AI智能体正渗透到芯片设计流程更多环节,但打通不同工具与流程之间的互联仍是一大难题。除此之外,行业还有不少疑问:如何沉淀数十年的工程经验、如何保护专属设计数据,以及如何控制成本。近日,新思科技战略项目与系统解决方案执行总监Frank Schirrmeister、Hiveware业务拓展与战略合作副总裁Ronen Laviv、Silvaco业务拓展副总裁Jack Berg、Axiomise创始人兼CEO Ashish Darbari,围绕这些话题展开讨论。
从左至右:Silvaco Berg;Synopsys Schirrmeister;Axiomise Darbari;Hiveware Laviv
SE:既然AI智能体可以修改代码,同时AI模型和智能体还会持续迭代更新,芯片设计到底能做到多大程度的左移?
Darbari:这会是行业接下来的新方法论方向,类似UVM,把各类流程整合在一起。但该怎么把所有智能体协同起来?目前来看,没人真正清楚这套协同机制该如何落地。从我看过的各类分享来看,大家都还在摸索演进路径。很多主打智能体AI的公司缺少一线工程实战经验,做出来的产品并不是客户真正想要的。很多时候,大型客户选择自研方案,因为他们清楚自身需求,拥有一线实践经验,还有多年积累下来的数据。各大EDA巨头会如何简化这套流程、最终形态会变成什么样,我还没有答案。
Laviv:仿真验证的难点之一,是在协同仿真模式下,仿真速度会变慢。或许我们可以不再使用拖慢速度的UVM或其他语言,给AI配套专属语言,直接生成可综合的SystemVerilog RTL代码送入仿真设备。这样就能减少软件开销,提升硬件仿真速度。我不确定这套方法论会不会快速变革,但UVM不会一直是行业标配。
Darbari:英伟达GPU负责人在美国DVCon大会上也提到过这点,对吧?形式化验证正在、或者将要取代仿真。相比单个技术之间如何适配,我更关心这些技术落地之后,能不能形成一套自洽完整的方案。
Schirrmeister:芯片设计覆盖产品生命周期、制造、数字实现、功能验证、需求工程等环节。核心难点是打通全链路:保证设计功能正常、完成版图布局、流片到实体硅片和3D封装,并且在产品全生命周期内持续观测。每个大流程下面又包含很多子环节。功能验证到硬件仿真只是其中一环;除此之外还有虚拟原型、形式化验证、仿真、硬件仿真、原型验证。每个环节都可以有专属智能体,处理局部任务。之后会出现更高一级的智能体,统筹协调这些局部智能体,再往上还有对接前端的智能体。这就像洋葱一样,一层套一层。各家EDA厂商都宣称拥有五级自主能力的方案,但这种五级能力,只在各自限定的应用范围内成立。
Berg:核心本质是层级化架构。
Darbari:但这笔成本谁来承担?中小型企业有预算支付Token开销、跑通整套方案吗?
Schirrmeister:你指的是芯片产品研发方,还是工具厂商?
Darbari:是芯片研发方,也就是终端客户。他们需要为Token付费。我的感觉是,只有大型企业才负担得起。有些大厂已经全面试点,说很多代码都不再由工程师手写,全部交给智能体生成。但如果这套方案的成本能大幅降下来,局面就会变得很有意思。
Schirrmeister:这件事的价值在于,很多以往因为流程繁琐很难落地的中小规模设计项目,将从中受益。当然,想要对标英伟达这类巨头,光靠这套方案还远远不够,依然需要大型企业的体量支撑。
Berg:未来会形成多层级智能体架构,由最高级别的五级智能体统筹全局。行业会先逐个搭建各类专用智能体,再持续迭代优化。只有这样,智能体才能够不断学习,接手工程师大量重复、必要的基础工作。
SE:但这套层级架构想要实现左移,就必须把左移要求嵌入到各个模块里,不是吗?至少要在顶层明确整体目标。
Berg:系统会持续回传信息,确保在定义功能需求阶段就提前加入各类约束,以此提升制造良率。
Schirrmeister:能不能用智能体建模,预判这条设计路径的结果?
Berg:可以。
Schirrmeister:但依然需要校验,对吧?需要在早期就预判设计带来的多物理效应。
Berg:没错。如果做不到这一步,芯片流片之后会直接无法投产。
Schirrmeister:那问题就变成:抽象层级到底可以做到多高?
Laviv:AI可以很好解决大约80%的常规问题。但从业30年的资深工程师掌握很多独特经验,这些能力目前AI并不具备。我们之前梳理过,功耗、硬件仿真、格式检查、验证等场景足足有250种专项技能,当下AI还不掌握。行业需要想办法沉淀这些经验,才能实现智能体之间自主对话,复刻苹果、高通、英特尔内部沉淀了几十年的隐性工程经验。
Berg:相关研究耗时50年,但2024年诺贝尔化学奖,一部分成果就授予AlphaFold这类软件,它可以精准预测蛋白质折叠结构。蛋白质结构远比我们日常处理的晶体结构复杂得多。虽然耗时很久,但至少证明这条路是可行的。不管大家信不信半导体领域能不能复刻,这件事终会发生。
Laviv:但蛋白质研究有一点不一样,所有数据都是公开的。
Schirrmeister:没错,数据来源是关键。南安普顿大学现任教授Simon Davidmann总结过:“行业有三大根基,头部厂商掌握基础工具,并在此之上搭建智能体栈,也就是大家所说的芯片栈、超级栈这类架构。” 新思科技也在走同样的路线,最终比拼的还是传统EDA底层能力。不少懂AI的团队入局EDA,但他们得先吃透EDA,而不是反过来;同时他们拿不到所需的核心数据,数据都掌握在终端客户手里。三星就做过片上网络服务质量优化,他们自研大模型,接入高速经典引擎、SoC仿真器、硬件仿真器,灌入自有数据。这些都是企业私有数据,不会对外流出,这也是他们选择自研的原因。Cognichip也提出,大模型必须用真实芯片设计数据和资深工程师来训练,所以他们招募芯片设计师、自研芯片。
SE:也就是说,他们是把这些能力用在大模型本身,而不是智能体上?
Schirrmeister:正是如此。这就是需要把握的平衡点。
本文转自媒体报道或网络平台,系作者个人立场或观点。我方转载仅为分享,不代表我方赞成或认同。若来源标注错误或侵犯了您的合法权益,请及时联系客服,我们作为中立的平台服务者将及时更正、删除或依法处理。
