AI，如何颠覆芯片设计？

近年来，人工智能（AI）与机器学习 （ML） 已经在诸多应用领域取得了突破。而在传统的半导体领域， 研究者们也探索了基于机器学习的芯片设计新方法。这些新算法通常会最先反映在芯片设计工具上，也就是业内常说的 EDA 工具。因此，这一研究方向通常可以被称为 ML for hardware design，或者 ML for EDA（严格来说前者的范围更大一些）。有时也称做智能化的 EDA 算法或者智能的 IC 设计方法。

新思科技高级总监兼AI产品管理负责人Anand Thiruvengadam曾表示：“AI有可能改变客户的芯片设计方式。整个EDA流程都可能被AI颠覆。” 

芯片在我们的生活中无处不在。芯片的设计与实现涉及一个复杂的流程。

在摩尔定律的驱动下，复杂性的增加意味着必须做出妥协。其中大部分妥协体现在创造力方面。循序渐进地在已知基础上进行扩展，比每次都从头开始更快、更便宜、更安全。IP 的引入进一步巩固了这一理念，也进一步强化了将遗留软件锁定在硬件架构中的需求。这完全是设计方面的偏见。

并行处理的兴起并非因为人们认为它很好，而是因为单处理器架构已经达到了极限。它又花了十年甚至更长时间才开始被广泛采用，而早期机器学习技术的引入成为其真正发展的引人注目的事件。假设当时存在一个由人工智能驱动的芯片设计工具，并且基于整个行业的集体智慧进行训练，它能够独自实现这一飞跃吗？笔者表示严重怀疑。

虽然它应该了解并行处理（这在 20 世纪 80 年代比 2010 年代更为常见），也应该知道如何编写代码来实现并行处理，但单处理器设计的偏见会让它不知所措。它会学习如何使用多个单处理器，这些处理器通常充当代理，为整体功能贡献一些小功能（例如音频处理器、USB 控制器、图形控制器……），而不是使用能够更高效地处理所有事情的中央异构处理器。

英伟达一开始就打算打造一款人工智能处理器吗？没有。他们循序渐进地满足客户的需求。直到计算机视觉这个应用拥有足够的数据集进行训练，再加上合适的硬件，深度学习才首次被证明优于基于规则的系统。这才催生了我们今天看到的许多进步。

用所有现有数据训练半导体AI系统的想法永远不会实现。每家公司都专注于特定类型的芯片和特定类型的问题，例如移动、汽车、数据中心等等。他们的偏见更加根深蒂固。很少有硬件公司同时也是软件开发商，即使他们可能需要一些依赖于硬件的软件。AI不会被要求发明某种全新的东西，而是被要求对硬件或软件进行渐进式改进。

半导体行业的颠覆会是什么样子？这不会一蹴而就，也不会一下子全部发生。笔者预计 EDA 的颠覆将首先出现在类似高级综合 (HLS) 的领域，其中的工具可以在大量架构上进行训练。这种训练已经拥有足够多的数据，并且各个公司可以对其进行增强。这将使其能够接收类似英语的规范并生成代码，然后将其通过传统的 EDA 流程。

虽然这自HLS诞生之初就一直是其目标，但事实证明，它过于困难，或者只能在受限的应用中实现。SystemC尚未真正被接受为一种输入语言，即便如此，工具也需要一套高度受限的语言结构。但如果AI能够帮助实现这一目标，当定制设计可供更大规模的社区使用时，用户群可能会扩大10倍甚至100倍。这足以改变整个EDA流程，也是为什么这项技术在最初出现时就获得了如此巨额的投资。

虚拟原型也需要能够按照这些规范运行，以便识别错误或遗漏，并且需要显著改进顺序等效性检查，以确保对人工智能转换充满信心。随着时间的推移，新的核心流程将引入更多代理助手来处理诸如功耗、成本等问题。

当某些事物发生变化时，就会发生中断，而不是当某些事物得到优化时。