EDA行业正深入地推动AI的发展

人工智能既是进化性的，也是革命性的，因此很难评估它将被用于何处、如何使用以及可能出现哪些问题。

EDA 供应商正在加紧在其工具中使用 AI/ML，以帮助芯片制造商和系统公司实现产品差异化。在某些情况下，这意味着使用人工智能来设计人工智能芯片，而人工智能芯片的功能和潜在问题在数量和广度上都呈爆炸式增长。

还有待观察的是，这些人工智能设计的芯片随着时间的推移表现如何，以及人工智能究竟能在哪些方面为设计团队带来益处。所有这些都需要与没有使用人工智能增强工具、进行标准计算的设计进行比较。

在某些方面，人工智能是对 EDA 供应商已经提供的软件的进化改进。Cadence 数字与签核集团产品管理副总裁 Kam Kittrell 说："我们过去所说的'计算软件'已经变成了人工智能。我们非常擅长创建这类与人工智能相关的算法，因此我们可以掌握并开发人工智能技术，从而使我们的产品变得更好。"

在这一点上，如果说人工智能的能力有局限性的话，那么局限性并不明显。Kittrell 说：通过使用大型语言模型，我们可以读取规范，并确定特定设计的问题所在。这就好比你的团队中多了一位工程师来审查规格，从而大大缩短了调试时间。这可以推广到许多不同的领域，因为使用 LLM 技术可以自动生成大量由规范生成的附带资料。它可以大大缩短你的日程安排。

Quadric 首席营销官 Steve Roddy 说：我们认为 EDA 是使用模式匹配和机器学习的完美目标。这是一种经典的类固醇最小切割算法。你要放置数十亿件东西，而且要尽量减少电线越界。不同世代的 EDA 工具所采用的算法都在不断迭代，它们都使用一些复杂的启发式算法来计算，如果我放置所有这些东西，怎样才能获得最短的平均导线长度以及最少的导线和交叉数量。当我们只有两到四层金属时，这很容易做到。现在，你可能有 14 层金属和 82 个掩膜。这太疯狂了。

尽管如此，EDA 行业仍然小心翼翼，因为这事关重大。发现设计中的非法线路交叉或错误是一回事。而假定所有重大问题都已被发现则是另一回事。与其他 EDA 工具一样，所有这些都需要集成到现有的流程和模型中，而这并非易事。

Synopsys 公司产品线管理高级总监 Arvind Narayanan 说：我们着眼于从架构到制造的整个 EDA 堆栈，以找出瓶颈所在。在存在大量人工迭代循环的地方，人工智能有很多机会帮助提高生产率。例如，从项目周期来看，数字实现是设计流程的关键部分，设计人员需要花费大量时间从 RTL 设计到物理实现和签核。人工智能可以自动分析解决方案空间并优化设计 QoR 目标，而不是设计人员手动迭代，这一步可以大大受益于人工智能。

一些客户拥有自己的高级人工智能/ML 方案。Keysight 的 EDA 产品经理 SteveSlater 说：他们想要做的是用一组新数据调用仿真器，这就会稍微改变当前的状态。客户自己的 AI/ML 基础架构取代了 EDA 工具的主导地位。你可以想象他们试图对所有可能的角情况进行巨大的参数扫描，而现在他们正在使用 AI/ML 进行更好的预测。

这是 Keysight 勾画出的五级层次结构中的第一级，为他们思考人工智能的潜力提供了基础。第二种方法是将 LLM 置于 EDA 工具中，创建特定领域的聊天机器人，以支持实时客户互动。第三种方法是人工智能辅助设计和路由。"要知道，自动路由器已经存在了很长时间，"Slater说。"真正的问题是，技术是否有飞跃性的进步，使人们能够以更快的速度进行设计。也许这意味着你需要建立一个巨大的优秀设计实例库，人工智能可以根据这些实例进行训练。"

此外，人工智能还可用于建立更好的模型，并通过利用更多的人工神经网络来加快模拟器的速度。Slater说：有基于物理学的分析模型，但你必须获取大量测量数据才能达到目的。"如果你能利用人工智能启发式网络创建一个在曲线拟合方面同样出色的模型，但关键是不需要那么多输入数据，而且由于模型是基于神经网络而不是复杂的网表，因此执行速度更快，那会怎么样呢？"

