人工智能既是進(jìn)化性的，也是革命性的，因此很難評(píng)估它將被用于何處、如何使用以及可能出現(xiàn)哪些問(wèn)題。

EDA 供應(yīng)商正在加緊在其工具中使用 AI/ML，以幫助芯片制造商和系統(tǒng)公司實(shí)現(xiàn)產(chǎn)品差異化。在某些情況下，這意味著使用人工智能來(lái)設(shè)計(jì)人工智能芯片，而人工智能芯片的功能和潛在問(wèn)題在數(shù)量和廣度上都呈爆炸式增長(zhǎng)。

還有待觀察的是，這些人工智能設(shè)計(jì)的芯片隨著時(shí)間的推移表現(xiàn)如何，以及人工智能究竟能在哪些方面為設(shè)計(jì)團(tuán)隊(duì)帶來(lái)益處。所有這些都需要與沒(méi)有使用人工智能增強(qiáng)工具、進(jìn)行標(biāo)準(zhǔn)計(jì)算的設(shè)計(jì)進(jìn)行比較。

在某些方面，人工智能是對(duì) EDA 供應(yīng)商已經(jīng)提供的軟件的進(jìn)化改進(jìn)。Cadence 數(shù)字與簽核集團(tuán)產(chǎn)品管理副總裁 Kam Kittrell 說(shuō)："我們過(guò)去所說(shuō)的'計(jì)算軟件'已經(jīng)變成了人工智能。我們非常擅長(zhǎng)創(chuàng)建這類(lèi)與人工智能相關(guān)的算法，因此我們可以掌握并開(kāi)發(fā)人工智能技術(shù)，從而使我們的產(chǎn)品變得更好。"

在這一點(diǎn)上，如果說(shuō)人工智能的能力有局限性的話(huà)，那么局限性并不明顯。Kittrell 說(shuō)：通過(guò)使用大型語(yǔ)言模型，我們可以讀取規(guī)范，并確定特定設(shè)計(jì)的問(wèn)題所在。這就好比你的團(tuán)隊(duì)中多了一位工程師來(lái)審查規(guī)格，從而大大縮短了調(diào)試時(shí)間。這可以推廣到許多不同的領(lǐng)域，因?yàn)槭褂?LLM 技術(shù)可以自動(dòng)生成大量由規(guī)范生成的附帶資料。它可以大大縮短你的日程安排。

Quadric 首席營(yíng)銷(xiāo)官 Steve Roddy 說(shuō)：我們認(rèn)為 EDA 是使用模式匹配和機(jī)器學(xué)習(xí)的完美目標(biāo)。這是一種經(jīng)典的類(lèi)固醇最小切割算法。你要放置數(shù)十億件東西，而且要盡量減少電線越界。不同世代的 EDA 工具所采用的算法都在不斷迭代，它們都使用一些復(fù)雜的啟發(fā)式算法來(lái)計(jì)算，如果我放置所有這些東西，怎樣才能獲得最短的平均導(dǎo)線長(zhǎng)度以及最少的導(dǎo)線和交叉數(shù)量。當(dāng)我們只有兩到四層金屬時(shí)，這很容易做到。現(xiàn)在，你可能有 14 層金屬和 82 個(gè)掩膜。這太瘋狂了。

盡管如此，EDA 行業(yè)仍然小心翼翼，因?yàn)檫@事關(guān)重大。發(fā)現(xiàn)設(shè)計(jì)中的非法線路交叉或錯(cuò)誤是一回事。而假定所有重大問(wèn)題都已被發(fā)現(xiàn)則是另一回事。與其他 EDA 工具一樣，所有這些都需要集成到現(xiàn)有的流程和模型中，而這并非易事。

