個平臺還具備同類錯誤搜索功能，它會借助那些難以察覺的故障信息，把同類錯誤找出來。通過這項技術(shù)，設計驗證（DV）工程師可以如何運用它來提升工作效率，減少返工。
新思科技推出了名為 Synopsys.ai 的工具，Synopsys.ai 通過對話智能的方式，具備協(xié)作、生成和自主這幾種功能。在大語言模型（LLM）的支持下，它的生成式人工智能功能既可以在本地環(huán)境中使用，也能部署到云環(huán)境里。
對于芯片開發(fā)者而言，這個套件集成了生成式人工智能后，能帶來很多便利。協(xié)作功能讓開發(fā)者們可以更好地合作；生成功能可以用于創(chuàng)建 RTL 設計、驗證以及其他輔助資料；自主功能則允許用自然語言的方式來創(chuàng)建工作流程。
新思表示Synopsys.ai 是全棧式由 AI 驅(qū)動的 EDA 解決方案套件。從系統(tǒng)架構(gòu)到設計和制造的整個流程中，它都能充分發(fā)揮 AI 的強大作用。它能夠快速應對設計中的復雜情況，還能接手一些重復性的工作，像設計優(yōu)化空間探索、驗證覆蓋率和回歸分析，還有測試程序生成等。同時，它有助于優(yōu)化芯片的功耗、性能和面積。如果芯片設計團隊需要把芯片設計從一家代工廠轉(zhuǎn)到另一家代工廠，或者從一個制程節(jié)點遷移到另一個制程節(jié)點，AI 功能可以幫助團隊快速完成這個過程。
另外，Synopsys.ai 率先給出了連續(xù)數(shù)據(jù)集解決方案，能夠加快芯片設計、驗證和大批量制造的進程。這個由 AI 驅(qū)動的數(shù)據(jù)分析解決方案，能讓團隊對在設計、驗證、制造、測試以及應用場景中收集到的大量數(shù)據(jù)進行解鎖、連接和分析。它獨特的芯片監(jiān)控技術(shù)可以對芯片的功耗、性能、質(zhì)量、良率和吞吐量進行優(yōu)化。并且，它提供了綜合的可視化功能，開發(fā)者在集成電路（IC）生命周期的任何階段，都能更快地完成根本原因分析。
西門子的EDA解決方案也已經(jīng)發(fā)展數(shù)年。AI技術(shù)在西門子EDA解決方案里，主要應用在三個關(guān)鍵領(lǐng)域：核心技術(shù)、流程優(yōu)化以及提供可擴展的開放平臺。比如設計方面，AI能深入分析，幫助找出問題的根本原因，還能提前預防未來可能出現(xiàn)的潛在問題。在使用AI實現(xiàn)自動化以及驗證AI得出的結(jié)果，這兩方面的能力非常關(guān)鍵。
西門子EDA解決方案中，可驗證引擎是基于準確性、穩(wěn)定性、專業(yè)領(lǐng)域知識以及易用性構(gòu)建的，以此保證在處理數(shù)據(jù)時，AI算法給出的結(jié)果是可預測、可重復且有實際價值的。不過西門子也表示，有時候驗證沒辦法完全自動化，就需要專業(yè)人士介入，對AI給出的結(jié)果進行評估，確保其準確無誤 。2024年末，西門子106億美元收購EDA公司Altair。西門子的在線數(shù)字平臺 Xcelerator 與 Altair 的結(jié)合“將打造全球最完整的人工智能設計和仿真產(chǎn)品組合”。
從這三巨頭的行動可以看出，AI 在 EDA 領(lǐng)域的應用正在不斷深入，那么這又會給芯片設計工程師的工作帶來哪些改變呢？
03 把枯燥的工作丟給AI，讓芯片工程師去創(chuàng)造
在芯片設計中，工程師們要檢查查詢計劃是不是符合規(guī)范，還有查看像數(shù)據(jù)、控制和測試的 IP 連接這類設計和項目文檔，以及 IP 和芯片級規(guī)范里規(guī)定的其他要求，都得自己手動去做。光是清理設計代碼這些步驟，一個工程師或者一個團隊往往要花上好幾個星期的設計時間，還要開幾百次會議，就是為了減少在項目模擬和實施階段出現(xiàn)錯誤的數(shù)量。
