四大EDA巨頭：預測未來

公眾號記得加星標⭐️，第一時間看推送不會錯過。

來源：內容編譯自semiengineering。

人工智慧正在滲透整個半導體生態系統，迫使人工智慧晶片、用於製造它們的設計工具以及用於確保它們可靠執行的方法發生根本性的變化。

這是一場全球性的競賽，未來十年幾乎每個領域都將重新定義。在過去幾個月的演講和採訪中，EDA 的高層管理人員總結了三大趨勢，這些趨勢將成為可預見的未來關注的焦點：

1、人工智慧本身正在從嚴格控制的機器學習擴充套件到人工智慧助手、生成人工智慧和代理人工智慧。

2、這種轉變需要處理海量資料，才能建立大型語言模型和演算法。由於規模化的限制，它正在推動向多晶片組裝的轉變。最佳選擇是3D-IC。

3、晶片和系統需要在其整個生命週期內進行監控，以確保可靠性。人工智慧容易出現幻覺，而充滿晶片的複雜系統可能會隨著時間的推移以意想不到的方式效能下降，導致資料悄無聲息地損壞、軟體更新不相容，以及工作負載變化導致的加速老化。

人工智慧

EDA 中 AI 的用例已經從簡單的模式識別發展到輔助設計和廣泛的知識共享，使初級工程師能夠更快地上手，資深工程師能夠擴充套件到新的領域並提高工作效率。

Synopsys總裁兼執行長 Sassine Ghazi 表示：“我們是這樣描述的：你有一個co-pilot，你有‘輔助’（assisted），也有‘創意’（‘creative’）。[輔助] （Assistive）指的是你有一個工作流助手、一個知識助手和一個除錯助手，這樣你就可以更快地培養初級工程師和專家工程師。他們可以以更現代化、更高效的方式與我們的產品互動。然後你就有了創意元素。我們有很多例子，從 RTL 生成、測試平臺生成到測試斷言，我們都有早期的客戶參與，你可以有一個副駕駛來幫助你建立部分 RTL、測試平臺文件和測試斷言。”

Ghazi 表示，藉助創新工具，各種任務的執行時間可以從幾天縮短到幾分鐘。但所有這些都需要嚴格控制。“我們不能讓模型產生幻覺，”他說道。“我們非常謹慎地考慮何時以及如何與客戶互動，以確保我們提供的產品成熟度在可接受範圍內，同時又不會危及他們工作流程的任何部分。

隨著人工智慧的不斷發展，工作流程也將隨之演變。我們的投資者利益相關者經常問我，何時才能看到人工智慧在 EDA 市場中帶來變革。我認為，除非他們的工作流程發生改變，否則這種情況不會發生。這意味著你可以以截然不同的方式做某些事情，以便以更快、更有效、更高效的方式交付產品路線圖。現在，隨著代理人工智慧時代的到來，代理工程師將與人類工程師合作，以應對這種複雜性並改變工作流程。”

如果人工智慧能夠兌現其承諾，這場變革的規模將不容小覷。但這一切發展如此之快，以至於它引發了許多目前尚無明確答案的問題。時間將告訴我們人工智慧能夠勝任哪些工作，哪些方面需要密切關注，以及風險在哪裡。自20世紀50年代末以來，對人工智慧變革能力的預測已被證明過於樂觀。但在過去幾年裡，從ChatGPT的推出開始，人工智慧似乎終於兌現了其承諾。代理人工智慧（Agentic AI）將是下一個重要目標。

西門子數字工業軟體執行長 Mike Ellow 表示：“如果我們足夠自信地相信 AI 具有一定程度的自主性，它通常能夠自行做出主動決策，那麼代理 AI 是一個有趣的概念。在設計領域，當我們開始討論代理 AI （agent AI）與代理式 AI （ agentic AI）時，這取決於你的談話物件以及他們希望如何劃分不同的術語。從我們的角度來看，對於代理 AI，我們會用一組邊界條件定義一項任務，然後讓 AI 在邊界條件範圍內執行以得出解決方案。而對於代理式 AI，你基本上會說，‘這是問題所在。你思考執行它的最佳方法是什麼。你想出了那個解決方案。然後你從 EDA 的角度推動實現預期結果。’這就是我們看待 AI 演變為我們的工具的方式。”

