摘要：近来，人工智能已经在具有挑战性的领域中开启了新的技术进步和进展——从加速可再生能源研究到准确检测癌症。因此，当笔者上个月参加亚美尼亚 WCIT 会议时，一场关于人工智能如何协助芯片设计的演讲引起了我的注意。

本文由半导体产业纵横（ID：ICVIEWS）编译自newatlas

有一天，设计师和AI工具之间的界限可能会变得模糊不清。

人类智慧和集体智慧已经成为人工智能崛起的限制因素。事实上，目前唯一明智的做法似乎是让人工智能设计自己的未来硬件，直至微芯片级别。

近来，人工智能已经在具有挑战性的领域中开启了新的技术进步和进展——从加速可再生能源研究到准确检测癌症。因此，当笔者上个月参加亚美尼亚 WCIT 会议时，一场关于人工智能如何协助芯片设计的演讲引起了我的注意。

满足世界对计算能力日益增长的需求是一项艰巨的任务。你的手机、笔记本电脑和汽车中的处理器已经非常小巧，速度也足够快，可以精确地每秒执行数十亿条指令。然而，我们每年都希望最新的设备能够比去年的型号功能更多、运行速度更快。

在处理器上看起来是什么样的？想想看， 2001年，任天堂 GameCube 的 Gekko 处理器上装有 2100 万个晶体管，而到 2021 年，指甲盖大小的芯片上装有 500 亿个晶体管。虽然我们确实站在巨人的肩膀上，但今天的芯片的设计和制造比前几十年的芯片复杂得多。

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，本质上是堆叠在一起的芯片组合，以提高性能。

所有这些复杂组件都需要比我们用传统算法所能想象的更精确的设计。这就是人工智能发挥作用的地方。

人工智能以多种方式加速和优化了芯片设计的艰巨任务。对于处理器制造商来说，人工智能辅助设计意味着他们可以制造出更好的芯片，所需的工程师数量比以前少得多，周转时间也快得多。

在 WCIT 大会上，笔者与 Synopsys 首席架构师兼 Synopsys 亚美尼亚公司总裁 Yervant Zorian 博士进行了交谈。这激发了我的好奇心，让我陷入了令人着迷的兔子洞，探索了将为未来几代 AI 提供动力的非凡技术。

芯片设计是使用一类软件、硬件和服务（统称为电子设计自动化 (EDA)）来实现的。这些使工程师能够定义芯片及其功能的规格、设计芯片、规划芯片组装、验证芯片在制造时是否正常工作，并将其投入生产。

EDA 工具提供功率模拟工具，让设计人员可以虚拟地尝试不同的想法，同时优化处理器的高性能、低功耗和理想的散热。

它们还在芯片制作完成原型后提供帮助，验证性能和可靠性，以便复杂而昂贵的制造过程能够提供尽可能高良率的功能芯片。

有很多公司都生产 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。作为背景，Synopsys 的工具被特斯拉、Arm、AMD、微软、英特尔、三星和台积电等公司使用。

您可能听说过摩尔定律。它更像是一种观察结果，而非定律，由英特尔联合创始人戈登·摩尔博士于 1965 年提出。他表示，半导体公司每 12 个月就能将一平方英寸硅片上的分立元件数量翻一番。

如今，我们对这个所谓的定律已经习以为常。现在，它被重新表述为，每 18-24 个月，处理器的计算能力就会翻一番。

在 20 世纪 60 年代和 70 年代，将晶体管数量增加一倍可能比现在更简单。这是因为，正如你所记得的，我们目前在一块微型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，以至于它们开始达到物理极限；电子在这些纳米级设计中停止自我行为，并开始由于量子效应而“穿越”障碍，影响计算的准确性和效率。因此，让它们变得更小变得非常非常困难。

随着对计算能力的需求不断增长，芯片变得越来越大、越来越复杂，以满足这些需求。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且耗时。更大的芯片也需要更多的功率。

随着芯片制造技术的进步，芯片生产也出现了新的设计规则。这些规则指的是一组几何约束，它们确保芯片的可制造性，同时考虑到制造工艺的限制。

这意味着芯片设计师需要不断地重新培训和更新他们的知识以保持领先地位。

设计过程漫长而耗费人力。设计一款现代芯片可能需要三年以上的时间，需要数百甚至数千人参与。正如你所预料的，这最终会花费大量金钱，而且容不得半点差错。

您今天看到的芯片的设计不可能没有融入人工智能。

据 Synopsys 称，人工智能多年来一直在协助芯片设计过程的各个部分，至少从 2016 年开始。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需求。

所有这些最终都是为了在芯片上安装比前几年更多的晶体管，确保它们不会过热，并且按照设计制造时能够可靠地运行。事实证明，人工智能能够有效快速地解决此类挑战，使制造商能够按时将产品推向市场。

Synopsys 为芯片制造商提供一套 AI 驱动的 EDA 工具。这些产品几乎涵盖了芯片设计流程的每个方面，包括定义系统架构、设计实施、验证和制造等复杂任务。它们还可以执行模拟等重复且耗时的任务，并且速度更快、精度更高。

2021 年，我们看到了三星推出的第一款采用 AI 设计的商用芯片。而去年，新思科技生成式 AI 卓越中心杰出架构师兼负责人 Stelios Diamantidis 表示：“目前已有 300 多种采用新思科技 AI 技术设计的商用芯片投入生产。 ”

