（本文翻譯自Semiconductor Engineering）

《Semiconductor Engineering》和來自西門子數(shù)字工業(yè)軟件公司IC EDA的執(zhí)行副總裁Joseph Sawicki、PDF Solutions總裁兼首席執(zhí)行官John Kibarian、Ansys半導(dǎo)體事業(yè)部總經(jīng)理兼副總裁John Lee、Keysight公司PathWave軟件解決方案副總裁兼總經(jīng)理Niels Faché、IC Manage總裁兼首席執(zhí)行官Dean Drako、Arm前首席執(zhí)行官兼沃達豐董事會董事Simon Segars以及Real Intent總裁兼首席執(zhí)行官Prakash Narain對未來芯片設(shè)計進行了展望，本文是其中的一部分。

SE：芯片設(shè)計行業(yè)目前面臨的最大挑戰(zhàn)是什么？最大的機遇又有哪些？

Lee：多芯片以及異構(gòu)3D-IC系統(tǒng)既是目前最大的機遇，也是面臨的最大挑戰(zhàn)。中國公司也是一個巨大的挑戰(zhàn)，尤其在EDA領(lǐng)域。他們那有很多初創(chuàng)公司，我們向中國銷售產(chǎn)品也變得具有挑戰(zhàn)性。

Segars：目前正在發(fā)生的經(jīng)濟衰退可能具有一些挑戰(zhàn)性，但由于一些新技術(shù)的出現(xiàn)，還是存在一些可繼續(xù)投資的機會。這為創(chuàng)新提供了溫床。但要做到這一點，需要比目前更為復(fù)雜的工具、流程和方法，而且需要大量的研發(fā)。所以我的要求是，“請不要對必要的研發(fā)投入吝嗇。”

Drako：目前為止，擺在我們面前的最大的事情是人工智能對我們的行業(yè)和我們所服務(wù)的行業(yè)的影響。汽車行業(yè)的AI和視頻監(jiān)控行業(yè)的AI將推動對于硅的巨大消耗。人工智能在EDA行業(yè)的應(yīng)用也將是巨大的。我們將開發(fā)所有AI芯片，我們也將成為AI消費者，用其制造芯片，并使用工具制造這些人工智能芯片。

對人工智能的渴望將加速向云的轉(zhuǎn)移，速度可能比EDA行業(yè)和我們的客戶想象的更快，因為這會加大對于GPU的需求——以及部署大量GPU的系統(tǒng)——來完成所有計算，這是基本的人工智能路線或人工智能設(shè)計芯片。

所有這些人工智能應(yīng)用都需要大量的數(shù)據(jù)來支撐。我們目前設(shè)計的芯片需要數(shù)兆字節(jié)級別的數(shù)據(jù)。一旦開始設(shè)計人工智能零部件，將需要數(shù)萬億字節(jié)的數(shù)據(jù)。這將產(chǎn)生一個我們需要解決的瘋狂的難題。當開始這樣做時，最終會得到大量的內(nèi)部和云數(shù)據(jù)，但可能只有其中的一部分有用。也許可以在谷歌上進行，這樣價格更便宜，但數(shù)據(jù)仍然在亞馬遜上。因此，移動數(shù)據(jù)也將是一個巨大的問題。這就又產(chǎn)生了一個機會，創(chuàng)建可以移動數(shù)據(jù)的工具，使其出現(xiàn)在需要的地方。人工智能既是一個機遇也是一個挑戰(zhàn)，實現(xiàn)人工智能的數(shù)據(jù)管理對我們來說也將是一個巨大的挑戰(zhàn)。

Sawicki：我們目前面臨的挑戰(zhàn)有很多。幾十年來，我們的政府一直不知道半導(dǎo)體是什么，突然他們發(fā)現(xiàn)這是一個他們所能想象到的最有趣的話題。這對我們來說是一個挑戰(zhàn)。但我們正處于一個絕對令人驚奇的行業(yè)，我們可以讓我們正在做的事情成為現(xiàn)實，并真正改變世界。這既是一個無比激動人心的時刻，也是一個令人心生畏懼的時刻。

Faché：我們看到的挑戰(zhàn)之一是，由于性能需求、新型功能和新技術(shù)的出現(xiàn)，通信網(wǎng)絡(luò)、云基礎(chǔ)設(shè)施和電動汽車等系統(tǒng)的設(shè)計、測試和構(gòu)建越來越復(fù)雜。因此，產(chǎn)品開發(fā)團隊以及任何系統(tǒng)的整個供應(yīng)鏈都更加重視虛擬原型。

