來源：內容由半導體行業(yè)觀察編譯自semiengineering。

人工智能工具的普及似乎完美地填補了人才短缺的空白，但仔細觀察就會發(fā)現，這些技能并非完全重疊。EDA流程中的某些環(huán)節(jié)仍然需要人類工程師，而且這種情況在可預見的未來很可能還會持續(xù)下去。

模擬設計的深奧藝術、安全關鍵功能安全的最終定論、高層架構決策、產品創(chuàng)新和創(chuàng)造性問題解決，這些都是人們大放異彩的地方。

盡管有人預測人工智能會全面取代工程崗位，但人工智能對工程崗位的影響更為微妙，這取決于任務的性質、工作的復雜性以及人工智能工具在每個領域的成熟度。

Synopsys產品管理高級總監(jiān)Anand Thiruvengadam表示：“像模擬設計和概念設計這類富有創(chuàng)意、開放式且與具體情境相關的任務，人工智能很難完全取代。在復雜領域，人工智能更有可能起到輔助而非取代設計師的作用，成為提高生產力的工具，而不是完全的替代品。”

根據Thiruvengadam的說法，以下是以人為中心的任務：

1. 架構/概念設計（跨領域）：高層次的架構決策、創(chuàng)新的產品設計和創(chuàng)意方向需要人類的直覺、遠見和跨領域的推理能力。

2. 架構和規(guī)格定義：設定芯片的目標、功能和限制條件需要對市場、客戶和技術有深刻的理解。人的洞察力能夠確保設計符合業(yè)務需求、監(jiān)管要求和長期戰(zhàn)略。

3. 模擬電路設計：這需要深厚的專業(yè)知識、創(chuàng)造性的問題解決能力以及對各種權衡因素（例如噪聲、線性度、匹配度）的深入理解。人工智能工具可以輔助仿真和布局建議，但由于模擬設計的復雜性和與具體應用場景密切相關，實現完全自動化仍然是一個挑戰(zhàn)。

4. 安全關鍵型和高可靠性設計決策：任何錯誤都可能導致災難性故障。必須由人來驗證安全特性、冗余性和容錯性。

5. 驗證簽核和質量保證：雖然人工智能可以自動執(zhí)行許多驗證任務，但最終簽核需要人工判斷來解釋結果、評估風險并確保完整性，尤其是在特殊情況和非典型場景中。

6. 物理設計收斂和制造準備：關于良率、可制造性和工藝偏差的決策需要專家的專業(yè)知識。工程師應監(jiān)督最終的可制造性設計 (DFM)，批準流片，并評估代工廠的反饋。

7. 處理新穎問題和例外情況：無法預見的設計挑戰(zhàn)、錯誤或流程問題需要創(chuàng)造性的問題解決能力和跨學科專業(yè)知識，而人工智能無法完全自動化。

未來，一種類似達爾文進化論的人工智能系統(tǒng)或許能夠通過隨機遍歷海量選項，然后選擇最佳方案來解決新問題。“我不知道這是否會成為現實，但肯定不會高效，”Cadence公司驗證軟件產品管理高級總監(jiān)Matthew Graham表示。 “我們人類工程師就是這樣做的。我們會說，‘我需要解決這個新問題。讓我想想所有可能有助于我發(fā)揮創(chuàng)造力的方法。’我們會在腦海中進行自我選擇。沿著一條路走，嘗試這條路，如此循環(huán)往復。至少目前來看，人工智能還無法做到這一點。”

需要人類：驗證、監(jiān)控和培訓

人類工程師需要了解如何將準確有用的知識輸入人工智能系統(tǒng)，然后檢查輸出結果是否正確。

“人工智能不應該對你的工作構成威脅，因為本質上仍然需要人類來驗證人工智能所產生的系統(tǒng)是否真的是最優(yōu)的，”西門子EDA汽車和軍工航空混合物理和虛擬系統(tǒng)副總裁David Fritz表示。 “這不僅僅是像大型語言模型那樣閱讀論文和處理大量PDF文件。并非如此。它需要的是微妙的知識。它指的是，你很可能知道A和B之間存在我尚未察覺的依賴關系。我該如何找到這種依賴關系？你不可能在某份白皮書或博士論文中找到它。工程師對于使系統(tǒng)達到能夠為經驗不足的人提供實用服務的水平至關重要。他們仍然需要監(jiān)控系統(tǒng)，并隨著技術的進步不斷訓練系統(tǒng)。工程領域前景光明，但你必須理解人工智能的作用，它不僅僅是為我們的命令行工具提供一個自然語言界面。這占據了目前90%的工作量，但它需要遠不止于此。”

驗證對于避免代價高昂的錯誤至關重要，也是設計過程中最耗時、成本最高的環(huán)節(jié)。但各方面的成本都在上漲。在集成電路制造中，掩模組和流片成本極其高昂。印刷電路板的成本也相當可觀。

