AI 在芯片设计中的作用不断扩大,吸引众多新创企业
AI 在芯片设计中的作用不断扩大,吸引众多新创企业
2024年12月8日修改
在当今的科技领域,AI 的应用范围不断拓展,其中芯片设计领域也正经历着 AI 带来的深刻变革。AI 在芯片设计中的作用日益凸显,不仅为行业带来了新的活力,也吸引了众多新创企业的加入。
AI 在 EDA(电子设计自动化)中的应用,正在重振整个工具行业。一方面,老牌企业纷纷将 AI/ML 功能融入其工具产品中,以提升竞争力;另一方面,新创企业也试图通过独特的方法,开发新的工具和方法论,填补市场中尚未被满足的需求。
如今的新一代创业者中,既有拥有创新想法的年轻毕业生,也有以新视角审视旧问题的行业老手。他们的出发点都是软件,深入研究特定应用或工作负载的挑战,并确定优化硬件以应对这些挑战的最佳方式。
Keysight Technologies 的新机会业务经理 Chris Mueth 表示,AI 技术的发展速度之快,超过了许多老牌公司的跟进能力。大学和新创企业在投资高风险的前沿技术方面发挥着至关重要的作用。新创企业本身就是高风险高回报的尝试,要进入市场,他们需要识别关键挑战,并在竞争对手之前冒险抢占先机。如果成功,整个行业都会受益,实现共赢。
早期的 EDA 是由硬件设计问题驱动的,旨在实现复杂、劳动密集型问题的自动化,这为摩尔定律在多个维度上的扩展奠定了基础。相比之下,AI 是在 EDA 工具开发的成熟阶段被引入的,其创新之处在于为已知的流程和应用提高效率和生产力。
这是一个过渡时期,每个人都在思考接下来会发生什么,以及 AI 在何处能发挥最佳作用。到目前为止,未来似乎是现在的增强版,仍有许多技术挑战需要克服,但这种情况可能会以尚未确定的方式发生变化。
Alphawave Semi 的 CTO Tony Chan Carusone 指出,芯片设计行业面临着大量的需求、竞争和复杂问题,AI 可以成为该行业的福音,使工程师能够专注于创新,而不是重复任务。这种转变将推动开发更好、更高效的产品,并降低风险。
许多增强 EDA 工具的活动都源于这样一种预期:与其他行业中工人担心 AI 会夺走他们的工作不同,过度劳累的芯片设计和验证工程师会欢迎 AI 的帮助。Siemens EDA 的 IC 验证解决方案战略总监 Neil Hand 表示,EDA AI 将消除工程师们今天不喜欢的许多繁忙工作,并减少设计中涉及的猜测。AI 还将使我们能够以所需的速度继续创新,因为根本没有足够的工程师来满足需求。它并不会从根本上改变工程师的技能组合,只是让他们有更多的时间进行创新。
ChipStack 的联合创始人兼 CEO Kartik Hegde 认为,为了真正取得显著进展,EDA 工具行业应优先减少芯片设计周期。他指出,如今设计一款芯片需要两到三年的时间,动用数百人,这是不可接受的。我们需要将这个时间减少两个数量级。我们的目标应该是在不到一个月的时间内,由不到 10 人完成设计。这样才能提高创新能力。
PrimisAI 的首席战略官 Pierre-Emmanuel Gaillardon 表示,一种新的、基于 AI 的 EDA 方法还应该减少某些设计任务的繁琐性。他提到,当自己还是 CTO 时,每次看到高级工程师为了将新的网表输入到未来的组合器中而编写基本的旧脚本时,他都感到心痛。我们希望尽可能地重复利用,这正是这些工具可以帮助我们做到的,也是解决这个问题的方法,从而提高生产力。
Silimate 的联合创始人兼 CTO Akash Levy 认为,EDA AI 可以帮助更多的环节向左移动。我们需要让设计阶段相互重叠,在进行后端设计的同时进行前端设计。真正的关键是尽早提供见解,并迅速将其贯穿到整个过程的结尾。这也意味着要为工程师提供他们原本需要等待三个月或更长时间才能获得的信息。
