哪类芯片设计工程师，不容易被AI取代？

AI工具的激增似乎完美匹配了人才短缺，但仔细观察会发现技能并不完全重叠。EDA流程的某些部分需要人类工程师，而且在可预见的未来似乎仍将如此。

深奥的模拟设计艺术、安全关键的功能安全、高层架构决策、产品创新和创造性解决问题，是人类大放异彩的地方。

尽管有人预测会出现大规模的岗位替代，但AI对工程岗位的影响更为微妙复杂，这取决于任务的性质、工作的复杂性以及AI工具在各个领域的当前成熟度。

“创造性、开放式和特定背景的任务——比如模拟设计和概念性工作——AI更难完全取代，”Synopsys的产品管理高级总监Anand Thiruvengadam表示。“AI更有可能在复杂领域增强而非取代设计师，充当提高生产力的工具，而不是完全的替代品。”

根据Thiruvengadam的说法，以下是以人为中心的任务：

• 架构/概念设计（跨领域）：高层架构决策、创新产品设计和创意方向需要人类的直觉、远见和跨领域推理。
• 架构和规范定义：设定芯片的目标、特性和约束条件需要对市场、客户和技术的深刻理解。人类的洞察力确保设计符合业务需求、法规要求和长期战略。
• 模拟电路设计：这需要深厚的领域专业知识、创造性的问题解决方法以及对权衡（如噪声、线性度、匹配）的详细理解。AI工具可以协助进行仿真和布局建议，但由于模拟设计的复杂性和特定背景的性质，完全自动化仍然是一个挑战。
• 安全关键和高可靠性设计决策：错误可能导致灾难性故障。人类必须验证安全特性、冗余和容错性。
• 验证签核和质量保证：虽然AI可以自动化许多验证任务，但最终签核需要人类的判断来解释结果、评估风险并确完整性，特别是对于边界情况和非典型场景。
• 物理设计收敛和制造准备：关于良率、可制造性和工艺变化的决策需要人类的专业知识。工程师应监督最终的可制造性设计(DFM)，签核流片(tape-out)，并评估代工厂的反馈。
• 处理新颖问题和异常情况：不可预见的设计挑战、错误或工艺问题需要创造性的解决问题能力和跨学科专业知识，这是AI无法完全自动化的。

未来，一种达尔文式的AI系统可能会通过随机运行海量选项，然后选择最佳创意，从而擅长解决新问题。“我不知道这是否会发生，但它肯定不会高效，”Cadence的验证软件产品管理高级总监Matthew Graham说。“这正是我们作为人类工程师所做的。我们说，‘我需要解决这个新问题。让我想想所有可能帮助我发挥创造力的不同事物。’我们在自己的头脑中进行自我选择。沿着一条路走下去，尝试那条路，等等。AI，至少目前，还不能完全做到这一点。”

AI可以为设计提供一个起点。它可以缩短设计周期，帮助更快地优化，并缩短上市时间。但需要人类来理解设计试图做什么的概念。

“这种上下文是必要的，”Baya Systems的首席商务官Nandan Nayampally说。“尽管你希望AI引擎能理解上下文，而且这方面肯定有所改进，但它无法完全转译所有内容。我们拥有的上下文中有很多东西是机器没有的，所以它需要指导。”

在不同程度上，大多数公司都在考虑使用AI来构建硬件。“我们在这方面进行了投资，所以这显然是行业的发展方向，”Arm基础设施业务高级副总裁兼总经理Mohamed Awad说。“问题是，会全是AI吗？你是不是只要按个按钮，芯片就会出来？这涉及到软件的问题。在（AI实施的）早期阶段，它主要会是更高层次的功能。它将关乎简化和精简普通工程师的一些基本或不太复杂的任务。但如果认为AI不会加速许多核心设计原则和活动，特别是更日常的活动，那就太天真了。”

需要人类：验证、监控和训练

人类工程师需要了解如何将准确有用的知识输入AI系统，然后检查输出的内容是否正确。

“AI不应该对你的工作构成威胁，因为它本质上仍然需要人类来验证AI产生的是否真的是一个最优系统，”Siemens EDA的混合物理与虚拟系统、汽车与军工航空副总裁David Fritz说。“这不仅仅是像大型语言模型那样阅读论文和消化大量的PDF文件。不是那样的。这是一种微妙的知识。事实是，你可能知道A和B之间存在一种我不知道的依赖关系。我该如何找到它？你不会在某个白皮书或博士论文中发现这一点。工程师们对于将系统提升到能为经验不足者做有用事情的水平至关重要。随着技术进步，他们仍然需要在那里监控系统、训练系统。工程学的未来是光明的，但你必须了解AI的角色，它不仅仅是我们命令行工具的自然语言界面。这是目前已完成工作的90%，但它需要做的远不止于此。”

