機器學習/深度學習、自動化、更卓越的設計能力、5G和邊緣計算等概念的推動下，使得汽車、工業、醫療等各行業都在經歷空前的數字化轉型，并促進了針對其特定應用需求而優化的定制系統和SoC的開發。Anirudh Devgan這句話從當下現狀來剖析智慧化勢不可擋：“我們已進入智能系統設計時代。”

“神經元比作節點、突觸比作連接線，組成一個人工神經網絡。神經元通過突觸進行通信，而突觸的權重決定是否能夠通信。如此一來，任何神經元就是一堆數據，加權重，再到下一級。這是一種全新的計算方式”，如此形容如今大伙的神經網絡，也表達了背后關于數據量的變化：“處理人工神經網絡需要的數據量是驚人的，VGG19模型就達到196億每秒浮點運算次數。（如下圖右側柱狀圖）”

信息時代在過去30年里，算法、算力、數據都提升百萬倍。但在智能時代僅僅過去5年里，在算法上提升百萬倍、算力提升十萬倍、數據提升萬倍。這里的分界點是阿法狗出來那一刻，如今那個機器，在算法上又提升了一百萬倍。同時這也是一個算法不斷迭代演進的年代。算法每6個月或者3個月就要變一次，一個算法對應一個應用，沒有通用的算法對我們硬件（芯片）來說是災難性的。

要應對這場“災難”，顯然需要本文開頭構想的場景——“讓芯片通過學習的過程而使得算法和軟件自動演進”。

“計算量足夠大，能量效率還要足夠高，這之間很難平衡。從現在以T為單位的計算量來看，幾乎是要在單芯片上實現超算，本來我們想象在5nm/10nm才有所需求，人工神經網讓芯片早就達到了超算能力。”魏少軍如此說道，他眼中的智慧芯片需要具備至少以下8個特點。

1，可編程性，適應算法不斷變化；2，改變架構，來適應算法 獲得最佳計算效率；3，非常好的架構變換能力；4，很高的計算效率，用指令肯定不行；5，很高的能量效率；6，低成本；7，體積小；8，簡單，開發應用要簡單。只需軟件工程師會編程即可。

至此，魏少軍認為“軟件定義芯片”才是最佳做法。其概念是就是將分塊軟件/程序不斷送到數據通道，使芯片能實時地根據軟件或產品的需求改變功能，實現更加靈活的芯片設計。在去年美國國防部先進計劃署（DARPA）推動的電子產業振興計劃（ERI），其中一個課題就是軟件定義硬件的概念。

當然，當下軟件定義芯片架構并沒有逃開馮·諾依曼架構，可以看出該架構在計算完備性上是有理論基礎的。1.0時代則包括TPU等，追求性能同時追求低功耗。1.5時代則包括DPU Thinker等，不僅要可重構，還要追求能量效率和靈活性。2.0時代，則包括了前面所有有點。魏少軍認為AI芯片2.0才是真正的智慧，但還沒有出現。

2019年是公司特殊的一年，正式踏入了系統設計、系統分析領域，旨在幫助用戶在日常開發中實現更多智能化。這里的智能系統設計策略就是Anirudh Devgan所說的：“以技術（計算）軟件為核心能力，包括引用AI和算法優化設計工具、擴展到新系統領域、以及執行核心EDA和IP。”

此外，為了優化設計方案，Cadence 提出了 Machine Learning 與 EDA 相互融合的理念，并在中國IC設計市場帶來了全新的思路，如下：（1）ML Inside：通過最新的機器學習引擎，改善數字設計工具，帶來更好的PPA。通過對過往的大數據分析和決策，來加速未來的智能版圖設計。（2）ML Outside：自動化的設計流程，提升整個設計的生產效率。（3）ML Enablement：軟件和硬件的協同設計，以及 Cadence 獨有的 Tensilica 處理器 IP，應用機器學習為系統級的優化帶來提升。

如果能猜對重要的場景，并猜對重要的算法，來應對架構本身的不確定性。那就大有可為。” 依圖的思路放在了視頻視覺處理上，實現“用1個機柜支撐1萬路攝像頭的全解析，讓能耗、成本和空間都獲得大幅度的減低和壓縮。如此一來，讓筆者越發覺得芯片這行太難了，前方烏托邦式的“智慧芯片”，再加完美的應用場景，設計工具本身就要兼具智能系統。外加人才、資本、政策協助，才是一個完整的芯片升級之道。