Synopsys 的杰出架构师兼生成式 AI 卓越中心负责人 Stelios Diamantidis 在今年的 Hot Chips 会议上表示,设计空间如此巨大,以至于很难确定因果关系,这增加了解决问题的时间和成本。因此,另一个目标是让 AI 帮助减少这些繁重的任务,从而提高生产力并降低成本。
ChipStack 的 Hegde 表示,AI 还有助于确保设计的产品能够实际运行。在将产品发送出去之前,必须确保其正确性。由于这一点,人们对 100%的覆盖率有着难以置信的执着。状态空间是荒谬的,不可能验证所有的东西。那么如何找出需要验证的关键事项呢?因为我们的模型具有自然语言理解能力,所以可以以自动化的方式轻松提取信息,找出重要的内容。这是除了更快的迭代之外,减少时间的一个关键部分。
Siemens 的 Hand 也认为,AI 在验证和向左移动方面将具有重要意义。在传统的验证方法中,AI 将帮助回答需要测试什么以及尚未测试什么的问题。这超越了覆盖率的限制,因为覆盖率只能衡量您认为需要衡量的内容。对于向左移动,我们可以利用 AI 在设计过程的早期为工作负载、需求、建模等提供指导。因此,我们现在拥有了一种从构思到实现的连接方法,使用了 AI 支持的设计数字孪生。
在实际应用中,这意味着当前大多数 EDA 新创企业项目都专注于基于自然语言的 AI 副驾驶,它们能够比通用的生成式 AI 更快、更准确地将英语指令转化为可用代码,并且具有更高的交互性。
Gaillardon 表示,他收到的很多反馈都来自那些将他们正在做的事情误认为是 RTL 生成的人。这不是关于生成,而是关于 RTL 与其他语言之间的双向深度链接,然后再回到英语,这有助于设计师更深入地理解他们的系统。
AI 副驾驶是一类基于生成式 AI 的设计助手的一部分,其中还包括提供技术指导的聊天机器人,例如代码分析和验证总结。副驾驶作为基于 AI 的代码完成工具,更先进的方法能够实现交互式建议。Google Trends 显示,“AI 副驾驶”一词在 2021 年 6 月下旬首次达到峰值,不久之后,GitHub 宣布了其 GitHub Copilot,该产品是基于最初为微软的 Visual Studio 所做的工作开发的。它已经成为其他类似工具的模板。
例如,Synopsys.ai Copilot 集成了微软的 Azure OpenAI Service,为芯片设计各个阶段的设计团队提供自然语言对话智能。开发者们已经对提高 GitHub Copilot 的性能和实用性表现出了兴趣,这为新创企业和现有企业提供更好的解决方案留下了空间。
展望未来,一些研究人员正在考虑创建能够在英语以外的语言中运行的自然语言转换助手。对于所有这些工作来说,一个必要的元素是需要标准来避免为互操作性开发中间件所带来的繁琐额外工作。
然而,Quadric 的首席营销官 Steve Roddy 指出,除了时间和人才的巨大开销外,AI 在 EDA 中的新角色还可能遇到一些障碍。乍一看,EDA 工具——特别是综合、布局布线和逻辑验证——似乎是明显可以从 AI 技术中受益匪浅的候选者。一个基于 AI 算法的 EDA 工具,根据数千个以前设计的经验来放置逻辑单元,很可能会比每次都从第一原理开始更快地收敛到一个可接受的布局/放置。但关键问题是用于训练该 AI 的数据是什么,以及谁拥有这些数据。拥有数百个先前设计的大型半导体公司是会将其数据保密,仅用于增强其物理设计过程,从而使竞争的新创企业更加落后,还是 EDA 公司有权从数千个先前的客户设计中“学习”,并将这些知识“转移”给其他用户?在使用 GenAI 根据之前看到的验证套件编写验证测试时,也可能会出现类似的问题。