大模型帶來的AI算力風暴已經蔓延至芯片設計領域。英偉達創始人兼首席執行官黃仁勛認為芯片制造是加速計算和AI計算的“理想應用”;AMD首席技術官Mark Papermaster透露，目前AMD在半導體設計、測試與驗證階段均已開始應用AI，未來計劃在芯片設計領域更廣泛地使用生成式AI;日本半導體企業Rapidus社長小池淳義表示，將引進人工智能和自動化技術。

　　記者在采訪中了解到，芯片設計行業需要“EDA+AI”來應對大模型時代的算力變革。將AI技術與EDA工具結合能夠使EDA更加智能，減少芯片設計流程中一部分重復且繁雜的工作。但同時，“EDA+AI”仍然面臨數據有限、精度不高等問題。

　　AI與EDA工具的結合已進入“深水區”

　　高性能AI芯片的設計需要使用包電路仿真、物理設計等多種EDA設計工具和軟件，還要花費大量的時間和人力成本。在芯片設計過程中，任何一個錯誤都可能導致大量時間和資源的浪費，甚至可能導致整個項目的失敗。在此背景下，不少企業都通過引入AI技術讓EDA工具更加智能，在芯片設計的過程中用工具盡可能多地代替人力。

ChatGPT 在芯片自動生成各個領域的開創性創新

來源：中科院計算所

　　作為全球領先EDA軟件公司，新思科技從幾年前就開始大力投入對AI工具的研究。今年四月，新思科技推出業界首款全棧式AI驅動型EDA解決方案Synopsys.ai，能夠讓開發者第一次從系統架構到設計和制造，在芯片開發的每一個階段都采用AI技術，最終達到降本增效，并縮短產品開發周期的優異成果。目前，Synopsys.ai已經成功幫助汽車領域的領導者瑞薩電子提高芯片性能并降低成本，并將產品開發周期縮短了數周。

　　“將AI技術與EDA工具結合帶來兩個核心價值。”新思科技方面對《中國電子報》記者表示，一方面是使EDA更加智能，減少芯片設計流程中一部分重復且繁雜的工作，讓用戶可以在相同甚至更短時間內設計出功耗、性能和面積(PPA)更好的芯片;另一方面則能夠大幅降低用戶門檻，解決人才短缺的挑戰。

　　國內領先的系統級驗證EDA解決方案提供商芯華章，已經在多個方向上進行AI輔助EDA設計和驗證的研發工作。比如，芯華章發布的智能場景驗證工具GalaxPSS，基于高級語言建模，可以高效并且自動化生成不同形態、適配多種驗證環境優質測試用例。芯華章還成立了芯華章研究院，目前已經開展機器學習算法、光計算在形式化驗證中的應用、如何利用新一代語言深度打通軟硬件系統驗證等多個課題。

　　“目前人工智能技術與EDA工具的結合已經進入‘深水區’。”芯華章科技首席市場戰略官謝仲輝對《中國電子報》記者表示，如何用人工智能技術處理高維度數據，是當前行業發展的重點。在EDA仿真、形式化驗證、調試等幾個階段，都有與人工智能結合的空間。比如在前端的仿真環節中，通過融合自然語言處理等最新AI算法與傳統機器學習算法來縮小求解空間，更快完成AI輔助的驗證和調試。此外，在形式化驗證中，AI算法同樣能夠優化形式化驗證的計算調度，從而改進性能。

　　華大九天同樣在“EDA+AI”方面有所布局。6月26日，北京華大九天與上海合見工業軟件宣布，將攜手共建數模混合設計與仿真EDA聯合解決方案。此前，華大九天推出了AI驅動的EDA套件，提高了芯片生命周期并實現了管理優化。

　　AI大規模參與EDA設計仍存瓶頸

　　從目前的實際進展而言，AI大規模參與EDA設計仍然存在一些亟待突破的瓶頸。其中，精度不高、數據有限等問題，正在限制AI技術在EDA設計中的應用。

　　“當前采用大模型或者通用人工智能模型設計芯片的路線還面臨流程隨機性和魯棒性較差的問題。”中科院計算所副研究員王穎對《中國電子報》記者表示，AI本身具有的不確定性會影響研究人員采用大模型復現芯片自動設計的結果，現有算法對特性的約束也具有較強的隨機性。

　　在中科院計算所處理器芯片全國重點實驗室研究人員常開顏看來，AI其實是一個不精確的生成。很多時候，AI不一定符合工程師設計的需要，因此如何提升AI在芯片設計中的正確率是一個瓶頸。

　　此外，芯片全流程優化算法的缺乏也是挑戰之一。“版圖級別、布局布線其實還有很多AI模型難以涉及的數據，所以全流程優化既重要又難做。”王穎表示，現有AI只用于芯片邏輯設計的“小優化”。如何利用大模型實現前后端協同優化以改變這種局限，還需要進一步探索。

　　“EDA是上下游、前后端結合產業鏈。現有的AI只能局限于EDA的某一個層次上，目前還不能實現全局、全流程綜合的AI優化。”基于此，常開顏認為，業界需要更多的專業數據來訓練模型。除此之外，AI還要與傳統的EDA編譯工具結合起來，再進行協同優化。

　　在芯片數據庫短缺方面，AI方法仍然受限于提供數據的廠商。王穎指出，雖然閉源大模型較完善,但大量資源掌握在生產商手中。如果從開源庫生成高質量數據集或把閉源代碼庫當作數據庫，就可以給開源模型訓練帶來優勢。

　　值得注意的是，ML模型訓練也會帶來安全性問題。謝仲輝對《中國電子報》記者表示，一方面，ML模型的引入可能會導致數據安全和模型所屬權問題。他舉例道，客戶的設計和供應商IP可能會在不知情的情況下被ML模型學習到，再在模型提供服務的時候被其他客戶使用。另一方面，IC領域發展迅速，每一代技術節點對應的設計與制程都不一樣，如何提高當前訓練的ML模型的有效期是必須面對的挑戰。

　　“EDA+AI”還面臨能耗挑戰。這是因為深度學習模型的規模越大，能耗水平也迅速攀升。華為AI首席科學家田奇在近日一場AI大模型技術論壇上強調，大模型訓練成本中60%是電費。根據斯坦福人工智能研究所(HAI)發布的《2023年人工智能指數報告》，訓練像OpenAI的GPT-3這樣規模的人工智能模型所需消耗的電力，足可以讓一個普通美國家庭用上數百年。

　　新思科技方面在談及能耗問題時對《中國電子報》記者表示，AI設計工具可以更好地優化AI處理器芯片來提高能效。使用強化學習可以從功耗、性能和面積方面改善芯片;使用低功耗IP解決方案組合可以幫助降低芯片功耗，同時加快產品上市;在芯片生命周期管理(SLM)使用監控和分析的片上傳感器，能夠生成功耗方面的分析。

　　展望未來，AI不會取代芯片工程師，而是扮演輔助角色。“尤其是在復雜的芯片甚至系統級創新的架構中，需要更高層次的算法優化，目前的人工智能還難以進行精準的、有創造力的、解釋性強、可重用的表達。”謝仲輝說。

　　作者：張依依　　來源：中國電子報、電子信息產業網