摘要：最近，AI 已经在具有挑战性的领域中解锁了新的技术进步和进步——从将可再生能源研究加速数年到准确检测癌症。因此，当我上个月参加在亚美尼亚举行的 WCIT 会议时，一场关于 AI 如何协助芯片设计的演讲引起了我的注意。

人类智能和我们的集体智慧已经成为 AI 崛起的限制因素。事实上，目前唯一明智的举动似乎是让 AI 设计自己的未来硬件，一直到微芯片级别。

最近，AI 已经在具有挑战性的领域中解锁了新的技术进步和进步——从将可再生能源研究加速数年到准确检测癌症。因此，当我上个月参加在亚美尼亚举行的 WCIT 会议时，一场关于 AI 如何协助芯片设计的演讲引起了我的注意。

满足全球对计算能力不断增长的需求是一项艰巨的任务。您的手机、笔记本电脑和汽车中的处理器已经非常小巧且足够快，每秒可以精确执行数十亿条指令。然而，我们希望最新的小工具每年都能比去年的型号做得更多，运行得更快。

这在处理器上是什么样子的？想想看，我们已经从 2001 年在 Nintendo GameCube 的 Gekko 处理器上封装了 2100 万个晶体管，到 2021 年在指甲大小的芯片上安装了 500 亿个晶体管。尽管我们确实站在巨人的肩膀上，但今天的芯片设计和制造比过去几十年的芯片要复杂得多。

我们现在还需要专用芯片。例如，笔记本电脑和云服务器具有神经处理单元 （NPU），旨在高效运行机器学习任务。还有 3D 芯片，它们本质上是堆叠在一起的小芯片的组合，以提高性能。

所有这些复杂的组件都需要比我们用传统算法想象的更精确的设计。这就是 AI 的用武之地。

AI 以多种方式加速和优化了设计芯片的艰巨任务。对于处理器制造商来说，AI 辅助设计意味着他们可以制造出更好的芯片，工程师比以前少得多，周转时间也快得多。

在 WCIT 会议上，我与 Synopsys 首席架构师兼 Synopsys 亚美尼亚总裁 Yervant Zorian 博士进行了交谈。它激发了我的好奇心，让我陷入了一个迷人的兔子洞，进入了将为未来几代 AI 提供动力的非凡技术。

我试图在有关该主题的众多论文、演讲、播客和文章中提炼我所遇到的内容。

芯片设计是使用一类统称为电子设计自动化 （EDA） 的软件、硬件和服务实现的。这使工程师能够定义芯片的规格及其功能、设计芯片、规划组装、验证芯片在制造后是否能正常工作，并将其投入生产。

EDA 工具提供电源仿真工具，让设计人员可以虚拟尝试不同的想法，同时针对高处理器性能、低功耗和理想散热进行优化。

一旦芯片完成原型设计，它们也会提供帮助，验证性能和可靠性，以便复杂且昂贵的制造过程提供尽可能高的功能芯片产量。

有很多公司生产 EDA 工具，包括 Autodesk、Keysight Technologies、Cadence Design Systems 和 Synopsys。后两家可以说是该领域最大的参与者。就上下文而言，Synopsys 的工具被 Tesla、Arm、AMD、Microsoft、Intel、Samsung 和 TSMC 等公司使用。

您可能听说过摩尔定律。这更像是英特尔联合创始人戈登·摩尔 （Gordon Moore） 博士于 1965 年制定的观察，而不是法律。他表示，半导体公司可以每 12 个月将一平方英寸硅上的分立元件数量增加一倍。

如今，我们对这个所谓的定律玩得相当快和松散。目前改写为，我们看到处理器的计算能力每 18-24 个月就会翻一番。

在 60 年代和 70 年代，将晶体管数量增加一倍可能比今天更直接。这是因为，正如您所记得的，我们目前在一个微小的芯片上安装了数十亿个纳米级晶体管。这些晶体管现在非常小，以至于它们开始遇到物理极限;电子在这些纳米级设计中停止自身行为，由于量子效应而开始“隧穿”障碍，从而影响计算的准确性和效率。因此，让它们变得更小变得越来越非常困难。