Synopsys 公司產(chǎn)品線管理高級(jí)總監(jiān) Arvind Narayanan 說(shuō)：我們著眼于從架構(gòu)到制造的整個(gè) EDA 堆棧，以找出瓶頸所在。在存在大量人工迭代循環(huán)的地方，人工智能有很多機(jī)會(huì)幫助提高生產(chǎn)率。例如，從項(xiàng)目周期來(lái)看，數(shù)字實(shí)現(xiàn)是設(shè)計(jì)流程的關(guān)鍵部分，設(shè)計(jì)人員需要花費(fèi)大量時(shí)間從 RTL 設(shè)計(jì)到物理實(shí)現(xiàn)和簽核。人工智能可以自動(dòng)分析解決方案空間并優(yōu)化設(shè)計(jì) QoR 目標(biāo)，而不是設(shè)計(jì)人員手動(dòng)迭代，這一步可以大大受益于人工智能。

一些客戶(hù)擁有自己的高級(jí)人工智能/ML 方案。Keysight 的 EDA 產(chǎn)品經(jīng)理 SteveSlater 說(shuō)：他們想要做的是用一組新數(shù)據(jù)調(diào)用仿真器，這就會(huì)稍微改變當(dāng)前的狀態(tài)。客戶(hù)自己的 AI/ML 基礎(chǔ)架構(gòu)取代了 EDA 工具的主導(dǎo)地位。你可以想象他們?cè)噲D對(duì)所有可能的角情況進(jìn)行巨大的參數(shù)掃描，而現(xiàn)在他們正在使用 AI/ML 進(jìn)行更好的預(yù)測(cè)。

這是 Keysight 勾畫(huà)出的五級(jí)層次結(jié)構(gòu)中的第一級(jí)，為他們思考人工智能的潛力提供了基礎(chǔ)。第二種方法是將 LLM 置于 EDA 工具中，創(chuàng)建特定領(lǐng)域的聊天機(jī)器人，以支持實(shí)時(shí)客戶(hù)互動(dòng)。第三種方法是人工智能輔助設(shè)計(jì)和路由。"要知道，自動(dòng)路由器已經(jīng)存在了很長(zhǎng)時(shí)間，"Slater說(shuō)。"真正的問(wèn)題是，技術(shù)是否有飛躍性的進(jìn)步，使人們能夠以更快的速度進(jìn)行設(shè)計(jì)。也許這意味著你需要建立一個(gè)巨大的優(yōu)秀設(shè)計(jì)實(shí)例庫(kù)，人工智能可以根據(jù)這些實(shí)例進(jìn)行訓(xùn)練。"

此外，人工智能還可用于建立更好的模型，并通過(guò)利用更多的人工神經(jīng)網(wǎng)絡(luò)來(lái)加快模擬器的速度。Slater說(shuō)：有基于物理學(xué)的分析模型，但你必須獲取大量測(cè)量數(shù)據(jù)才能達(dá)到目的。"如果你能利用人工智能啟發(fā)式網(wǎng)絡(luò)創(chuàng)建一個(gè)在曲線擬合方面同樣出色的模型，但關(guān)鍵是不需要那么多輸入數(shù)據(jù)，而且由于模型是基于神經(jīng)網(wǎng)絡(luò)而不是復(fù)雜的網(wǎng)表，因此執(zhí)行速度更快，那會(huì)怎么樣呢？"

人工智能的一個(gè)好處是，它可以讓工具運(yùn)行模擬，并決定哪種方法是每種情況下的最佳選擇，從而省去了在啟發(fā)式方法上花費(fèi)的一些時(shí)間。西門(mén)子 EDA 項(xiàng)目總監(jiān) Russell Klein 說(shuō)：這個(gè)過(guò)程可以變得更加智能、更加正確，這將使工程師更容易描述算法，并在高級(jí)綜合過(guò)程的另一端獲得良好的電路。

