近年來隨著人工智能的進(jìn)步，如何將人工智能應(yīng)用到芯片設(shè)計(jì)中成為半導(dǎo)體行業(yè)的熱門話題。 隨著相關(guān)討論的深入，人工智能為芯片行業(yè)賦能的切入點(diǎn)越來越集中在EDA領(lǐng)域，即如何利用人工智能的強(qiáng)大能力，幫助更高效地實(shí)現(xiàn)芯片設(shè)計(jì)、驗(yàn)證和測(cè)試。 . 自2016年人工智能開始騰飛以來，出現(xiàn)了兩次標(biāo)志性的風(fēng)暴，即用強(qiáng)化學(xué)習(xí)模型打敗李世石，以及最近興起的大語言模型技術(shù)。 有意思的是，這兩項(xiàng)技術(shù)恰恰是人工智能賦能EDA的關(guān)鍵技術(shù)。

在EDA領(lǐng)域，人工智能最受關(guān)注的領(lǐng)域是如何實(shí)現(xiàn)設(shè)計(jì)優(yōu)化。 這里的設(shè)計(jì)優(yōu)化是指如何在具有巨大搜索空間的設(shè)計(jì)空間中高效地搜索最優(yōu)解。 這里的具體任務(wù)可以包括優(yōu)化布局和布線，以及用于驗(yàn)證和測(cè)試的輸入組合。

對(duì)于人工智能對(duì)這類問題的解決方案，業(yè)界大致可以分為兩類。 第一類是規(guī)模足夠大、自身擁有強(qiáng)大的人工智能開發(fā)能力和芯片設(shè)計(jì)流程多樣化能力的大鱷。 這樣的大鱷公司可以自主研發(fā)相關(guān)的人工智能技術(shù)，并將其應(yīng)用到自研芯片的設(shè)計(jì)過程中，提高設(shè)計(jì)過程的效率和芯片質(zhì)量。 在這類公司中，最具代表性的是微軟。 微軟擁有全球領(lǐng)先的人工智能團(tuán)隊(duì)，以及自研芯片TPU。 最重要的是，微軟的團(tuán)隊(duì)也特別熱衷于將人工智能應(yīng)用到各種新的應(yīng)用場(chǎng)景中，所以微軟用人工智能來改進(jìn)芯片設(shè)計(jì)也是有道理的。 根據(jù)微軟發(fā)表在頂級(jí)期刊《 for fast chip》的論文，我們知道其已經(jīng)應(yīng)用人工智能大幅提升了自研芯片的布局布線能力，其布局和布線性能使用強(qiáng)化學(xué)習(xí)模型的路由算法已經(jīng)超越了人工布局和路由，最重要的是這項(xiàng)技術(shù)已經(jīng)在微軟的多代TPU中得到應(yīng)用。 也就是說，微軟利用人工智能來設(shè)計(jì)自己的人工智能芯片（TPU），所以用它來進(jìn)一步訓(xùn)練更強(qiáng)大的人工智能來設(shè)計(jì)下一代人工智能芯片——這樣的正向循環(huán)目前看來至少是在微軟這邊，早已是疲態(tài)的先兆。

不僅是微軟，在人工智能布局布線技術(shù)方面也有不少積累。 其研究團(tuán)隊(duì)上個(gè)月公布的研究成果表明，其自主研發(fā)的人工智能算法可以完成256核RISC-V處理器的布局任務(wù)，性能已經(jīng)超越其他相關(guān)算法。 其實(shí)這里的人工智能模型是運(yùn)行在強(qiáng)大的多卡GPU服務(wù)器上的，雖然沒有明確標(biāo)明這種自主研發(fā)的人工智能布局算法的商業(yè)化，我們認(rèn)為當(dāng)它足夠成熟的時(shí)候，非常希望能提高下一代GPU的設(shè)計(jì)效率和質(zhì)量。