在芯片设计中，强化学习是协助设计师工作的人工智能的基础。

在这里，人工智能模型使用反复试验的学习过程来做出决策，以便在给定场景中获得最优结果。

目前，人工智能尤其擅长帮助：

让我们举一个突出的例子来更好地理解这一点。2020 年，谷歌 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 如何解决芯片布局这一艰巨任务。它利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数周缩短至仅需几个小时。

广义上讲，AI 模型经过“预先训练”，可以完成基本的芯片设计任务，例如将电路元件放置在布局上。接下来，它们会将这些元件连接在一起，并了解它们之间的关系。

以 AlphaChip 为例，它首先在前几代的各种不同芯片块上进行训练，然后才能处理更复杂的芯片布局。每次完成设计后，它都会变得更好、更快。

在 9 月份发布的该论文附录之后，该团队指出，AlphaChip 已经生成了“超人”芯片设计，自 2020 年以来，谷歌的张量处理单元 (TPU) 的每次迭代中都使用了这些芯片设计。这些芯片为谷歌的许多流行 AI 模型提供支持——包括其 ChatGPT 竞争对手Gemini。

您可能对生成式人工智能 (genAI) 并不陌生，它指的是能够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）的人工智能系统，例如 ChatGPT 和 Midjourney。这项技术也已开始在芯片设计中发挥作用。

目前，该技术在半导体行业还处于早期阶段。例如，Synopsys 的 genAI 技术充当知识查询系统。它回答设计师关于 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 在芯片设计领域尤其有用，因为这是一个非常复杂的领域。在Sama 的How AI Happens播客最近一集中，Synopsys 的 AI 和 ML 副总裁 Thomas Andersen 描述了聊天机器人如何快速浏览长达 100 页的冗长规格列表，并对其进行总结，以便设计师轻松理解。它还可以提取验证约束等重要信息，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具指导性的指导和建议。

安德森描述了新思科技向客户演示基于 genAI 的副驾驶的一些早期结果，他说：

“我们的生产率提高了 30% 到 50%。事实上，有一句话说初级工程师现在的工作水平与专家工程师相当。这正是我们想要的。你把权力交到每个人手中。当然，响应速度要比询问一个人或查阅一些文档并在那里找到答案快得多。”

下一步是开发和微调代理系统，使其能够超越生成内容并自主执行任务。例如，假设一位设计师询问 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，代理系统会开始完成工作；它实际上会运行测试或模拟，识别问题，纠正设计以解决问题，并运行自己的综合测试程序，然后再将其呈现给设计师。

Zorian 博士解释了近年来芯片设计师起步经历的根本性变化。

“他们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做。

“所以，你必须知道如何授权。你必须知道把什么工作委托给 genAI，自己该做什么。所以，我们今天要做的就是培训我们的员工，让他们知道如何授权，以及对 genAI 有什么期望。”

Zorian 还强调，当人工智能可以承担重复性任务时，创造力、解决问题能力和横向大局思维能力就成为人类可以带来的最高价值元素。

“随着我们不断前进，我们需要新的架构，”他说，“或者说架构层面的创新。我们需要新的分区。想想汽车里的处理器。你如何在汽车中划分芯片？几年前，一辆车上有 200 个芯片。然后，我们发展到分区架构。现在，我们只用一个芯片就能完成所有工作。

“这些都是 genAI 不会提出的重大架构决策。这些重大决策仍将由人类专家做出。”

我不禁大声地质疑，为什么我们不能仅仅要求人工智能系统为我们设计“更好”的芯片——设计出比以往更高效、更低散热、性能更佳的芯片。

Zorian 博士解释说，这里的主要限制是数据的可用性。每家使用 Synopsys 生成式 AI 工具的公司都只能根据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参考开源材料——但考虑到该领域问题的复杂性，目前这还不足以帮助一家公司设计出领先竞争对手数年的芯片。

Synopsys 相信，人工智能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。

人工智能还将帮助工程师更快地探索设计方案并做出更好的决策，从而生产出更高效、更有效的芯片。

它还可以让更多工程师参与芯片设计，通过自动化许多复杂任务，让这个技术含量高的领域变得民主化。这也可能对公司产生影响，可能让小公司进入竞争领域，为专门的应用设计定制芯片。

genAI在芯片设计中的出现尚处于早期阶段，主要起到设计助手的作用。

更进一步说，我们已经在使用人工智能来设计为其提供动力的芯片。这些模型正在学习改进以前的处理器，找出提高可制造性和产量的方法，并帮助人们做出更好的决策，以改进他们的设计流程。考虑到这些模型的发展速度，端到端人工智能设计可能很快就会成为可能。我们人类所需要做的就是设置目标参数，告诉人工智能制造工具到底能做什么，然后轰隆隆！新芯片的性能将超越上一代。

继续沿着这条路径发展下去，这些过程可能会形成渐近加速中的关键强化循环，从而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，并且每一代都能够比上一代更快地自我改进。想想这既令人恐惧又令人着迷。

有一天，设计师和工具之间的界限可能会变得模糊不清，我们将创造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个工具——它将成为人类最雄心勃勃的技术梦想的共同创造者。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。

来源：半导体产业纵横一点号