上文中EDA三巨頭的AI動作其實很多都是在優(yōu)化設計流程，把重復性的工作簡化、優(yōu)化。
思路打開，借助第三方AI可以匯編一份與問題相關(guān)的所有 EDA 文檔的簡單易懂的摘要，而不必閱讀一頁又一頁的用戶指南來弄清楚如何讓工具執(zhí)行想要的操作。這節(jié)省了工程時間，而且已經(jīng)很有用了。從這一角度來說大語言模型現(xiàn)在已經(jīng)在EDA的流程中幫助工程師了。
基于此我們看到大模型的蓬勃發(fā)展對于使用EDA來說的確有直接影響。
首先，AI可以幫助提升初級工程師能力。人工智能能幫助初級工程師表現(xiàn)得如同更有經(jīng)驗的設計師，初級工程師使用人工智能系統(tǒng)優(yōu)化芯片實現(xiàn)時，系統(tǒng)會自動將高級工程知識融入流程，使其更快獲得更好結(jié)果并積累經(jīng)驗。在年輕人才獨立工作方面，若規(guī)范定義正確，人工智能虛擬助手可以為與它交流的人提供關(guān)于需要詢問內(nèi)容的指導，一定程度上解決年輕人才獨立工作以及專家捕捉需求的問題。
其次，AI可以優(yōu)化工程師分工。人工智能的介入讓初級工程師能力提升，使得高級工程師可以從基礎(chǔ)工作中解放出來，專注于更大、更復雜的任務，有助于充分發(fā)揮不同工程經(jīng)驗水平的工程師的能力。
最后，促進跨領(lǐng)域融合。在系統(tǒng)設計以及數(shù)字設計和模擬設計領(lǐng)域，人工智能模糊了工作界限，打破孤島式工作模式，促使人們關(guān)注端到端芯片設計，考慮簽核要求等多方面因素。
但距離AI真的從底層改變EDA產(chǎn)業(yè)，還有相當長的路要走。華大九天劉偉平曾表示“AI對于EDA工具的影響，肯定不是顛覆性的，更多的是輔助性的。”一位業(yè)內(nèi)人士對半導體產(chǎn)業(yè)縱橫表示，EDA作為一個工程軟件輸出的結(jié)果不能靠概率，要準確。AI能力的體現(xiàn)需要大量數(shù)據(jù)訓練，而EDA公司沒有那么多數(shù)據(jù)，有限數(shù)據(jù)上微調(diào)的模型在客戶實際應用中解決問題的能力并不比有經(jīng)驗的工程師強。
凱文·凱利在《5000天后的世界》里曾說，“未來的AI其實會更多地被應用在重復性較多、比較死板且追求效率的工作上。這種性質(zhì)的工作人們完全可以丟給AI，從而解放自己，多做一些有創(chuàng)造性的工作?！边@段話對于芯片產(chǎn)業(yè)也一樣適合，即使有了AI技術(shù)，人的創(chuàng)新能力依舊是行業(yè)進步的根本。
芯片設計在發(fā)展歷程中經(jīng)歷過多次技術(shù)變革，以往每次變革都有人預測工程類崗位會減少，可實際并非如此。如從原理圖捕獲過渡到寄存器傳輸級（RTL）綜合時，工程師編譯門電路的效率大幅提升，推動芯片規(guī)模擴大，進而需要更多芯片設計師。如今人工智能融入芯片設計，情況與之類似。人工智能能助力工程師完成更多工作，例如并行實現(xiàn)模塊，設計出更大規(guī)模芯片，工程師工作方式將從編輯工具腳本轉(zhuǎn)變?yōu)榕c人工智能系統(tǒng)交互，但工程師在芯片設計中依然不可或缺。
正如黃仁勛所說，“人工智能只會取代那些不知道如何使用人工智能的人，這些人會被懂得使用人工智能的人所取代，但它不會取代人類。”AI不會創(chuàng)造世界，是人類用AI去創(chuàng)造新世界。
