人工智能在芯片设计中的潜力和局限性

半导体工程杂志邀请了Synopsys人工智能与机器学习副总裁Thomas Andersen、英特尔模拟/混合信号工具/流程高级总监Sridhar Boinapally、AMD企业研究员Alex Starr、英伟达GPU硬件工程副总裁Stuart Oberman、微软硅工程基础设施合伙人兼总经理SilvianNikolic以及加州大学伯克利分校电子工程与计算机科学教授Borivoje Nikolic，共同探讨人工智能在芯片设计中的应用机遇与挑战。以下摘录自近期Synopsys Converge大会上面向现场观众举行的这场小组讨论。

SE：您认为人工智能将在未来五年内如何从根本上改变芯片设计流程？

Andersen：它不会取代工具本身。我看不出有什么技术会比它更好。然而，对于工具的操作者——也就是运行验证工具、实现工具和签核工具的人——来说，需要进行大量的迭代。一部分是完善设计，一部分是调试和设置工作流程。这类工作在未来两年内可能会高度自动化，而生成式人工智能和推理模型的进步正是在这方面取得了巨大的飞跃。我可以自动生成工作负载、调试问题、验证问题、解决物理设计问题，这可以大大加快我的设计收尾速度。完全自动化还需要一些时间，因为就目前而言，仍然需要有人参与其中，以确保我不犯错误，并再次检查系统是否按预期运行。但总的来说，我确实看到了巨大的机遇，未来几年芯片设计流程将会发生相当大的变革。

Starr：五周还是五年？变化太快了。变革的速度、变革的加速，以及模型和智能流程的创建，将彻底改变我们进行芯片设计的方式。工程人员队伍将真正需要学习和技能发展。随着我们提升水平、协调运作并理解这些系统的运行机制，我们将在更短的时间内完成更多工作，并将产品推向市场。

Oberman：我的老板（英伟达CEO黄仁勋）曾说过一句名言：“工作分为任务型工作和人工监督型工作。”尽可能利用人工智能完全取代任务型工作。就芯片设计流程而言，多年来我们研发的所有产品，都已非常擅长完成某些特定任务。这些任务包括部分分析、部分编码以及部分验证和调试。大多数情况下，这些都是任务型工作。但模型更新换代的速度令人难以置信，无论是五周还是五年。如果科学能够稍微放慢速度，让我们有时间跟上创新步伐，那就太好了。我们看到大量新技术涌现，并正努力以最快的速度部署它们。

Nikolic：这对EDA来说是一项根本性的变革。很多设计工作都是枯燥乏味的，需要在验证阶段一遍又一遍地重复。现在这些都不复存在了。我们正在价值链上向上攀升，迈向更高的设计层次。

Goldenberg：我们必须从一开始就做到万无一失。芯片设计就是这样，耗时耗力，成本极高。我们必须从项目启动到最终流片，全程掌控。这就是我们应用人工智能技术的背景。硅芯片的研发依然充满挑战，设计师们仍然需要理解芯片的运行机制。人工智能的价值在于它能加快研发速度，并模糊专业领域的界限。目前，我们为不同的领域配备了专业的工程师。人工智能可以促进知识的多元化，从而产生海量的设计方案。设计公司往往采用线性流程，然后反复修改，这浪费了我们大量的时间。

SE：你会对工程系学生说些什么？

Nikolic：别害怕。这些智能体人工智能方法将催生一个芯片种类繁多的未来。这些工具将缩短芯片的开发时间。这些都是未来几年内必然会发生的事情。真正让人们对人工智能避之不及的，是我们发现的东西。我们发表了一篇论文，指出人工智能在通用内核中发现了一种新的缓存替换策略，其效率远超人类开发。我们还构建了一个用于开发模拟电路的人工智能发现流程。它并没有创造出全新的拓扑结构，而是利用了之前出现过但因难以理解而未被采用的拓扑结构。因此，我们需要对学生进行人工智能方面的教育，并指导他们如何利用所有这些成果。目前我们还没有答案，但我们正在努力寻找答案。