但是，這其中也有取舍。雖然人工智能可以提高模擬速度，但卻要以犧牲準(zhǔn)確性為代價(jià)。此外，雖然大型語(yǔ)言模型能夠理解向其提出的問(wèn)題，但其返回的實(shí)際答案需要結(jié)合上下文。Slater說(shuō)："它仍然需要 EDA 供應(yīng)商或軟件供應(yīng)商來(lái)提供和整理上下文語(yǔ)境。如果你利用的是一個(gè)非常龐大的信息數(shù)據(jù)庫(kù)，那么生成式人工智能就能給你帶來(lái)驚人的效果，但當(dāng)涉及到設(shè)計(jì)時(shí)，這些信息可能并不是現(xiàn)成的"。

芯片層面的挑戰(zhàn)

在人工智能芯片方面，數(shù)據(jù)中心使用的芯片與邊緣使用的芯片存在巨大差異。在數(shù)據(jù)中心，生成式人工智能會(huì)產(chǎn)生 "幻覺(jué)"，而高級(jí)定制硬件則會(huì)導(dǎo)致無(wú)聲數(shù)據(jù)錯(cuò)誤。眾所周知，兩者都會(huì)產(chǎn)生錯(cuò)誤的結(jié)果，這在一般的搜索引擎中可能不是問(wèn)題，但在軍事或金融行動(dòng)中可能是災(zāi)難性的。

更糟糕的是，人工智能解決方案是依賴(lài)于領(lǐng)域的。在企業(yè)界，金融機(jī)構(gòu)和保險(xiǎn)公司等較為成熟的行業(yè)都在試圖加速并盡快進(jìn)入人工智能領(lǐng)域，領(lǐng)導(dǎo)zSystems架構(gòu)開(kāi)發(fā)的IBM研究員克里斯蒂安-雅各比（Christian Jacobi）說(shuō)。然而，這些公司的客戶(hù)和監(jiān)管機(jī)構(gòu)對(duì)他們的行為方式有著截然不同的期望。你不會(huì)想向銀行的聊天機(jī)器人提問(wèn)，然后讓它宣布愛(ài)上你吧。

HPE人工智能首席產(chǎn)品官埃文-斯帕克斯（Evan Sparks）說(shuō)，這是復(fù)雜性之一。"我們正在與許多客戶(hù)合作，他們的架構(gòu)正在從重 CPU 轉(zhuǎn)向更重 GPU。我認(rèn)為不會(huì)就此止步。還有一種替代方案－－我們稱(chēng)之為 AI 原生架構(gòu)--這是一種超越微處理器芯片的系統(tǒng)，專(zhuān)門(mén)用于解決這些工作負(fù)載。在人工智能原生架構(gòu)中，你確實(shí)需要考慮堆棧的所有層次，從芯片的選擇（可能是用于模型訓(xùn)練和評(píng)估問(wèn)題的定制芯片）到互連、存儲(chǔ)，再到位于頂層并幫助最終用戶(hù)實(shí)際對(duì)這些東西進(jìn)行編程并使其應(yīng)用程序高效運(yùn)行的軟件。我們?nèi)蕴幱谶~向未來(lái)的初期階段。"

在邊緣領(lǐng)域，人工智能被內(nèi)置到更小更不復(fù)雜的系統(tǒng)中，潛在的隱患可能會(huì)截然不同。Expedera 首席科學(xué)家 Sharad Chole 說(shuō)：當(dāng)人工智能處于邊緣時(shí)，它需要與傳感器打交道，而這些數(shù)據(jù)是實(shí)時(shí)生成的，需要進(jìn)行處理。傳感器數(shù)據(jù)如何進(jìn)入，人工智能 NPU 處理這些數(shù)據(jù)的速度有多快，這在需要緩沖多少數(shù)據(jù)和需要使用多少帶寬方面改變了很多事情。整體延遲情況如何？我們的目標(biāo)是盡可能降低延遲，因此從傳感器的輸入到可能進(jìn)入應(yīng)用處理器或進(jìn)一步處理的輸出，我們希望盡可能降低延遲，并確保能夠以確定的方式處理數(shù)據(jù)。