人工智能的一个好处是，它可以让工具运行模拟，并决定哪种方法是每种情况下的最佳选择，从而省去了在启发式方法上花费的一些时间。西门子 EDA 项目总监 Russell Klein 说：这个过程可以变得更加智能、更加正确，这将使工程师更容易描述算法，并在高级综合过程的另一端获得良好的电路。

但是，这其中也有取舍。虽然人工智能可以提高模拟速度，但却要以牺牲准确性为代价。此外，虽然大型语言模型能够理解向其提出的问题，但其返回的实际答案需要结合上下文。Slater说："它仍然需要 EDA 供应商或软件供应商来提供和整理上下文语境。如果你利用的是一个非常庞大的信息数据库，那么生成式人工智能就能给你带来惊人的效果，但当涉及到设计时，这些信息可能并不是现成的"。

芯片层面的挑战

在人工智能芯片方面，数据中心使用的芯片与边缘使用的芯片存在巨大差异。在数据中心，生成式人工智能会产生 "幻觉"，而高级定制硬件则会导致无声数据错误。众所周知，两者都会产生错误的结果，这在一般的搜索引擎中可能不是问题，但在军事或金融行动中可能是灾难性的。

更糟糕的是，人工智能解决方案是依赖于领域的。在企业界，金融机构和保险公司等较为成熟的行业都在试图加速并尽快进入人工智能领域，领导zSystems架构开发的IBM研究员克里斯蒂安-雅各比（Christian Jacobi）说。然而，这些公司的客户和监管机构对他们的行为方式有着截然不同的期望。你不会想向银行的聊天机器人提问，然后让它宣布爱上你吧。

HPE人工智能首席产品官埃文-斯帕克斯（Evan Sparks）说，这是复杂性之一。"我们正在与许多客户合作，他们的架构正在从重 CPU 转向更重 GPU。我认为不会就此止步。还有一种替代方案－－我们称之为 AI 原生架构--这是一种超越微处理器芯片的系统，专门用于解决这些工作负载。在人工智能原生架构中，你确实需要考虑堆栈的所有层次，从芯片的选择（可能是用于模型训练和评估问题的定制芯片）到互连、存储，再到位于顶层并帮助最终用户实际对这些东西进行编程并使其应用程序高效运行的软件。我们仍处于迈向未来的初期阶段。"

在边缘领域，人工智能被内置到更小更不复杂的系统中，潜在的隐患可能会截然不同。Expedera 首席科学家 Sharad Chole 说：当人工智能处于边缘时，它需要与传感器打交道，而这些数据是实时生成的，需要进行处理。传感器数据如何进入，人工智能 NPU 处理这些数据的速度有多快，这在需要缓冲多少数据和需要使用多少带宽方面改变了很多事情。整体延迟情况如何？我们的目标是尽可能降低延迟，因此从传感器的输入到可能进入应用处理器或进一步处理的输出，我们希望尽可能降低延迟，并确保能够以确定的方式处理数据。

此外，半导体器件必须在利润微薄的情况下满足实际需求，这意味着任何宣称的人工智能差异化都必须为客户带来实际价值。Quadric的Roddy说："半导体公司一直在为几分钱争得头破血流。你无法通过微小的边际变化实现差异化。如果你能把每次推理的能量提高 17% 或更多，那也只是昙花一现的微小差别，不足以打破现有公司的惯性思维。你需要的是有本质区别的东西，或者是使用方式大不相同的东西。你不仅要在数量级上做得更好，你还必须在数量级上做得更好"。

这是一个挑战，因为许多应用都非常特殊。瑞萨公司业务开发经理 Nalin Balan 说："人们在制造产品时会考虑不同的因素。首先，他们希望保持合理的物料清单。你不能以增加产品成本 1000 倍的代价来实现智能化。因此，第一个问题是，如何做到这一切，并保持合理的材料成本？第二个问题是通用性。你所采用的人工智能能否在你所期望的产品部署的典型操作条件下实现通用化？例如，智能家居设备必须在不同类型的背景噪音、复杂定位和其他情况下工作。你如何确保它能做到这一点？"

