生成式 AI （2/4): 在芯片/系统设计中有何风险？

当掌舵者们齐聚一堂，交流想法，探讨未来的可能性，不同的观点相互碰撞，新的创意和解决方案便由此诞生，为整个行业掀起变革。

在今年于美国硅谷举办的 CadenceLIVE Silicon Valley 2023 用户大会的生成式 AI 小组讨论会上，几位与会者便借此机会畅所欲言，碰撞出了思想的火花。此次小组讨论共分为四个部分，本文是该系列文章中的第二篇。

在本系列第一篇文章《一场产品开发和用户体验的双重变革》中，我们介绍了小组讨论中各方的观点：将生成式 AI 功能集成到 EDA 工具中将如何革新芯片设计。

对此，来自 TECHnalysis Research 的主持人 Bob O’Donnell 指出：

“如果ChatGPT 在某处产生了‘幻觉（Hallucination）’，也许再人工检查一遍就万事大吉。但若 ChatGPT 对一个电路的组成要素产生了幻觉，问题就大了。”

基于此，Bob 提出了第二个问题 ：

“生成式 AI 能够处理哪些可能的错误，这将对芯片开发有何影响？”

以下为小组各方代表的回答总结。

1. AI的应用与概率有关

Cadence 公司

我们认为这依旧属于概率 (Probability) 的问题。AI 在很多情况下能够显著提升生产力。例如，AI 可以优化布局布线工具的设置，改善功率、性能和面积 (PPA)，但不建议用它进行逻辑门综合，因为 AI 没办法实现高达90%的准确度。另一个用例是，AI 还可以辅助分析错误的根本原因。总的来说，AI 在入门级应用的适用范围很广。

另外，IP 这一点值得深入讨论。在训练模型上，使用公开可用的数据，还是某个 IP 的专有知识或数据观点，这二者有很大的区别。有两个方面需要考虑。首先，可以提供经过部分或初级训练的技术，让客户根据自己的需求和专有信息，进一步训练。这种方法可以让客户掌握训练知识，有效满足他们的特定用例和操作需求。

数据依靠工具的运行逐渐积累，Cadence 目前将数据汇总在 AI 驱动的大数据分析平台 Cadence JedAI Platform 中，为客户提供有价值的训练数据。我们开发了多个内部测试用例和设计，用于产品开发和完善。我们使用内部的工具套件，进行内部测试和算法优化。利用内部工具，再加上生态系统的优势，Cadence 能够预先训练默认的 AI 系统，将其作为 1.0 版提供给客户。在此基础之上，客户可以根据自己的具体需求不断构建和完善成自己的版本。

Cadence 已推出新一代 AI 驱动的 OrCAD X 平台，支持 Cadence OnCloud，助力 PCB 设计速度提速5倍！快来点击下方视频，一探究竟！

2. 大语言模型在数据分析上独具优势

Cisco 公司

大型语言模型 (large language models，即 LLM) 提供了独特的机会，能够以不同的方式分析数据。它们不仅可以胜任与语言相关的任务，还能够从大型数据集中学习结构、抽象和内部语法，从而提供有价值的观点和推理结果。

虽然 GPT-4 可能无法直接用于芯片数据库或其他非语言环境，但大型数据集训练这种模式，可以让 AI 模型有能力理解并捕获从语法到叙事的内在结构。这种理解能力可用于构建大型序列、二维或高维模型，让它们具备高度可预测性，并有助于根据特定数据特征去进行推理。因此，大型模型的应用价值不仅仅局限于语言本身。

3. AI 擅长推理结果与表现形式

加州大学伯克利分校

机器学习工具让我们可以理解数据集内的映射过程，发现其中的结构和表现方式。比如说，我们很难摸清楚某个画家创作的方法和过程。但是，借助机器学习工具，我们有可能通过分析作品数据，来呈现复杂的绘制过程，这正关乎推理结构和表现形式。

有趣的是，如果可以访问足够广泛的语料库，无论是内部语料库，还是（理想情况下）涵盖全世界语言的语料库，就可以实现超线性学习。换言之，AI 可以融合最出色的人类创意，媲美顶级设计人员，生成水平相近的芯片设计。尽管有关知识产权还尚存顾虑，但这方面的潜力是巨大的。

4. AI 成功应用于五种数据类型

Meta 公司

到目前为止，AI 最成功的应用集中于五种数据类型：文本、图像、视频、声音和代码。如果客户的应用基于这几种，那么 AI 成功的可能性就大大提高。只要证实了结果，即使验证不是很详细，方向上也不会出什么岔子。比如说，修改电路时，使用可以快速评估等效是否存在的等效检查工具是非常有价值的；即使10次结果里对了1次，也无可厚非。

但如果是处理不同的数据或涉及到物理方面，就必须考虑采用迁移学习。即使一些物理效应可以用文本描述，但如果向ChatGPT提出一个物理问题，它很可能会给出错误的回答，因为这需要使用物理模型。

我们预计，未来两年内将出现更多验证技术，用来评估生成式 AI 在 EDA 领域之内或之外的使用效果。这一范畴将不仅限于 EDA ，而是拓展到各种技术堆栈层，成为一种普遍趋势。

5. AI 可以带来前所未有的改变

Cadence 公司

AI 其实能够使竞争环境更加公平，筛选出真正经验丰富以及更有才能的人。与经验少的人相比，经验丰富的人懂得如何利用 AI 来提升认知，从而真正提升自己的水准。他们会关注到以往那些难以发现的复杂问题，或探索新的设计架构。经验丰富的人最终会借助 AI 这一利器，上升到新的高度和水平，达到质变。在未来，我们将与现在大有不同——以 AI 为工具，获得新的启蒙，重塑自我。

但 AI 不会取代人类。相反，AI 将增强人类的能力，让我们做出有意义的进步。AI 可以让我们创造出以前无法制造的芯片，达到前所未有的性能水平和可持续发展目标。AI 相当于是催化剂，为人类赋能，让我们能够完成以前无法企及的任务，取得突破性的进步。

6. AI 模型助力工程设计格局的完善

Arm 公司

AI 模型可以让当前的工程设计格局不断完善。这些工具将专注于优化设计周期，实现高效分析，并基于特定的指标有效衡量成功结果。设计通常通过布局布线来实现，以此考虑改善 PPA，但现在还需要考虑其他方面。

利用微架构方面的知识，我们现在可以探索各种技术，如存储器放置和蝶式连接，这是单凭演算法无法捕获的。我们要关注来自数据库的线长和其他指标，确保实现最佳结果。虽然机器学习重视了 PPA 的几个关键方面，但它无法保证实现最佳结果，因为还需要确定最佳内存延迟、连接性和其他参数，而这需要更多分析。

这些工具将提供更大的灵活性，帮助我们开发新的分析方法，并基于特定的标准来衡量成功。设计互连连接器和 CPU 面临的挑战是截然不同的，训练 AI 来理解这些挑战不仅仅是比较性能指标那么简单。

本文的讨论就此结束。下一个问题是：

“基于生成式人工智能的工具能否启发感兴趣的人从事电路或芯片设计，进而解决业内的人才短缺问题？”

此外，“这些工具是否有助于打造多种多样的芯片，扩大芯片设计的可能性？”

在之后的文章中我们将继续讨论。