採用率之高前所未有。在晶片設計領域，很難找到一個人工智慧不發揮直接或間接作用的領域。

是德科技 EDA 軟體副總裁兼總經理 Niels Faché 表示：“這對我們行業來說是一場深刻的變革。在模擬領域和物理領域之間切換時，所有這些步驟都會生成資料，並需要收集洞察。這正是人工智慧能夠大顯身手的地方。從模擬的角度看，它可以幫助我們建模，加快模擬速度，為產品增添更多專業知識，幫助設計團隊，幫助設計師生成設計方案。人工智慧非常強大，具有變革性。幾年前，一位客戶告訴我，‘我有一個設計團隊，但他們花費大量時間處理你們的產品模擬。我希望他們是設計師，而不是模擬器。’產品設計團隊不想學習模擬器的工作原理。他們不想花費大量時間設定模擬環境。他們只想思考需求，以及如何根據這些需求建立設計。這就是人工智慧的力量。它能夠真正幫助客戶從產品設計思路轉向他們真正想要做的事情。人工智慧可以幫助你在印刷電路板上佈線，或者設計新的拓撲結構。

Cadence 設計系統公司總裁兼執行長 Anirudh Devgan將人工智慧比作 EDA 中三層蛋糕中的一層。“應用程式要想成功，必須具備所有三個部分，”他說道。“首先是人工智慧代理和編排（There are the AI agents and orchestration）。其次是主要的模擬，有時人們會忘記它的重要性。它包括真實的電晶體行為、分子行為、流體動力學和熱力學。這些是無可替代的。然後，你還需要計算來執行它。”

從計算的角度來看，人工智慧似乎更像是一種進化，而非革命。“人工智慧剛起步時，是一種密集計算，”德夫根說。但物理世界並不密集，人工智慧也不密集。所有神經網路都並非密集。因此，由於設計和需求的複雜性，我們在所有這些演算法上都進行了創新。然後，我們又會面臨延遲、分割槽和層級結構的問題。你可以在頂層的移動抽象層中看到這些創新，也可以在底層的純演算法中看到這些創新。這些演算法中有一半是布林型的——0/1，例如邏輯模擬、形式驗證——還有很多是數值型的，例如電路模擬、特性分析和熱分析。布林計算和數值計算都需要加速……

但現在，有了人工智慧，我們可以從自然語言和最佳化的角度，在軟體領域實現更高層次的創新。人工智慧非常擅長最佳化，這就是我們多年來一直致力於此的原因。我們有五大人工智慧平臺——數字、驗證、定製、封裝和系統分析。這些成果實際上非常驚人……人工智慧可以徹底改變晶片設計，這就是我們在這五個平臺上投入巨資的原因。”

EDA 供應商如何利用 AI 略有不同，取決於其起點。但 LLM 的優勢之一是其能夠涵蓋不同的資料型別，從而提升整個流程的抽象級別。因此，起點並不像乍看起來那麼重要。關鍵在於他們如何獲取和利用資料，以及他們能在多大程度上將資料擴充套件到設計階段之外——這在很大程度上取決於未來資料如何共享和保護，以及公司在哪裡看到機會。

正如西門子的 Ellow 所解釋的那樣：“它以生成式人工智慧領域為基礎，因為這是第一層級，你可以從我們這裡獲得大量經過驗證的資料來源以及他們的客戶資料。這些資料會進入資料湖，在那裡你可以訓練 LLM。我們可以使用各種 LLM，客戶也可以使用他們自己的 LLM。然後，你可以將其嵌入到基礎架構中，並在其基礎上使用我們所有的工具。”