“風險緩解和上市時間是關鍵所在，”是德科技高級總監(jiān)Alexander Petr表示。“你希望在第一次迭代中就做到盡善盡美，從而節(jié)省成本并搶占市場先機。假設你選擇了一個團隊，他們說：‘我們重新設計了整個流程。我們有一個人工智能可以生成解決方案。’你會信任人工智能來取代那些價值數百萬美元的項目嗎？你必須審視工作流程，并決定在哪些環(huán)節(jié)引入人工干預。你想在哪些環(huán)節(jié)加入安全措施？你想在哪些環(huán)節(jié)加入驗證步驟？信任固然重要，但驗證也是游戲規(guī)則的一部分。如果你遵循這種思路，你會發(fā)現你需要的人員更少。但你也在努力彌補技能缺口。我認為不會有任何工作崗位被取代，它們只是會發(fā)生變化。人們不再從事設計工作，而是更多地從事驗證工作。”

目前，許多新興創(chuàng)業(yè)公司都專注于RTL驗證。“看看信號，告訴我信號是由什么驅動的，”Petr說道。 “他們已經開發(fā)出了人工智能工具，也用它們進行過流片，但如果你問問人們這些工具的成果，他們會說它們離生產就緒還差得很遠。人們還不信任這個系統(tǒng)。建立這種信任需要數年甚至數十年的時間，而且需要經歷多次迭代。此外，如果你觀察一些人工智能的開發(fā)速度，你會發(fā)現它們采用的是敏捷開發(fā)模式，也就是快速失敗、快速重試。人工智能的早期版本往往會出現問題。它們會產生幻覺，會誤以為自己做對了。就在不久前，就有一篇文章報道說一個完整的數據庫被人工智能刪除了。這不是一個好的開始。我們需要重新審視驗證輸出所需的技能。我們需要弄清楚可以為這些驗證步驟開發(fā)哪些工具，以及哪些步驟可以自動化。哪些可以重新設計？哪些可以替換？總而言之，從人員配置的角度來看，人工智能并不會改變現狀。”

模擬和混合信號設計是一門深奧的學問

模擬設計本身就更加復雜，不僅僅是使用人工智能/機器學習工具解決起來更具挑戰(zhàn)性。“模擬領域要難得多，因為世界上的一切都是模擬的，”西門子EDA產品負責人Sathishkumar Balasubramanian說道。“模擬電路非常接近物理學，因此存在抽象概念。數字設計中也存在0、1和X的抽象概念，以及系統(tǒng)、軟件等等的抽象概念。”

對于模擬/混合信號電路，人工智能可以用于分析、優(yōu)化和調試，還可以作為自然語言訓練伙伴，幫助降低學習門檻。然而，在轉向人工智能工具的過程中，有些東西也隨之丟失了。

“我以前會看書，書里會告訴你如何解決這個問題，”Balasubramanian說道。“我們在實驗室里做實驗，搭建電路，設計電路，最終解決問題，因為我們專注于解決問題本身。但現在的情況是，人們離問題本身越來越遠，因為他們試圖掌握一個可能幫助他們解決問題的工具。他們試圖學習這個工具，學習一門不同的語言，學習一個可能幫助他們解決問題的工具是如何運作的。他們并沒有真正關注問題的核心，也就是如何為這個工藝節(jié)點設計出最佳的運算放大器或鎖相環(huán)。”

模擬/混合信號處理變得更加困難，因為工程師們通過定制工具、定制技能和定制數據庫增加了復雜性。“我們在一個原本就十分復雜的領域上又增加了一層復雜性，而現在這個領域變得更加復雜了，”Balasubramanian說道。

其他人也認同AMS領域很棘手。“仍然有人把這當成一門藝術，”彼得說。“他們開始手繪。他們進去，看看效果，然后說，‘這看起來不對勁’，這通常意味著，‘它看起來不美觀，它不起作用。’這些問題具有一定的維度，而且維度要高得多，因為沒有標準，沒有既定的規(guī)則可以遵循，這主要是因為它是模擬信號。模擬信號比離散的、二進制的信號動態(tài)得多，因此在這個領域做到萬無一失需要花費更多的時間。”

人工智能公司在應用數學與合成（AMS）領域經常承諾進行合成，并聲稱合成結果可以由人工智能工具生成。“但如果你深入探究，就會發(fā)現他們已經制定了相應的規(guī)則，這極大地限制了自由度，”Petr說道。“要想在這些領域擁有目前所具備的自由度，從而實現利用人工智能進行探索、發(fā)現和自動化，還需要很長時間。你可以簡化問題，嘗試解決一個較小的問題。你可以讓結果看起來非常令人印象深刻。但這實際上是一個非常有限的范圍。”

對于航空航天、國防和汽車等安全關鍵型應用而言，功能安全工程師尤為重要。“假設我們需要8到10名全職安全工程師，但我們只能找到4到5名。我們嘗試用4到5名工程師，并借助機器學習來實現同樣的整體效果，”Imagination Technologies公司系統(tǒng)和功能安全工程專家、工程和技術負責人Andrew Johnson說道。“這或許可行，但我建議剩下的這4到5名工程師不能是初級工程師。他們需要是經驗豐富的資深首席技術專家，而這類人才很難找到。當引入人工智能時，你需要足夠聰明且經驗豐富的人來了解模型是什么，它能告訴你什么，以及是否應該否決模型給出的結論。如果你因為經驗不足或沒有經驗而不知道，你只會點頭說，‘電腦說可以，所以我們繼續(xù)。’這可能會非常危險。”