他們在產(chǎn)品開發(fā)生命周期中實現(xiàn)這種轉(zhuǎn)變，這樣他們就可以預(yù)先處理系統(tǒng)、子系統(tǒng)和零部件的復(fù)雜性。它們還可以加快上市時間，以提高生產(chǎn)力、降低成本和風險。為了實現(xiàn)這一轉(zhuǎn)變，我們需要將工作流程數(shù)字化，從需求到產(chǎn)品制造，并使其符合規(guī)范。實現(xiàn)這些數(shù)字化轉(zhuǎn)型對我們的行業(yè)來說是一個巨大的機遇。它將需要一個開放的生態(tài)系統(tǒng)，包括連接設(shè)計、模擬和測試工具，以及智能的工作流程自動化。

Narain：設(shè)計的主要工作是驗證和模擬，這是最需廣泛部署的，之后是formal signoff和static signoff，這是我們專注的部分。static signoff的最大機會是驗證中的左移。這是最早可能要進行的設(shè)計驗證。如果你把它定義為一個設(shè)計步驟，那么設(shè)計師就必須參與其中。因此，要想在這些應(yīng)用程序上取得成功，幫助他們創(chuàng)造盡可能好的用戶體驗，設(shè)計師面臨的時間壓力很大。在設(shè)計流程中有很多機會實現(xiàn)左移，這些應(yīng)用程序需要非常及時和高效。挑戰(zhàn)在于經(jīng)濟創(chuàng)新。我們正持續(xù)投資技術(shù)和創(chuàng)新，以最快的速度進行設(shè)計。我們也持續(xù)通過產(chǎn)品和技術(shù)進步擴大static signoff的覆蓋范圍。

Kibarian：制造業(yè)一直在受益于下一個節(jié)點技術(shù)——摩爾定律、登納德縮放定律，以及只有少數(shù)幾個超前領(lǐng)先制造商完成所有制造所帶來的益處，所有這些都在晶圓廠的前端，并且都以非?？煽氐姆绞竭M行。

目前，由于登納德縮放定律已經(jīng)無法擴展，而且已經(jīng)失效了十年，另外摩爾定律也正在放緩，我們需要在先進封裝中包含有更多的異構(gòu)系統(tǒng)。這為制造業(yè)帶來了挑戰(zhàn)，因為這僅在晶圓廠無法實現(xiàn)。組裝現(xiàn)在是一個相當具有挑戰(zhàn)性的工藝過程，測試點也要復(fù)雜得多。因此，生產(chǎn)流程中需要獲得良率的提升，這創(chuàng)造了機會。

此外，我們正在使用各種硅技術(shù)，我們將開始使用更多的片上硅光子學和其他技術(shù)，這些技術(shù)可以幫助提升良率，并持續(xù)提供更高的性能，而且完全不受登納德縮放定律或摩爾定律的影響。這也給制造業(yè)帶來了巨大的挑戰(zhàn)。除此之外，由于地緣政治原因，我們現(xiàn)在正在分解供應(yīng)鏈并將其分散各處。每當我看到Morris Chang談?wù)摓楹蚊绹瞬荒苤圃煨酒瑫r，我都會感到尷尬，芯片法案則浪費了520億美元。如果你看一下歷史數(shù)據(jù)，他是對的。

但當EDA人員看到一個問題時，就像谷歌看到廣告行業(yè)時一樣。他們不是讓一堆機器人到處銷售廣告，而是采取不同的方法。我們也可以為制造業(yè)帶來一些截然不同的方法。軟件和EDA或許會成為一個轉(zhuǎn)折點。

SE：你認為人工智能在設(shè)計領(lǐng)域的發(fā)展前景如何？誰將使用它？我們會從中受益嗎？接下來你要解決的問題是什么？

Segars：人工智能可以幫助大大提高生產(chǎn)力。也許大多數(shù)人都使用過ChatGPT，輸入一些內(nèi)容，大多數(shù)人都對所獲得的輸出內(nèi)容感到非常驚訝。你可以要求它以各種不同的語言工作，產(chǎn)生的效果也非常好。有趣的是，在GitHub中，他們已經(jīng)引入了這個代碼彈出窗口，這是通過微軟進行集成，演示看起來也非常酷。