鑑於綠地機遇的廣闊性（greenfield opportunities），選擇合適的機會並非易事。正因如此，最初的起點必須切合實際。“一個人需要多長時間才能成為射頻工程師？這是一門藝術，”是德科技的 Faché 說道。“這不是六個月就能學會的，通常需要數年時間。但藉助人工智慧，我們可以讓設計人員更容易地獲取資訊，並真正縮小經驗豐富的射頻設計人員與新手工程師之間的生產力差距。聊天機器人就是一個例子，它可以在正確的時間以更好的形式向客戶提供資訊。”

3D積體電路

人工智慧需要大量資料，尤其是用於訓練模型。問題在於，由於光罩限制，平面晶片無法快速高效地處理所有資料，因此許多資料中心採用某種多晶片組裝技術（例如扇出式或 2.5D 技術），以提升效能並降低功耗（相比平面 SoC）。

但這些基本上只是漸進式的提升。要實現效能和功耗的大幅提升，需要真正的 3D-IC、混合鍵合和晶片陣列。

Ellow 表示：“2.5D 技術讓矽片的結構更加靈活，使其更適應所執行的軟體。當完全採用 3D-IC 時，你就能夠在不同的晶片之間進行更離散的分割槽，並利用不同的工藝針對不同的功能進行最佳化，這為如何更好地適應軟體工作負載提供了更多有趣的可能性。它旨在最佳化，但目前仍處於一個有點遠大的目標。”

兩個關鍵挑戰是如何管理散熱，以及如何確保不同層能夠正確粘合在一起，從而使密集排列的互連線完美對齊。此外，3D-IC 中的一些晶片將採用最先進的工藝開發，而其他晶片則可能採用成熟的工藝開發，這使得問題更加複雜。

“客戶已經在談論將數萬億個電晶體整合到一個封裝中，而他們的日程安排正在爭分奪秒地將流片時間從18個月縮短到16個月、12個月甚至更短，以便為這些智慧系統提供定製矽片，”Ghazi說道。“你該如何應對？單晶片技術的複雜性——我們說的是GAA，以埃為單位來設計矽片——然後你還要將它們整合到一個先進的封裝中。”

這是擴充套件到數千億甚至數萬億個電晶體的唯一方法，但將它們組合在一起將是一項工程壯舉。“一旦你開始擴充套件到這種複雜程度，你就只能透過提高互連層的效率來實現所需的效能或功耗，”Ghazi 說。“而且晶片可能來自不同的工藝技術和不同的代工廠。如何驗證和確認一個架構才能交付這種先進的封裝？”

這也為以chiplet形式出現的軟IP和硬IP打開了大門。“新的機遇層出不窮，尤其是在3D-IC和AI發展的情況下，因此我們正在加倍投資IP，”Devgan說道。“我們提供的IP數量和工藝節點數量都顯著增加。IP現在是Cadence最大的研發團隊之一，我們將繼續投資，不僅在物理IP和介面IP方面，還將投資於被廣泛用作嵌入式處理器的Tensilica。”

數字孿生

EDA 供應商敏銳地意識到 AI 系統的風險以及 3D-IC 架構中的未知因素。

“需要將設計和測試連線起來，並在從設計到測試的驗證過程中引入數字化威脅，”Faché 說道。“現在有一些工具可以管理質量和可靠性。當然，資料管理和分析的需求也日益增長。所有這些工具都需要具備，客戶需要從自主研發的工具轉向商業工具。但這些工具也相互依存，因此需要一箇中心輻射模型，讓不同的工具能夠對資料進行操作。資料會隨著時間的推移而變化。它們可能會消耗資料，也可能會生成資料。IP 是在產品生命週期內開發的。因此，如果我們想要實現真正的數字化轉型，我們需要一個基礎架構，讓客戶能夠做到這一點。資料管理過程至關重要。”

這個概念仍在不斷發展，術語也同樣如此。一些供應商稱之為數字孿生，而另一些供應商則稱之為虛擬孿生。但其基本概念是對系統進行即時監控，以確保其執行符合預期，並根據工作負載儘可能地進行最佳化，並在出現問題之前採取措施進行修復。