安全關鍵型應用

航空航天/國防領域受人工智能影響的失業(yè)速度可能比其他領域慢。“某些行業(yè)由于自身特性，采用人工智能的速度自然會較慢，這其中既有合理的文化原因，也有不那么合理的文化原因，”Cadence公司的Graham表示。“更有可能的情況是，這些工具會適應這些環(huán)境。我們必然會開發(fā)出一套安全可靠或能夠在安全環(huán)境下有效運行的人工智能工具，而不是讓行業(yè)完全忽視它。我認為他們別無選擇。”

這些行業(yè)必須謹慎行事，但不能忽視不可避免的趨勢。“更有可能的是，工具會適應環(huán)境，”Graham說。“某些工具及其特定版本會適應環(huán)境，而不是環(huán)境不采用它們。”

Vibe 編碼主管認為，有理由對數字原生代 Z 世代和 Alpha 世代掌握人工智能并找到新角色的能力保持樂觀，尤其是那些從小就接觸編程的人。“我有一個上大學的孩子，他對人工智能有著非常獨特的見解，” Arteris首席營銷官 Michal Siwinski 說。 “他對人工智能最終可能會做的那些編程工作感興趣嗎？不，那些編程太枯燥了。都是些底層工作，甚至不需要計算機學位。相反，應該想想如何協(xié)調人工智能，如何用它來做更有趣的事情。如何構建機器人系統(tǒng)？如何確定電氣、機械等等所有環(huán)節(jié)需要如何協(xié)同工作？這才是真正令人興奮的新領域，而且才剛剛起步。這將是一個不斷發(fā)展的過程。我家有兩個兒子。他們會編程，而且一直在編程，但他們的想法是，他們不一定要寫出能上傳到GitHub上的東西，因為GitHub上已經有了。編程仍然非常重要。”

另一些人則警告說，無人監(jiān)督的人工智能代碼存在危險。“我自己也經常陷入完全依賴人工智能的陷阱，” ChipAgents的創(chuàng)始人工智能工程師 Daniel Rose 說。“如果你完全依賴人工智能，它有時確實有效，但也會有一些時候它出現故障，導致一些你無法解決的問題，除非你真正了解后臺運行的機制，了解編程語言的工作原理。你必須理解你生成的代碼。只不過，人工智能可以幫助你比你自己更快地生成代碼。”

Vibe 編碼利用人工智能根據自然語言提示生成功能性代碼，這種技術正日益流行，但它仍不完美。“人工智能確實會犯錯或產生錯覺，你需要具備領域專業(yè)知識和理解力，才能確保生成的代碼可行且能完成預期功能，”Baya 公司的 Nayampally 表示。“這一代迭代速度更快，所以你也必須加快速度，但與此同時，你也要從更高的層面思考你需要完成的任務。”

結論

人工智能/機器學習正在半導體設計領域取得進展。至于哪些任務可以交給人工智能來完成，則取決于各個設計團隊和設計基礎設施管理部門的決定。

人工智能最容易接管的任務包括功能驗證、回歸測試和覆蓋率分析，這些任務的自動化程度越來越高。“人工智能工具可以生成測試平臺、預測覆蓋率漏洞，甚至提出新的測試場景，”Synopsys 的 Thiruvengadam 指出。“這是因為這些任務基于規(guī)則、重復性高，并且涉及大型數據集，因此非常適合人工智能自動化。此外，自動化布局布線工具已經相當成熟，而人工智能增強的工具正在進一步提高效率。常規(guī)的數字布局任務也正變得越來越自動化。”

最后，在最糟糕的情況下，如果電網、互聯(lián)網和人工智能系統(tǒng)長期癱瘓，而我們只剩下只會使用人工智能的勞動力，那該怎么辦？“停電的可能性始終存在，”ChipAgents公司的羅斯說道，“我們在世界各地都看到過這種情況，所以我們需要一些不完全依賴人工智能、即使沒有人工智能也能完成工作的人。”

Cadence公司的格雷厄姆認為人類總會找到辦法。“我是個樂觀主義者，但我并不認為這種情況會發(fā)生。不過，需求確實是發(fā)明之母，如果我們真的身處那種境地，我們也一定會發(fā)明出解決辦法。”

最后，正因為人們學會了如何學習，他們才能回溯過去，理解各種過程是如何發(fā)生的。“如果合成的概念突然從地球上消失，我們說，‘我們只能通過手工制作才能得到真正的面具’，我們也能找到解決辦法，”格雷厄姆說道。“我們具備這種能力。不僅如此，我們還擁有迄今為止積累的所有數據。我們不再像第一次那樣通過反復試驗來發(fā)現它。我們曾經到達過這里，我們絕對可以再次到達這里，聰明的人就是聰明的人，無論他們的起點在哪里。”