SE：如今人工智能领域的投资巨大。短短四年间，我们已经从机器学习发展到生成式人工智能，现在又发展到智能体人工智能。那么，人工智能领域有哪些巨大的机遇？这将如何影响半导体行业的创新？

Andersen：我见过一些图表，展示了机器学习、人工智能和生成式人工智能，但这并不意味着生成式人工智能比其他技术更好。不同的技术适用于不同的问题。对于优化问题，甚至对于非人工智能领域，如果我有一个包含数百万个物体的放置问题，需要找到最优的放置方案，这并不意味着人工智能或机器学习算法在这方面就更胜一筹。人工智能的核心在于自动化人类的工作。它擅长认知和识别事物，甚至可能还能执行某些操作。从这个角度来看，不同的技术将应用于不同的问题。在核心探索性数据分析（EDA）算法中，人们曾尝试使用强化学习来寻找更好的解决方案，但效果并不理想，因此我们目前专注于人类必须完成的任务。首先，在相当长的一段时间内，人类仍然需要掌控全局，否则如果我们试图实现所有功能的自动化，最终只会制造出大量无法正常工作的芯片。我会先从一些琐碎的小任务入手，比如调试、清理约束文件等等，而不是一开始就着手整个工作流程或规范，否则最终可能会出现问题。这就好比有人画了六根手指而不是五根手指的画像，一切都进展得太快了。我们或许需要放慢脚步，先集中精力解决这些繁琐的调试任务，然后再进入下一个阶段。这其中蕴含着巨大的投入和潜力，但我们也必须务实。

Goldenberg：我们开始看到很多应用的领域是软件的硬件利用率。由于我们目前的设计工作方式，这方面的探索还不够充分。我们先设计架构，然后再设计模型。人工智能有能力调整软件及其实现方式，从而提供比我们目前所见更优的解决方案。这方面我们确实看到了发展潜力。但是，芯片设计需要能够100%依赖人工智能。

Nikolic：最显而易见的应用领域是RTL代码生成、验证和确认。未来，它将渗透到芯片设计的方方面面。在英特尔，我们看到了非常积极的迹象。它甚至可能彻底改变芯片设计。我不确定未来是否还需要人工来确保自动化流程的验证。人类未必更胜一筹，他们也会犯很多错误。然而，如今他们却一直在进行各种验证工作。或许在最高层，我们需要的人工会越来越少。

Starr：我们会实现完全自主。我们会达到这样的程度：拥有由不同代理组成的解决方案，这些代理会验证人类会观察的内容，这样你就不必完全依赖单一模型来做出正确的决定。你会看到多个代理协同工作。因此，我们将从今天的编码方式过渡到企业级、完全可扩展、可部署、稳健且确定性的解决方案——但这其中还有一段路要走。

SE：如果这些都是按钮式设计，那么不同芯片之间的区别是什么？

Starr：我们看到的是，一些团队能够更快地运用精益框架找到解决方案。即使使用完全相同的工具，不同团队在不同的抽象层次上采取不同的方法，结果也会大相径庭。这些团队真正能够理解人工智能的本质、发展方向以及实现差异化所需的技术。

Oberman：你们都拥有相同的底层框架和工具，那么究竟是什么决定了成败？难道现在不就是这样吗？你们拥有训练有素的工程师，可以面试他们，了解他们的能力，还有优秀的EDA工具。这些现在都已经实现了。然而，各公司推出的产品却不尽相同。能够将这些专业知识进行编码，无论是基于你们引进的优秀工程师，还是基于机构的专业知识，然后将它们嵌入到模型本身或框架中——这种做法将会持续下去。有些公司会比其他公司更成功。我们还没到“输入、按下按钮、芯片输出”的阶段。即便真是如此，你们又在流程中投入了哪些工具呢？