此外，半導(dǎo)體器件必須在利潤(rùn)微薄的情況下滿(mǎn)足實(shí)際需求，這意味著任何宣稱(chēng)的人工智能差異化都必須為客戶(hù)帶來(lái)實(shí)際價(jià)值。Quadric的Roddy說(shuō)："半導(dǎo)體公司一直在為幾分錢(qián)爭(zhēng)得頭破血流。你無(wú)法通過(guò)微小的邊際變化實(shí)現(xiàn)差異化。如果你能把每次推理的能量提高 17% 或更多，那也只是曇花一現(xiàn)的微小差別，不足以打破現(xiàn)有公司的慣性思維。你需要的是有本質(zhì)區(qū)別的東西，或者是使用方式大不相同的東西。你不僅要在數(shù)量級(jí)上做得更好，你還必須在數(shù)量級(jí)上做得更好"。

這是一個(gè)挑戰(zhàn)，因?yàn)樵S多應(yīng)用都非常特殊。瑞薩公司業(yè)務(wù)開(kāi)發(fā)經(jīng)理 Nalin Balan 說(shuō)："人們?cè)谥圃飚a(chǎn)品時(shí)會(huì)考慮不同的因素。首先，他們希望保持合理的物料清單。你不能以增加產(chǎn)品成本 1000 倍的代價(jià)來(lái)實(shí)現(xiàn)智能化。因此，第一個(gè)問(wèn)題是，如何做到這一切，并保持合理的材料成本？第二個(gè)問(wèn)題是通用性。你所采用的人工智能能否在你所期望的產(chǎn)品部署的典型操作條件下實(shí)現(xiàn)通用化？例如，智能家居設(shè)備必須在不同類(lèi)型的背景噪音、復(fù)雜定位和其他情況下工作。你如何確保它能做到這一點(diǎn)？"

Roddy指出，還有一個(gè)重要的考慮因素。"需要解決的問(wèn)題會(huì)在兩三年內(nèi)保持穩(wěn)定嗎？到目前為止，答案是'不'，因?yàn)殡S著新數(shù)學(xué)模型的發(fā)明和探索，機(jī)器學(xué)習(xí)和人工智能每年都在發(fā)生巨大的變化"。

不同的起點(diǎn)

值得注意的是，盡管取得了進(jìn)展，但人工智能領(lǐng)域仍在繼續(xù)爭(zhēng)論人工智能究竟是什么、什么是人工智能公司（這是初創(chuàng)公司繼續(xù)獲得資金的一個(gè)基本要素）以及未來(lái)人工智能的最佳應(yīng)用方式和地點(diǎn)。

Imperas公司副總裁拉里-拉皮茲（Larry Lapides）說(shuō)："這有兩個(gè)層面。一個(gè)是 SoC 層面，有人生產(chǎn)支持人工智能的 SoC。他們不僅僅是在芯片上安裝處理器。他們將提供一個(gè)軟件堆棧。然后，用戶(hù)可以把它放在自己產(chǎn)品的電路板上。第二個(gè)層次是生產(chǎn)將人工智能融入產(chǎn)品的人，無(wú)論是數(shù)據(jù)中心插件還是邊緣物聯(lián)網(wǎng)。這不僅僅是一個(gè)帶有軟件的 SoC。它實(shí)際上提供了一個(gè)真正的人工智能子系統(tǒng)，能夠與更大的環(huán)境對(duì)接。"

Lapides 指出，針對(duì)底層 SoC 架構(gòu)優(yōu)化人工智能算法是一項(xiàng)重大挑戰(zhàn)。"數(shù)據(jù)如此之多，場(chǎng)景如此之廣，需要進(jìn)行大量的、有效的、持續(xù)的軟件模擬，以達(dá)到人工智能的性能要求和預(yù)期的結(jié)果準(zhǔn)確性"。