Roddy指出，还有一个重要的考虑因素。"需要解决的问题会在两三年内保持稳定吗？到目前为止，答案是'不'，因为随着新数学模型的发明和探索，机器学习和人工智能每年都在发生巨大的变化"。

不同的起点

值得注意的是，尽管取得了进展，但人工智能领域仍在继续争论人工智能究竟是什么、什么是人工智能公司（这是初创公司继续获得资金的一个基本要素）以及未来人工智能的最佳应用方式和地点。

Imperas公司副总裁拉里-拉皮兹（Larry Lapides）说："这有两个层面。一个是 SoC 层面，有人生产支持人工智能的 SoC。他们不仅仅是在芯片上安装处理器。他们将提供一个软件堆栈。然后，用户可以把它放在自己产品的电路板上。第二个层次是生产将人工智能融入产品的人，无论是数据中心插件还是边缘物联网。这不仅仅是一个带有软件的 SoC。它实际上提供了一个真正的人工智能子系统，能够与更大的环境对接。"

Lapides 指出，针对底层 SoC 架构优化人工智能算法是一项重大挑战。"数据如此之多，场景如此之广，需要进行大量的、有效的、持续的软件模拟，以达到人工智能的性能要求和预期的结果准确性"。

对某些人来说，这只是简单的数学问题。"还记得 30 年前我们在 Excel 中做曲线的线性近似吗？你有一堆点，然后为具有最佳回归拟合的点画一条线，或者你可以尝试二次函数或其他公式，"IBM 的Jacobi说。"如今的人工智能不过如此，但它不再使用二次函数和 10 个点或 100 个点，而是使用数十亿个点来进行本质上的最佳拟合回归。"

然而，并非所有人都同意这一点。比起人工智能公司与非人工智能公司的区别，更容易指出人工智能做了什么--而且做得很好。Expedera 市场营销副总裁保罗-卡拉祖巴（Paul Karazuba）说："要成为一家人工智能公司，你的产品必须与人工智能有密切联系。举例来说，如果你是一家搜索引擎优化公司，你在软件堆栈中加入了生成式人工智能，帮助客户获得更好的搜索引擎优化结果，那么你绝对是一家人工智能公司。如果你在招聘中使用人工智能，而你的产品是铅笔，那么你就不是一家人工智能公司。人工智能在你的产品或服务中必须有一个可定义、可解释的用途，这对产品或服务的成功不可或缺。而且你应该能够量化你的主张，并得到第三方的支持"。

同样，西门子的Klein也对定义进行了界定。"一家人工智能公司正在构建一个电子系统，该系统使用人工智能来实现其部分功能，而人工智能算法则以某种方式在硬件或软件中实现。它可以是在处理器上运行的软件，也可以是在 GPU 或 TPU 中加速的东西，或者是用于进行这种人工智能的定制硬件加速器。"

不过，真正的差异化与未来主义的承诺无关。IBM 的Jacobi说，让公司脱颖而出的是对工程基础的关注。"了解你的问题。你真的在设计下一个重大突破吗？还是你说服了自己，但却没有做适当的研究，不知道自己要解决什么问题。如果你只是想构建一个最大、最糟糕的浮点矩阵乘法引擎，那它到底能解决什么问题？你需要一个整体的方法。例如，为什么要优化事务环境中的吞吐量？用户可能愿意为自动完成等待半秒钟，但在这半秒钟之后，他们想要的是 20 个字。这其中有各种各样的权衡。只有当你知道你的设计目的是什么时，你才能设计出你的解决方案。"

这就是人工智能公司的定义。"人工智能不是建立模型。人工智能是一门工程学科，"瑞萨科技业务加速和全球生态系统高级总监 Kaushal Vora 说。"与工程学中的任何学科一样，首先要了解你要构建的内容，包括系统的限制条件，以及你如何利用系统来收集完整性高、覆盖范围广的数据，并在决策所依据的特征中实现足够的分离。然后是建立模型、部署模型，然后再弄清楚如何在部署后对系统进行维护"。