随着对计算能力需求的增加，为了满足这些需求，芯片变得越来越大、越来越复杂。例如，制造更小的芯片，如即将推出的 2 纳米处理器和垂直堆叠的 3D 集成电路，会使设计过程更具挑战性和耗时。更大的芯片也需要更多的功率。

随着芯片制造技术的进步，生产芯片的新设计规则也随之而来。这些规则是指一组几何约束，这些约束可确保芯片的可制造性，同时考虑制造过程中的限制。

这意味着芯片设计人员需要不断重新培训和更新他们的知识，以保持领先地位。

设计过程漫长且劳动密集型。设计一个现代芯片可能需要三年多的时间，涉及数百甚至数千人。正如您所料，这最终可能会非常昂贵，而且没有出错的余地。

1） AI 处理大量繁重的工作

您今天看到的芯片不可能在没有 AI 的情况下进行设计。

据 Synopsys 称，至少自 2016 年以来，AI 多年来一直在芯片设计过程的各个部分提供帮助。这是因为我们的计算需求变得非常复杂，以及我们对效率和小尺寸的要求。

所有这一切都归结为比往年在芯片上安装更多的晶体管，确保它们不会变得太热，并且它们在按照该设计制造时能够可靠地运行。事实证明，AI 可以有效地快速解决这些挑战，使制造商能够按时将其产品推向市场。

Synopsys 为芯片制造商提供了一套 AI 驱动的 EDA 工具。这些产品几乎涵盖了芯片设计过程的方方面面，包括定义系统架构、设计实现、验证和制造等复杂任务。他们还可以承担重复且耗时的任务，例如模拟，并更快、更准确地执行这些任务。

2021 年，我们看到了三星第一款采用 AI 设计的商用芯片。去年，杰出架构师兼 Synopsys 生成式 AI 卓越中心负责人 Stelios Diamantdis 表示：“使用 Synopsys AI 技术设计的 300 多个商用芯片现已投入生产。"

2） AI 设计专用芯片并优化复杂布局

在芯片设计中，强化学习是 AI 的基础，可协助设计人员完成工作。

在这里，AI 模型使用试错学习过程来做出决策，以便在给定场景中实现最佳结果。

目前，AI 特别擅长帮助：

让我们举一个突出的例子来更好地理解这一点。2020 年，Google DeepMind 的研究人员发表了一篇论文，概述了他们的开源神经架构 AlphaChip 如何解决芯片放置的挑战性任务。它使用以前设计的强化学习构建而成，将人类设计师创建芯片布局所需的时间从几周缩短到几个小时。

从广义上讲，AI 模型是针对基本芯片设计任务（例如在布局上放置电路元件）进行“预训练”的。接下来，它们被用来将这些组件连接在一起并理解它们之间的关系。

就 AlphaChip 而言，它首先在前几代的各种不同芯片块上进行训练，然后才能采用更复杂的芯片布局。每次完成设计时，它都会变得更好、更快。

在 9 月发布的该论文的附录之后，该团队指出，自 2020 年以来，AlphaChip 已经生成了“超人”的芯片设计，用于 Google 的 Tensor Processing Units （TPU） 的每次迭代。这些芯片为 Google 的许多流行 AI 模型提供动力——包括其 ChatGPT 竞争对手 Gemini。

3） 甚至还有一个用于芯片设计的 ChatGPT

您可能熟悉生成式 AI （genAI） – 它指的是人工智能系统，可以通过从现有数据中学习模式来创建新内容（如文本、图像、代码或音乐），例如 ChatGPT 和 Midjourney。这项技术也开始在芯片设计中发挥作用。

它目前在半导体行业处于早期阶段。例如，Synopsys 的 genAI 技术充当知识查询系统。它回答了设计人员关于 EDA 工具及其当前项目的问题，并根据 Synopsys 的资源库提供见解。

GenAI 在芯片设计中特别有用，因为它是一个如此复杂的领域。在最近一集的 Sama 的 AI 如何发生播客中，Synopsys 的 AI 和 ML 副总裁 Thomas Andersen 描述了聊天机器人如何快速浏览跨越约 100 页的冗长规格列表，并将其总结出来，以便设计人员轻松接近。它还可以提取验证约束等重要部分，并协助代码优化。

