DeepSeek能否爆改EDA？那些改變的與不變的

如此熱情之中，半導體行業(yè)的上游會受到怎樣的影響？DeepSeek的旋風，是否掀起半導體產業(yè)的一場革命呢？

隨著摩爾定律的持續(xù)演進，當下大規(guī)模芯片所集成的晶體管數(shù)量已超過 100 億個。鑒于芯片設計流程與設計本身的高度復雜性，幾乎所有設計團隊均需借助商業(yè) EDA 工具來輔助完成整個芯片設計任務。

芯片的設計與實現(xiàn)涉及一套極為復雜的流程體系。以數(shù)字芯片為例，當設計團隊基于已完成的 Verilog/VHDL 代碼開展后續(xù)工作時，標準設計流程至少涵蓋邏輯綜合（logic synthesis）、布局規(guī)劃（floorplan）、時鐘樹綜合（CTS）、布局布線（placement & routing）等關鍵步驟。此外，還需開展大量的仿真與驗證工作。在此過程中，工程師需綜合權衡功耗、頻率、面積等多項設計目標，同時確保制造完成的芯片能夠正確實現(xiàn)各類功能。

自動化是人類發(fā)展的最大驅動力。在 EDA 行業(yè)領域，AI 技術的融合已并非新興議題，AI到底能改變什么，一直是EDA產業(yè)探索的命題。

是生成式EDA，還是高級搜索？

在芯片設計領域，隨著設計規(guī)模不斷擴大，要在短時間內找到最優(yōu)解決方案變得越發(fā)困難。比如當芯片中集成的晶體管數(shù)量增多，電路連接關系變得錯綜復雜，各種設計參數(shù)相互影響，想要找到一個能同時滿足所有性能指標的完美設計方案，是很大的挑戰(zhàn)，但AI 能夠在相對合理的時間內，給出 “足夠好” 的結果，滿足實際應用的需求。

在芯片設計的預測類工作中，ML模型通過對大量歷史數(shù)據(jù)和設計經驗的學習，可以在設計的早期階段快速對芯片優(yōu)化后的效果進行預測。舉例來說，在設計一款新的手機芯片時，ML 模型可以根據(jù)給定的設計參數(shù)，如芯片的架構、晶體管數(shù)量、功耗限制等，快速預測出芯片在運行特定應用程序時的性能表現(xiàn)，比如運行速度、發(fā)熱情況等?；谶@些預測結果，芯片設計師可以減少對那些耗時較長的EDA工具的依賴，直接了解 EDA 工具運行后的大致效果。這樣一來，設計師就能及時對設計參數(shù)進行調整，避免在后續(xù)的設計過程中出現(xiàn)不必要的錯誤和重復工作。簡單來說，ML 模型就像是一個 “智能預測助手”，通過快速預測 EDA 工具的運行結果，減少了實際運行 EDA 工具的次數(shù)，大大提高了設計效率。

與預測類工作不同，優(yōu)化類工作的要求更高。這里所說的優(yōu)化，涵蓋的范圍比較廣泛，主要是指直接解決一些 EDA 問題。實際上，很多 EDA 問題從本質上講，都是在一定條件限制下對芯片進行優(yōu)化。多年來，人們積累了許多傳統(tǒng)的 EDA 算法，這些算法都是解決這些問題的優(yōu)秀啟發(fā)式方法。例如，在芯片布局布線問題中，傳統(tǒng)的 EDA 算法可以根據(jù)芯片的功能需求和性能指標，合理安排各個元器件的位置，并規(guī)劃出最優(yōu)的電路連接線路。而現(xiàn)在，基于機器學習的優(yōu)化方法可以尋找比傳統(tǒng) EDA 算法更優(yōu)或者更快的解決方案。

EDA軟件基于機器學習已經有所積累，機器學習是大語言模型的基礎，為生成式AI提供資料庫。但對于EDA來講，距離提出需求直接出芯片設計的距離還有很遠的距離。

當下來看，AI可以驅動工作流程優(yōu)化和數(shù)據(jù)分析解決方案，以及借助生成 AI 功能協(xié)助工程師創(chuàng)新。但就實際落地來看，許多自詡接入AI大模型的平臺其實提供的只是高級客服服務，并沒有真正地讓AI從0到1的去創(chuàng)造內容。同樣的問題也出現(xiàn)在EDA行業(yè)中，雖然許多EDA公司聲稱集合了AI/ML功能，但在使用中更像是高級助手。即將過去需要查閱文檔找到答案的過程，省略為與AI助手的對話。