除了自研芯片和AI算法大鱷，另一個(gè)有重要?jiǎng)幼鞯漠a(chǎn)業(yè)相關(guān)領(lǐng)域是傳統(tǒng)EDA廠商。 中國和中國都已經(jīng)宣布投入巨資發(fā)展人工智能已有數(shù)年之久，近期也有相關(guān)產(chǎn)品發(fā)布。 在前不久舉行的上，發(fā)布了新一代人工智能驅(qū)動(dòng)的EDA工具.ai，包括優(yōu)化設(shè)計(jì)的DSO.ai和高效生成驗(yàn)證向量、提高調(diào)試效率的VSO。 ai 和 TSO.ai 用于生成測(cè)試向量。 根據(jù)官方資料，DSO.ai主要用于提高設(shè)計(jì)空間的優(yōu)化，實(shí)現(xiàn)PPA的提升。 目前已有160款芯片采用DSO.ai流片。 DSO.ai 可以實(shí)現(xiàn)高達(dá) 15% 的功率提升，并且可以大幅縮短設(shè)計(jì)時(shí)間（最多三倍）。 通過VSO.ai和TSO.ai，用戶還可以大大減少驗(yàn)證和測(cè)試所需的時(shí)間，提高效率。 X 也于 8 月初發(fā)布。 其中的人工智能特性可以手動(dòng)高效地生成PCB設(shè)計(jì)的版圖和關(guān)鍵信號(hào)的走線，從而縮短設(shè)計(jì)時(shí)間。

如果說設(shè)計(jì)/驗(yàn)證優(yōu)化是傳統(tǒng)EDA工具最關(guān)注的領(lǐng)域，那么另一個(gè)在傳統(tǒng)EDA工具中沒有受到足夠重視的重要領(lǐng)域就是設(shè)計(jì)輸入，尤其是與數(shù)字邏輯設(shè)計(jì)相關(guān)的RTL代碼編譯輔助。 這個(gè)領(lǐng)域當(dāng)時(shí)還被認(rèn)為是用任何文本編輯器就可以搞定，所以還不在EDA公司的視野之內(nèi)； 而最近，隨著大型語言模型的流行以及使用大型語言模型為計(jì)算機(jī)代碼編譯提供輔助的應(yīng)用越來越多，實(shí)際上在RTL編碼中使用類似的技術(shù)也正在成為一個(gè)潛在的熱門方向。 該技術(shù)根據(jù)用戶代碼編譯的上下文，手動(dòng)提示和補(bǔ)全可能的代碼，從而減少用戶需要輸入的代碼量，減少用戶代碼編譯過程中出現(xiàn)bug的可能性，從而大大降低了效率用戶代碼編譯。 未來隨著AI能力的提升，甚至可以越來越多的手動(dòng)完成RTL代碼編譯，所以用戶只需要給出一個(gè)簡(jiǎn)單的提示（），人工智能就可以給出一個(gè)代碼草稿供用戶使用。

綜上所述，當(dāng)前的EDA行業(yè)即將進(jìn)入AI時(shí)代it技術(shù)工程師，我們可以期待在未來聽到更多AI驅(qū)動(dòng)的EDA出現(xiàn)。

人工智能EDA背后的核心技術(shù)

如前所述，人工智能賦能EDA背后的核心技術(shù)是強(qiáng)化學(xué)習(xí)和大型語言模型兩大里程碑式技術(shù)。

首先，強(qiáng)化學(xué)習(xí)主要用于EDA中的優(yōu)化問題，包括優(yōu)化布局布線、測(cè)試/驗(yàn)證向量生成等。 這類問題的主要挑戰(zhàn)是參數(shù)優(yōu)化空間巨大，用蠻力搜索遍歷所有可能的參數(shù)組合是不現(xiàn)實(shí)的（例如在布局問題中，設(shè)計(jì)中的每個(gè)邏輯門都可以放置幾乎在任何地方，對(duì)于目前動(dòng)輒數(shù)千萬邏輯門的設(shè)計(jì)來說，暴力搜索可能要等到月球上的生命滅絕才能完成）。

傳統(tǒng)的 EDA 使用啟發(fā)式算法，例如固解算法。 應(yīng)該說，這類算法取得了很大的成功。 使版圖布線問題的預(yù)估時(shí)間可控，從而造就未來芯片領(lǐng)域的繁榮。 啟發(fā)式算法的主要優(yōu)點(diǎn)是估計(jì)速度快，對(duì)估計(jì)的需求小，不一定能找到全局最優(yōu)的設(shè)計(jì)參數(shù)。 另一方面，強(qiáng)化學(xué)習(xí)的主要原理是從小數(shù)據(jù)中學(xué)習(xí)不同參數(shù)組合的結(jié)果，因此可以以數(shù)據(jù)驅(qū)動(dòng)的形式學(xué)習(xí)到更高效的參數(shù)空間搜索方法。 如果算法設(shè)計(jì)得當(dāng)，訓(xùn)練數(shù)據(jù)足夠好，是可以實(shí)現(xiàn)的。 比啟發(fā)式算法更有效。