随着时间的推移，这些工具将从用户工作流程中学习，并提供更规范性的指导和建议。

Andersen 在描述与客户一起演示 Synopsys 基于 genAI 的 copilot 的一些早期结果时说：

“我们看到生产力提高了 30% 到 50%。事实上，有一句话谈到初级工程师现在处于专家工程师的水平上。而这正是我们想要的。你把权力交到每个人的手中。当然，与必须询问某人或在一些文档中查找并在那里找到答案相比，响应要快得多。

下一步是开发和微调代理系统，这些系统不仅可以生成内容并自主执行任务。因此，例如，假设设计人员询问 EDA 聊天机器人如何调试某个问题。genAI 系统只会描述一个潜在的解决方案。另一方面，代理系统将启动并完成工作;它实际上会运行测试或模拟，识别问题，纠正设计以修复它，并在将其提交给设计师之前运行自己的综合测试程序。

Zorian 博士解释了近年来，芯片设计人员的初次经历发生了根本性的变化。

“这里为你提供了很多知识和帮助，”他告诉我，“有很多事情你不需要自己去做。

“所以，你必须知道如何授权。您必须知道将什么委托给 genAI，以及自己做什么。因此，我们今天所做的是培训我们的员工知道如何授权，以及对 genAI 的期望。

Zorian 还强调，当 AI 可以承担重复性任务时，创造力、解决问题和横向大局思维成为人类可以带来的最高价值元素。

“随着我们向前发展，我们需要新的架构，”他说，“或者架构级别的创新。我们需要新的分区。想想汽车里的处理器。你如何在车里分配筹码？几年前，我们曾经在一辆车上有 200 个芯片。然后，我们发展到区域架构。现在，我们只用一个芯片就能完成所有工作。

“这些是 genAI 不会建议的重大架构决策。像这样的重大决定仍然将由人类专家做出。

我不禁大声想知道，为什么我们不能直接要求 AI 系统简单地为我们设计“更好”的芯片 - 创造出更高效、更凉爽、性能更高的设计。

Zorian 博士解释说，这里的主要限制是数据的可用性。使用 Synopsys 生成式 AI 工具的每家公司都只用自己的芯片设计和专有知识产权对它们进行训练。英特尔无法询问其 AI 机器人 AMD 如何解决特定的设计问题，反之亦然。

每家公司可用的工具都可以引用开源材料——但考虑到该领域问题的复杂性，目前这还不足以帮助公司设计出领先竞争对手数光年的芯片。

Synopsys 相信 AI 将继续提高工程生产力，并帮助公司应对对强大芯片的需求不断增长和合格工程师短缺的双重挑战。

AI 还将帮助工程师更快地探索设计选项并做出更好的决策，从而产生更高效和有效的芯片。

它还可以使更广泛的工程师更容易进行芯片设计，通过自动化许多更复杂的任务来使这个高度技术化的领域民主化。这也可能对公司层面产生影响，可能允许较小的公司进入竞争领域并为专业应用设计定制芯片。

genAI 在芯片设计中的出现仍处于早期阶段，主要用作设计助手。

更进一步，我们已经在使用 AI 来设计为其提供支持的芯片。这些模型正在学习改进以前的处理器，确定提高可制造性和产量的方法，并帮助人们就如何改进其设计流程做出更好的决策。鉴于这些模型的发展速度，端到端 AI 设计可能很快就会成为可能。我们人类需要做的就是设置目标参数，告诉 AI 确切地告诉制造工具的能力，然后砰！性能优于上一代的新芯片。

继续沿着这条道路走下去，这些过程可能会在渐近加速中形成一个关键的强化循环，将我们带入奇点的疯狂想法——人工智能制造出比人类更聪明的机器，每一代新一代都能够比上一代更快地自我改进。想想既可怕又迷人。

总有一天，设计师和工具包之间的界限可能会变得非常模糊，我们将制作出我们几乎无法想象的计算景观。未来的处理器将不仅仅是一种工具，它还将成为人类最雄心勃勃的技术梦想的共同创造者。

来源：智视角