三巨頭都已布局AI

Cadence Design 和瑞薩電子一起合作，打造出了基于AI的解決方案。該方案使用了Cadence的Verisium Platform 和 Xcelium ML App。借助 Xcelium App 中的機器學習技術，瑞薩電子的驗證團隊能夠生成精簡的回歸結果。還可以利用現(xiàn)有的隨機化仿真平臺去跑一些邊界用例來幫助瑞薩電子及早發(fā)現(xiàn)錯誤。Verisium AI 驅動的應用使瑞薩電子的整體調試效率提高了 6 倍，并縮短了整個驗證周期。

具體來看，Verisium SimAI是一個平臺，它運用機器學習技術，從模擬器Xcelium運行的回歸測試里構建模型。利用這些模型，能夠生成帶有特定目標的全新回歸測試，比如浸泡測試，這樣就能更高效地對整個設計、特定區(qū)域進行測試，提升回歸測試的效率。

這個平臺還具備同類錯誤搜索功能，它會借助那些難以察覺的故障信息，把同類錯誤找出來。通過這項技術，設計驗證（DV）工程師可以如何運用它來提升工作效率，減少返工。

新思科技推出了名為 Synopsys.ai 的工具，Synopsys.ai 通過對話智能的方式，具備協(xié)作、生成和自主這幾種功能。在大語言模型（LLM）的支持下，它的生成式人工智能功能既可以在本地環(huán)境中使用，也能部署到云環(huán)境里。

對于芯片開發(fā)者而言，這個套件集成了生成式人工智能后，能帶來很多便利。協(xié)作功能讓開發(fā)者們可以更好地合作；生成功能可以用于創(chuàng)建 RTL 設計、驗證以及其他輔助資料；自主功能則允許用自然語言的方式來創(chuàng)建工作流程。

新思表示Synopsys.ai 是全棧式由 AI 驅動的 EDA 解決方案套件。從系統(tǒng)架構到設計和制造的整個流程中，它都能充分發(fā)揮 AI 的強大作用。它能夠快速應對設計中的復雜情況，還能接手一些重復性的工作，像設計優(yōu)化空間探索、驗證覆蓋率和回歸分析，還有測試程序生成等。同時，它有助于優(yōu)化芯片的功耗、性能和面積。如果芯片設計團隊需要把芯片設計從一家代工廠轉到另一家代工廠，或者從一個制程節(jié)點遷移到另一個制程節(jié)點，AI 功能可以幫助團隊快速完成這個過程。

另外，Synopsys.ai 率先給出了連續(xù)數(shù)據(jù)集解決方案，能夠加快芯片設計、驗證和大批量制造的進程。這個由 AI 驅動的數(shù)據(jù)分析解決方案，能讓團隊對在設計、驗證、制造、測試以及應用場景中收集到的大量數(shù)據(jù)進行解鎖、連接和分析。它獨特的芯片監(jiān)控技術可以對芯片的功耗、性能、質量、良率和吞吐量進行優(yōu)化。并且，它提供了綜合的可視化功能，開發(fā)者在集成電路（IC）生命周期的任何階段，都能更快地完成根本原因分析。

西門子的EDA解決方案也已經發(fā)展數(shù)年。AI技術在西門子EDA解決方案里，主要應用在三個關鍵領域：核心技術、流程優(yōu)化以及提供可擴展的開放平臺。比如設計方面，AI能深入分析，幫助找出問題的根本原因，還能提前預防未來可能出現(xiàn)的潛在問題。在使用AI實現(xiàn)自動化以及驗證AI得出的結果，這兩方面的能力非常關鍵。

西門子EDA解決方案中，可驗證引擎是基于準確性、穩(wěn)定性、專業(yè)領域知識以及易用性構建的，以此保證在處理數(shù)據(jù)時，AI算法給出的結果是可預測、可重復且有實際價值的。不過西門子也表示，有時候驗證沒辦法完全自動化，就需要專業(yè)人士介入，對AI給出的結果進行評估，確保其準確無誤 。2024年末，西門子106億美元收購EDA公司Altair。西門子的在線數(shù)字平臺 Xcelerator 與 Altair 的結合“將打造全球最完整的人工智能設計和仿真產品組合”。