通過輸入大量正確的代碼，就可以提高工作效率。我們中有多少人為了尋找缺失的近括號而把頭靠在屏幕上仔細尋找，這樣很沒有效率。目前因為有很多自動生成的代碼，所有這類事情或都將成為過去。短期內(nèi)，有很多自動化可以幫助加速工作速度，直到真正需要運用腦力時。從長遠來看，這些技術(shù)會越來越多，并更加令人印象深刻。另一方面，它將有助于驗證——只需生成測試用例并了解測試用例的缺陷。這是我們很久以前就開始做的事情。在驗證方面，使用機器學習來理解什么是好的，什么是壞的，這將節(jié)省大量時間，縮短計算周期，并加速完成驗證工作。這將是革命性的改變。

Drako：我們在10年、20年或30年前都使用過專家系統(tǒng)這個術(shù)語，但目前已經(jīng)不再使用了。但我們引入了大型團隊來進行驗證，這些團隊由5、10或100名有經(jīng)驗的工程師組成，另外還有5、10、100名經(jīng)驗較少或天賦較差的工程師。我們訓練他們?nèi)绾尉帉憸y試用例。如果您有了Cadence、Synopsys或任何創(chuàng)建該專家系統(tǒng)的公司提供的ChatGPT驗證等效工具，您可能就不需要驗證團隊了。

您可能能夠生成大量的測試用例，其中有10%的測試用例可能有點偏離，必須進行修復(fù)。但這種方式的獲得的生產(chǎn)效率的提升已經(jīng)不可同日而語了。當他們最初設(shè)想人工智能時，人們認為它將是一種威脅，會奪走他們的工作，而立即想到這個的是藍領(lǐng)工人。這是完全錯誤的。白領(lǐng)工作才將會受到人工智能的威脅。我想我不再需要專利律師了。我只需向ChatGPT描述我的案件，它就能生成一個不錯的解決模式。我不需要再向律師事務(wù)所支付2萬美元了。

Sawicki：想想未來八年，摩爾定律正在放緩，但集成仍在加速進行。如果再看看我們必須整合的解決方案的廣度，然后每兩三年考慮一次2倍的改進，那么堆棧就會越來越大。因此，我們最終會面臨巨大的系統(tǒng)級環(huán)境，而不僅僅是一個人工智能芯片在本地做了什么事情。它整合了一個完整的系統(tǒng)——工廠自動化，汽車駕駛，它們都在一起運行。

驗證的細節(jié)是巨大的。你能想象我們在未來八年內(nèi)，以美國目前的教育狀況和現(xiàn)有畢業(yè)的工程師數(shù)量能完成這項工作嗎？這永遠不會發(fā)生。感謝上帝，我們正處于一個可以利用眼前機遇的時候。在芯片設(shè)計方面，如果用生成式人工智能進行設(shè)計會怎樣？它會有什么用處？它將如何創(chuàng)新？它將如何判斷所做的事情？什么是有趣的連接？就如何利用這些機會而言，這將是一次令人驚奇的旅程。

SE：我們處理的數(shù)據(jù)比以往任何時候都多。這些數(shù)據(jù)好嗎？我們怎么知道它是好的？

Kibarian：人工智能和機器學習的一大機會是它們可以改進您使用的數(shù)據(jù)。我們看到這種情況越來越多。工具有助于確保生產(chǎn)軟件的機器和測試機器的數(shù)據(jù)一致。這些工具將會普及，人們將在未來10年內(nèi)頻繁使用它們。這并不遙遠。

Lee：這是一個非常有趣的工作，你可以接收數(shù)據(jù)，但你也可以擴充這些數(shù)據(jù)。因此，制造設(shè)備的數(shù)字孿生將擁有提交的所有內(nèi)容，包括一些建模錯誤。但將其與來自制造業(yè)的數(shù)據(jù)相結(jié)合是進行實際自我校正的好方法。

Drako:?人工智能的數(shù)據(jù)實際上會存在很多問題，因為每個設(shè)計公司都想控制它，而不想分享它。他們對此會很謹慎、很偏執(zhí)，并嚴格控制。因此，EDA行業(yè)將面臨巨大挑戰(zhàn)，即在無法訪問數(shù)據(jù)或無法獲得數(shù)據(jù)來訓練工具和神經(jīng)網(wǎng)絡(luò)的情況下，還要構(gòu)建設(shè)計行業(yè)想要的AI Caliber工具。

編輯：黃飛

?