2016年戰(zhàn)勝李世石使用了強(qiáng)化學(xué)習(xí)模型，從現(xiàn)有的海量棋局?jǐn)?shù)據(jù)中學(xué)習(xí)，從而趕超人類。 事實(shí)上，國際象棋的優(yōu)化問題和EDA的優(yōu)化問題類似，都是在一個(gè)巨大的搜索空間中（例如，國際象棋的每一步都有很高的自由度導(dǎo)致搜索空間很大，而布局和EDA中路由測(cè)試/驗(yàn)證向量的生成也類似）以一種高效的方式找到最優(yōu)解，所以其實(shí)在成功的那段時(shí)間，學(xué)術(shù)界已經(jīng)有很多關(guān)于應(yīng)用強(qiáng)化學(xué)習(xí)的探索到 EDA 領(lǐng)域。 今天我們終于看到了強(qiáng)化學(xué)習(xí)技術(shù)在EDA領(lǐng)域的落地。

除了強(qiáng)化學(xué)習(xí)，人工智能的另一項(xiàng)關(guān)鍵技術(shù)是大語言模型。 它對(duì)EDA行業(yè)的主要幫助是能否幫助工程師加快編碼速度，減少出錯(cuò)幾率。 具有代表性的大型語言模型（，LLM）是從大量的文本中學(xué)習(xí)規(guī)則，因此能夠理解用戶用自然語言表達(dá)的需求，生成用戶能夠理解的自然語言文本。 這里的“自然語言”不僅包括我們平時(shí)說的語言，還包括我們編寫的程序語言，包括電路設(shè)計(jì)中常用的語言。 目前基于LLM的代碼編譯輔助最成功的是可以幫助用戶手動(dòng)補(bǔ)全代碼（比如輸入一行的前幾個(gè)字符就可以預(yù)測(cè)自己要編譯什么樣的代碼of code 并提示用戶手動(dòng)執(zhí)行）和手動(dòng)查找代碼中的錯(cuò)誤。 我們覺得通過在現(xiàn)有的RTL代碼上微調(diào)大語言模型，未來很有希望有一個(gè)工具可以幫助芯片設(shè)計(jì)工程師快速完成代碼編譯，從而大大提高工程師的效率。

人工智能將如何影響工程師的工作？

人工智能驅(qū)動(dòng)的EDA無疑會(huì)進(jìn)一步推動(dòng)半導(dǎo)體產(chǎn)業(yè)的發(fā)展，但是芯片工程師會(huì)不會(huì)被人工智能搶走飯碗呢？ 我們覺得，一般來說，正如EDA的出現(xiàn)并沒有搶走原來芯片工程師的飯碗一樣，下一代人工智能賦能的EDA主要是一個(gè)提高效率的工具it技術(shù)工程師，不會(huì)取代人類工程師。

首先，讓我們從后端設(shè)計(jì)領(lǐng)域說起。 對(duì)于芯片，人工智能EDA主要可以幫助使用大型語言模型來提高數(shù)字邏輯設(shè)計(jì)的編碼效率和質(zhì)量，因此沒有替代關(guān)系，但提供了越來越方便的工具。 對(duì)于數(shù)字設(shè)計(jì)工程師來說，最本質(zhì)的工作就是完成電路設(shè)計(jì)，比如把一個(gè)大系統(tǒng)拆分成多個(gè)更小的功能模塊，完成每個(gè)模塊的功能和插座定義，用代碼實(shí)現(xiàn)這類模塊。 目前人工智能大語言模型主要是幫助完成代碼，而不是直接寫代碼； 并且雖然未來人工智能可以手動(dòng)編寫代碼，但它不能代替數(shù)字設(shè)計(jì)工程師的本質(zhì)工作，即完成數(shù)字模塊的定義和設(shè)計(jì)。