從這三巨頭的行動可以看出，AI 在 EDA 領域的應用正在不斷深入，那么這又會給芯片設計工程師的工作帶來哪些改變呢？

把枯燥的工作丟給AI，讓芯片工程師去創(chuàng)造

在芯片設計中，工程師們要檢查查詢計劃是不是符合規(guī)范，還有查看像數(shù)據(jù)、控制和測試的 IP 連接這類設計和項目文檔，以及 IP 和芯片級規(guī)范里規(guī)定的其他要求，都得自己手動去做。光是清理設計代碼這些步驟，一個工程師或者一個團隊往往要花上好幾個星期的設計時間，還要開幾百次會議，就是為了減少在項目模擬和實施階段出現(xiàn)錯誤的數(shù)量。

上文中EDA三巨頭的AI動作其實很多都是在優(yōu)化設計流程，把重復性的工作簡化、優(yōu)化。

思路打開，借助第三方AI可以匯編一份與問題相關的所有 EDA 文檔的簡單易懂的摘要，而不必閱讀一頁又一頁的用戶指南來弄清楚如何讓工具執(zhí)行想要的操作。這節(jié)省了工程時間，而且已經很有用了。從這一角度來說大語言模型現(xiàn)在已經在EDA的流程中幫助工程師了。

基于此我們看到大模型的蓬勃發(fā)展對于使用EDA來說的確有直接影響。

首先，AI可以幫助提升初級工程師能力。人工智能能幫助初級工程師表現(xiàn)得如同更有經驗的設計師，初級工程師使用人工智能系統(tǒng)優(yōu)化芯片實現(xiàn)時，系統(tǒng)會自動將高級工程知識融入流程，使其更快獲得更好結果并積累經驗。在年輕人才獨立工作方面，若規(guī)范定義正確，人工智能虛擬助手可以為與它交流的人提供關于需要詢問內容的指導，一定程度上解決年輕人才獨立工作以及專家捕捉需求的問題。

其次，AI可以優(yōu)化工程師分工。人工智能的介入讓初級工程師能力提升，使得高級工程師可以從基礎工作中解放出來，專注于更大、更復雜的任務，有助于充分發(fā)揮不同工程經驗水平的工程師的能力。

最后，促進跨領域融合。在系統(tǒng)設計以及數(shù)字設計和模擬設計領域，人工智能模糊了工作界限，打破孤島式工作模式，促使人們關注端到端芯片設計，考慮簽核要求等多方面因素。

但距離AI真的從底層改變EDA產業(yè)，還有相當長的路要走。華大九天劉偉平曾表示“AI對于EDA工具的影響，肯定不是顛覆性的，更多的是輔助性的?！币晃粯I(yè)內人士對半導體產業(yè)縱橫表示，EDA作為一個工程軟件輸出的結果不能靠概率，要準確。AI能力的體現(xiàn)需要大量數(shù)據(jù)訓練，而EDA公司沒有那么多數(shù)據(jù)，有限數(shù)據(jù)上微調的模型在客戶實際應用中解決問題的能力并不比有經驗的工程師強。

凱文·凱利在《5000天后的世界》里曾說，“未來的AI其實會更多地被應用在重復性較多、比較死板且追求效率的工作上。這種性質的工作人們完全可以丟給AI，從而解放自己，多做一些有創(chuàng)造性的工作?！边@段話對于芯片產業(yè)也一樣適合，即使有了AI技術，人的創(chuàng)新能力依舊是行業(yè)進步的根本。

芯片設計在發(fā)展歷程中經歷過多次技術變革，以往每次變革都有人預測工程類崗位會減少，可實際并非如此。如從原理圖捕獲過渡到寄存器傳輸級（RTL）綜合時，工程師編譯門電路的效率大幅提升，推動芯片規(guī)模擴大，進而需要更多芯片設計師。如今人工智能融入芯片設計，情況與之類似。人工智能能助力工程師完成更多工作，例如并行實現(xiàn)模塊，設計出更大規(guī)模芯片，工程師工作方式將從編輯工具腳本轉變?yōu)榕c人工智能系統(tǒng)交互，但工程師在芯片設計中依然不可或缺。

正如黃仁勛所說，“人工智能只會取代那些不知道如何使用人工智能的人，這些人會被懂得使用人工智能的人所取代，但它不會取代人類?！盇I不會創(chuàng)造世界，是人類用AI去創(chuàng)造新世界。