验证对于避免代价高昂的错误至关重要，它是设计过程中最耗时和最昂贵的部分。但各处的成本都在上升。在IC制造中，掩模版和流片非常昂贵。PCB板也存在巨大的成本。

“在这里，风险规避和上市时间是最重要的，”Keysight的高级总监Alexander Petr说。“你试图在第一次迭代中就把所有事情做对，以节省资金并率先进入市场。假设你和一群人合作，他们说，‘我们重构了整个东西。我们有一个AI创建了解决方案。’你会相信AI会拿出一个耗资数百万美元的东西吗？你必须审视工作流程并决定在何处介入人类。你想在哪里注入安全措施？你想在哪里注入验证步骤？信任是好的，但验证是游戏的一部分。如果你遵循这个思路，你会发现你需要更少的人。但你正试图弥补技能差距。我没看到任何工作会被取代。它们只是会变得不同。人们不会去设计。他们会做更多验证。”

针对这一点，许多新的创业公司正专注于RTL验证。“‘看看信号，告诉我信号上在跑什么，’”Petr说。“他们已经构建了AI工具，并且已经用于流片，但如果你问人们他们做了什么，（会发现）它几乎没有达到生产就绪的水平。人们还不相信这个系统。建立这种信任需要数年，甚至数十年，并且需要经历多次迭代。此外，如果你看看某些AI发展的速度，它们是以敏捷的方式完成的，意味着快速失败并重试。AI的第一次迭代存在问题。它们会产生幻觉。它们认为自己做的是对的。就在最近，有篇文章报道一个完整的数据库被AI删除了。这不是一个好的起点。我们需要回到我们需要什么技能来验证输出。我们需要弄清楚我们可以为这些验证步骤构建什么工具，然后我们可以自动化什么。我们可以重构什么？我们可以替换什么？总的来说，从员工人数的角度来看，AI不会改变这一点。”

模拟、混合信号的“玄学”

模拟设计就是更困难，而不仅仅是AI/ML工具更难解决的挑战。“模拟是一个更难的领域，因为世界上的一切都是模拟的，”Siemens EDA的产品主管Sathishkumar Balasubramanian说。“你有所谓的抽象，因为模拟非常接近物理。你在数字设计中有0s和1s和Xs的抽象，以及你的系统、软件等等。”

对于模拟/混合信号，AI可用于分析、优化和调试，并且它可以作为一个自然语言训练伙伴，帮助降低学习障碍。然而，转向AI工具会失去一些东西。

“我过去常常读书，书上会告诉你如何解决这个问题，”Balasubramanian说。“我们在实验室里研究它，我们搭建面包板，我们做设计，我们解决一个问题，因为我们专注于解决一个问题。而现在发生的是，人们离问题本身太远了，因为他们试图去搞定一个可能帮助他们解决问题的工具。他们试图学习它，学习一种不同的语言，学习一个可能帮助他们解决问题的工具如何运作。他们并没有真正关注问题本身的关键，即如何为这个工艺节点设计最好的运算放大器或最好的锁相环。”

模拟/混合信号变得更加困难，因为工程师通过定制工具、定制技能和定制数据库增加了更多复杂性。“我们在一个本已棘手的主题上又增加了一层复杂性，现在正变得更加复杂，”Balasubramanian说。

其他人也同意AMS领域很棘手。“你仍然会遇到一些人认为其中一些是艺术，”Petr说。“他们开始用手绘制。他们走进去，看着东西说，‘那看起来不对，’这通常意味着，‘它看起来不漂亮。它行不通。’这些问题具有一定的维度性，要高得多，因为没有标准，没有既定的规则可以遵循，这主要是因为它是模拟的。模拟信号比离散信号、二进制信号动态得多，所以在那个领域把所有事情做对需要花费更长的时间。”

AMS领域的AI公司经常承诺做综合，并声称这可以由AI工具生成。“但如果你深入挖掘，（会发现）他们已经为此建立了规则，这极大地限制了自由度，”Petr说。“要达到你可以在这些领域中利用AI进行探索、发现和自动化，并拥有今天这样的自由度，将需要很长的时间。你可以简化问题并尝试解决一个较小的问题。你可以让这看起来非常令人印象深刻。但这是一个非常有限的范围。”