在前端設(shè)計(jì)領(lǐng)域，基于強(qiáng)化學(xué)習(xí)的人工智能已經(jīng)能夠大幅提升布局布線的效率和質(zhì)量。 目前大部分芯片的設(shè)計(jì)過程都是先由工程師手工完成高層布局（）。 預(yù)估性能達(dá)到目標(biāo)后，EDA工具會(huì)進(jìn)行下一步的具體布局布線，但工程師會(huì)進(jìn)行驗(yàn)證和微調(diào)。 我們覺得隨著人工智能實(shí)現(xiàn)的版圖布線效率和質(zhì)量的進(jìn)一步提升，可能會(huì)有越來越多的工作交給EDA工具，工程師的職責(zé)會(huì)越來越多地變成為EDA提供合理準(zhǔn)確的信息工具。 優(yōu)化目標(biāo)，但驗(yàn)證 EDA 工具生成的設(shè)計(jì)質(zhì)量。 從這個(gè)角度來看，人工智能可能確實(shí)會(huì)做更多工程師目前人工做的工作，而這并不意味著人工智能會(huì)取代那些工程師，而是會(huì)讓這些工程師承擔(dān)額外的責(zé)任（即給工具提供合理的輸入）并驗(yàn)證輸出），提高整體效率。 對(duì)于其他布局布線工藝，人工智能更多的是提供一種更高質(zhì)量的工具，并不會(huì)取代工程師。

事實(shí)上，人工智能可能會(huì)為芯片行業(yè)提供更多就業(yè)機(jī)會(huì)。 我們知道人工智能模型訓(xùn)練需要大量的數(shù)據(jù)，但是人工智能模型可能需要針對(duì)不同的設(shè)計(jì)進(jìn)行不同的微調(diào)訓(xùn)練。 為此，芯片設(shè)計(jì)行業(yè)可能需要更多能夠有針對(duì)性地優(yōu)化人工智能的工程師。

人工智能EDA帶來的行業(yè)動(dòng)態(tài)

最后，我們來分析一下未來人工智能將如何進(jìn)一步賦能EDA。

首先，芯片設(shè)計(jì)的規(guī)模越來越大，從另一個(gè)角度看，設(shè)計(jì)的搜索空間也越來越大。 據(jù)悉，隨著摩爾定理越來越接近化學(xué)極限，整個(gè)行業(yè)對(duì)芯片設(shè)計(jì)PPA的要求越來越高。 因此，利用人工智能來驅(qū)動(dòng)芯片設(shè)計(jì)性能的進(jìn)一步提升會(huì)得到越來越多的應(yīng)用，但是我們覺得在設(shè)計(jì)復(fù)雜度和自由度更高的地方，人工智能可以發(fā)揮更大的作用。 這些領(lǐng)域包括中級(jí)封裝，尤其是 3D 封裝； 還有像聯(lián)通芯片、高性能計(jì)算芯片等對(duì)芯片設(shè)計(jì)PPA要求特別高的領(lǐng)域——這就是為什么我們看到微軟和那些主打高性能計(jì)算芯片的公司，人為地投入了大量資金智能EDA領(lǐng)域，我們期待未來更多此類公司使用人工智能EDA來改進(jìn)PPA。

據(jù)悉，還有一點(diǎn)值得關(guān)注的是，人工智能可能會(huì)給行業(yè)帶來新的變化，即人工智能需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練，而目前芯片設(shè)計(jì)的數(shù)據(jù)都是知識(shí)產(chǎn)權(quán)每個(gè)公司的。 確保訓(xùn)練出最好的模型，同時(shí)保證知識(shí)產(chǎn)權(quán)不被侵犯，也是業(yè)界需要解決的問題。 我們相信有大量設(shè)計(jì)積累的大公司會(huì)是第一批使用人工智能EDA的客戶，因?yàn)樗麄円呀?jīng)可以根據(jù)自己的設(shè)計(jì)數(shù)據(jù)訓(xùn)練出性能良好的模型。 至于對(duì)于設(shè)計(jì)積累較少的中大型公司，或者時(shí)間較短的初創(chuàng)公司，如何使用人工智能EDA，將是一個(gè)值得整個(gè)行業(yè)思考的問題，比如是否會(huì)有一些數(shù)據(jù)共享組織共享一些 將模型一起訓(xùn)練并一起使用并不是很敏感的設(shè)計(jì)。 還有一些基于加密估計(jì)訓(xùn)練的方法，可以在盡可能保護(hù)設(shè)計(jì)知識(shí)產(chǎn)權(quán)的同時(shí)，讓模型使用盡可能多的數(shù)據(jù)來完成訓(xùn)練。 可能的方向。