對(duì)某些人來(lái)說(shuō)，這只是簡(jiǎn)單的數(shù)學(xué)問(wèn)題。"還記得 30 年前我們?cè)?Excel 中做曲線的線性近似嗎？你有一堆點(diǎn)，然后為具有最佳回歸擬合的點(diǎn)畫(huà)一條線，或者你可以嘗試二次函數(shù)或其他公式，"IBM 的Jacobi說(shuō)。"如今的人工智能不過(guò)如此，但它不再使用二次函數(shù)和 10 個(gè)點(diǎn)或 100 個(gè)點(diǎn)，而是使用數(shù)十億個(gè)點(diǎn)來(lái)進(jìn)行本質(zhì)上的最佳擬合回歸。"

然而，并非所有人都同意這一點(diǎn)。比起人工智能公司與非人工智能公司的區(qū)別，更容易指出人工智能做了什么--而且做得很好。Expedera 市場(chǎng)營(yíng)銷(xiāo)副總裁保羅-卡拉祖巴（Paul Karazuba）說(shuō)："要成為一家人工智能公司，你的產(chǎn)品必須與人工智能有密切聯(lián)系。舉例來(lái)說(shuō)，如果你是一家搜索引擎優(yōu)化公司，你在軟件堆棧中加入了生成式人工智能，幫助客戶(hù)獲得更好的搜索引擎優(yōu)化結(jié)果，那么你絕對(duì)是一家人工智能公司。如果你在招聘中使用人工智能，而你的產(chǎn)品是鉛筆，那么你就不是一家人工智能公司。人工智能在你的產(chǎn)品或服務(wù)中必須有一個(gè)可定義、可解釋的用途，這對(duì)產(chǎn)品或服務(wù)的成功不可或缺。而且你應(yīng)該能夠量化你的主張，并得到第三方的支持"。

同樣，西門(mén)子的Klein也對(duì)定義進(jìn)行了界定。"一家人工智能公司正在構(gòu)建一個(gè)電子系統(tǒng)，該系統(tǒng)使用人工智能來(lái)實(shí)現(xiàn)其部分功能，而人工智能算法則以某種方式在硬件或軟件中實(shí)現(xiàn)。它可以是在處理器上運(yùn)行的軟件，也可以是在 GPU 或 TPU 中加速的東西，或者是用于進(jìn)行這種人工智能的定制硬件加速器。"

不過(guò)，真正的差異化與未來(lái)主義的承諾無(wú)關(guān)。IBM 的Jacobi說(shuō)，讓公司脫穎而出的是對(duì)工程基礎(chǔ)的關(guān)注。"了解你的問(wèn)題。你真的在設(shè)計(jì)下一個(gè)重大突破嗎？還是你說(shuō)服了自己，但卻沒(méi)有做適當(dāng)?shù)难芯浚恢雷约阂鉀Q什么問(wèn)題。如果你只是想構(gòu)建一個(gè)最大、最糟糕的浮點(diǎn)矩陣乘法引擎，那它到底能解決什么問(wèn)題？你需要一個(gè)整體的方法。例如，為什么要優(yōu)化事務(wù)環(huán)境中的吞吐量？用戶(hù)可能愿意為自動(dòng)完成等待半秒鐘，但在這半秒鐘之后，他們想要的是 20 個(gè)字。這其中有各種各樣的權(quán)衡。只有當(dāng)你知道你的設(shè)計(jì)目的是什么時(shí)，你才能設(shè)計(jì)出你的解決方案。"

這就是人工智能公司的定義。"人工智能不是建立模型。人工智能是一門(mén)工程學(xué)科，"瑞薩科技業(yè)務(wù)加速和全球生態(tài)系統(tǒng)高級(jí)總監(jiān) Kaushal Vora 說(shuō)。"與工程學(xué)中的任何學(xué)科一樣，首先要了解你要構(gòu)建的內(nèi)容，包括系統(tǒng)的限制條件，以及你如何利用系統(tǒng)來(lái)收集完整性高、覆蓋范圍廣的數(shù)據(jù)，并在決策所依據(jù)的特征中實(shí)現(xiàn)足夠的分離。然后是建立模型、部署模型，然后再弄清楚如何在部署后對(duì)系統(tǒng)進(jìn)行維護(hù)"。