Devgan 表示：“市場對精確的數字孿生有著巨大的需求，尤其是在物理領域以及推動這一需求的相應矽片領域。”這就是我們投資資料中心數字孿生技術的原因——用於模擬整個資料中心。這是一款非傳統產品，但它變得至關重要——應用計算流體力學 (CFD)、模擬和人工智慧來最佳化資料中心。我們甚至在內部將其應用於我們自己的資料中心。關於資料中心，需要記住的是，它不僅僅是那些大型雲計算公司。企業中有很多資料中心。當我們將它應用於我們自己的資料中心時，我們的電力效率提高了 10%，這意義重大，因為資料中心的設計中應用的科學知識並不多。晶片、機架和所有網路的設計都應用了大量的科學知識。但是，如何佈局資料中心？使用了多少池化？它是過度冷卻還是冷卻不足？您是否定期維護它？這些工作的科學性不如晶片設計那麼高。因此，一旦掌握了資料中心的數字化趨勢，就可以進行更多最佳化。

這個概念很容易理解。儘管取得了一些早期的成功，離散數字孿生技術仍在發展中。“數字孿生尚未成為一個可商業化的系統，”Ellow說道。“它是一系列元件的集合。它包含了軟體、半導體、封裝和電路板等電子元件。此外，它還涉及電氣效應，就像我們在Mentor時期所做的那樣，我們擁有線束和網路連線等功能。此外，它還涉及機械部件，以及與之相關的更廣泛的多物理場產品組合。然後，它還涉及產品生命週期管理，因為所有這些都必須透過物料清單來構建。一家公司能夠提供所有這些獨立領域的完整性，這讓我們能夠獲得一些洞見。但當你將整個產品組合納入製造流程模擬等環節時，仍然存在一些差距。如何將所有這些系統整合到最終產品的實際生產中？這其中有很多問題需要解決。”

我們正在取得進展，但這並非一勞永逸的萬能解決方案。“作為一個行業，我們已經討論這個問題有一段時間了，但考慮到即時模擬以及在系統層面進行分析和最佳化的複雜性，這一點至關重要，”Ghazi 表示，並指出資料中心和汽車等應用是這項技術的關鍵市場。“隨著我們開始深入研究汽車和自動駕駛的複雜性，數字孿生需要同時類比電子裝置和周圍環境。就汽車而言，我們必須與生態系統合作。他們還有其他部分需要與晶片虛擬化和電子系統相結合。”

舉個例子：新思科技與汽車模擬技術製造商IPG的合作。“我們能夠虛擬化和建模控制系統以及分割槽和計算ECU，使其能夠相互通訊，”Ghazi說道。“我們提供電子虛擬化，IPG則引入了周圍的物理世界。在軟體開發執行過程中，測試團隊可以觀察矽片在特定工作負載環境中的行為。這不僅適用於汽車。無人機、資料中心等都可以從虛擬化中受益。如果我們將其更貼近矽片，就會發現3D-IC或高階封裝是一個精密複雜的系統，你需要考慮的不僅僅是電子設計。你可以說，在這種情況下，電子設計是可以理解的。但是，當你開始將晶片堆疊到這種高階封裝中時，你將面臨一系列其他挑戰，包括熱、機械、流體和結構。”

結論

人工智慧革命已經開始。與所有新技術一樣，消除其中的矛盾之處並發現問題需要整個科技生態系統多年的努力。

“挑戰重重，”Faché說道。他指出，首先，無論你是設計師、設計團隊成員，還是工具提供商，你都必須精通人工智慧。學習人工智慧是一個全新的領域。這意味著我們需要真正理解工程生命週期的變化。這是對工程生命週期的根本性重新設計。他們需要了解在人工智慧世界中模型是如何開發的。機器學習的運營工作流程是什麼樣的？構建模型需要成本。你需要擁有資源、流程和資料管理結構，才能實現這一點。

最終，你需要對這些工具的有效性充滿信心。這是一場人人都擁抱人工智慧的競賽。

參考連結

https://semiengineering.com/edas-top-execs-map-out-an-ai-driven-future/

*免責宣告：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅為了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支援，如果有任何異議，歡迎聯絡半導體行業觀察。

END

今天是《半導體行業觀察》為您分享的第4075期內容，歡迎關注。

推薦閱讀