安全关键型应用

对于航空航天、国防和汽车行业来说，功能安全工程师尤其关键。“假设我们需要8到10名全职安全工程师，但我们在该领域只能找到4到5名。让我们试着用4到5名工程师在机器学习的支持下达到同样的整体净效应，”Imagination Technologies的工程技术负责人、系统与功能安全工程专家Andrew Johnson说。“这也许是可能的，但我认为你剩下的4到5名工程师不能是初级水平。他们需要是这个领域非常有经验的资深首席技术专家，而这些人很难找到。当你把AI引入进来时，你需要一个足够聪明、有经验的人来了解这个模型是什么，它能告诉你什么，以及是否要否决模型告诉你的东西。如果你因为经验较少或没有经验而不知道，你只会点头说，‘电脑说是，那么我们就继续前进。’那可能非常危险。”

航空航天/国防部门因AI而失业的速度可能比其他部门慢。“仅仅是出于天性，某些行业采用的速度会更慢，因为这些行业发展得更慢，这有合理的，也有不太合理的文化原因，”Cadence的Graham说。“更有可能的是，工具将适应那些环境。我们将有必要创建一套安全的、或能够在那安全环境中有效运行的支持AI的工具，而不是该行业完全忽视它。我不认为他们有选择。”

这些行业必须谨慎行事，但他们不能忽视必然的趋势。“更有可能的是工具会适应，”Graham说。“某些工具和特定版本的工具将适应那种环境，而不是那种环境不采用它们。”

“氛围编程”主管

我们有理由对数字原住民Z世代和Alpha世代接受AI并找到新角色的能力感到乐观，尤其是那些在编码中长大的人。“我现在有一个上大学的孩子，他对AI有着非常具体的看法，”Arteris的首席营销官Michal Siwinski说。“他对做一些AI最终可能会做的编码工作感兴趣吗？不，那反正是无聊的低级编码。那是甚至不需要计算机学位的低级工作。相反，（他会）弄清楚你如何协调AI，以及如何使用它来做更有趣的事情。你如何构建机器人系统？你如何弄清楚电气、机械和所有这些东西在哪里需要协同工作？这是一个完全不同层次的兴奋点，而这真的才刚刚开始。这将是一个演变。我家里有两个男孩。他们知道如何编码，并且他们继续编码，但他们的方法是，他们不一定会去编写他们可以在GitHub上找到的东西，因为它已经在GitHub上了。编码仍然非常重要。”

其他人则警告无人监督的AI代码的危险。“我自己也掉进了完全依赖AI的陷阱，”ChipAgents的创始AI工程师Daniel Rose说。“如果你只依赖AI本身，有时它会起作用，但有些情况下它会产生幻觉，出现一些你无法解决的问题，除非你真的知道背景中发生了什么，语言在做什么。你必须理解你正在生成的代码。只是AI将帮助你比自己更快地生成代码。”

“氛围编程”，即使用AI从自然语言提示生成功能性代码，正变得越来越流行，但它仍不完美。“AI确实有错觉或幻觉，你需要同时具备领域专业知识和理解力，以确保提供给你的东西是可行的，并且能做它应该做的事情，”Baya的Nayampally说。“这种迭代速度更快，所以你必须行动得更快，但与此同时，你需要在需要完成的事情上达到更高的层次。”

AI/ML正在半导体设计领域取得进展。这取决于各个设计团队和设计基础设施管理部门来决定哪些任务可以信任AI。

AI最容易接管的任务包括功能验证、回归测试和覆盖率分析，这些任务正日益自动化。“AI驱动的工具可以生成测试平台，预测覆盖率漏洞，甚至建议新的测试场景，”Synopsys的Thiruvengadam指出。“这是因为这些任务是基于规则的、重复性的，并且涉及大型数据集，使其非常适合AI自动化。此外，自动化的布局布线工具已经成熟，而AI增强的工具正在进一步提高效率。常规的数字布局任务正变得更加自动化。”

最后，在最坏的情况下，如果电网、互联网和AI遭受长期中断，而我们剩下的劳动力只知道如何使用AI，该怎么办？“停电的可能性总是存在的，”ChipAgents的Rose说。“我们在世界各地都看到过这种情况，所以你需要那些不完全依赖AI的人，他们在没有AI的情况下仍然能完成工作。”

Cadence的Graham相信人类总能找到办法。“我是个乐观主义者，我不认为这会发生。但需求是所有发明的真正源泉，如果我们必然处于那种境地，我们必然会发明一个解决方案。”

最后，因为人们已经学会了如何学习，他们可以回过头去理解流程是如何存在的。“如果突然之间，综合的概念从地球上消失了，我们说，‘我们能得到实际掩模的唯一方法就是用手来做，’我们会想出办法的，”Graham说。“我们有这种能力。不仅如此，我们还拥有到达这一点所获得的所有数据。我们不是像第一次那样通过反复试验来发现它。我们到过这里一次，我们绝对可以再到这里一次，聪明的人终究是聪明的人，无论他们的起点是在这里、这里还是这里。”