AI干掉芯片工程師？專家説：不要慌！

日前，半導體工程雜誌邀請了Synopsys人工智能與機器學習副總裁Thomas Andersen、英特爾模擬/混合信號工具/流程高級總監Sridhar Boinapally、AMD公司研究員Alex Starr、英偉達GPU硬件工程副總裁Stuart Oberman、微軟硅工程基礎設施合夥人兼總經理Silvian Goldenberg以及加州大學伯克利分校電子工程與計算機科學教授Borivoje Nikolic，共同探討人工智能在芯片設計中的應用機遇與挑戰。以下摘錄自近期Synopsys Converge大會上面向現場觀眾舉行的這場小組討論。

SE：您認為人工智能將在未來五年內如何從根本上改變芯片設計流程？

Andersen：它不會取代工具本身。我看不出有什麼技術會比它更好。然而，對於工具的操作者——也就是運行驗證工具、實現工具和籤核工具的人——來説，需要進行大量的迭代。一部分是完善設計，一部分是調試和設置工作流程。這類工作在未來兩年內可能會高度自動化，而生成式人工智能和推理模型的進步正是在這方面取得了巨大的飛躍。我可以自動生成工作負載、調試問題、驗證問題、解決物理設計問題，這可以大大加快我的設計收尾速度。完全自動化還需要一些時間，因為就目前而言，仍然需要有人蔘與其中，以確保我不犯錯誤，並再次檢查系統是否按預期運行。但總的來説，我確實看到了巨大的機遇，未來幾年芯片設計流程將會發生相當大的變革。

Starr：五周還是五年？變化太快了。變革的速度、變革的加速，以及模型和智能流程的創建，將徹底改變我們進行芯片設計的方式。工程人員隊伍將真正需要學習和技能發展。隨着我們提升水平、協調運作並理解這些系統的運行機制，我們將在更短的時間內完成更多工作，並將產品推向市場。

Oberman：我的老闆（英偉達CEO黃仁勛）曾説過一句名言：「工作分為任務型工作和人工監督型工作。」儘可能利用人工智能完全取代任務型工作。就芯片設計流程而言，多年來我們研發的所有產品，都已非常擅長完成某些特定任務。這些任務包括部分分析、部分編碼以及部分驗證和調試。大多數情況下，這些都是任務型工作。但模型更新換代的速度令人難以置信，無論是五周還是五年。如果科學能夠稍微放慢速度，讓我們有時間跟上創新步伐，那就太好了。我們看到大量新技術涌現，並正努力以最快的速度部署它們。

Boinapally：這對EDA來説是一項根本性的變革。很多設計工作都是枯燥乏味的，需要在驗證階段一遍又一遍地重複。現在這些都不復存在了。我們正在價值鏈上向上攀升，邁向更高的設計層次。

Goldenberg：我們必須從一開始就做到萬無一失。芯片設計就是這樣，耗時耗力，成本極高。我們必須從項目啟動到最終流片，全程掌控。這就是我們應用人工智能技術的背景。硅芯片的研發依然充滿挑戰，設計師們仍然需要理解芯片的運行機制。人工智能的價值在於它能加快研發速度，並模糊專業領域的界限。目前，我們為不同的領域配備了專業的工程師。人工智能可以促進知識的多元化，從而產生海量的設計方案。設計公司往往採用線性流程，然后反覆修改，這浪費了我們大量的時間。

SE：你會對工程系學生説些什麼？

Nikolic：別害怕。這些智能體人工智能方法將催生一個芯片種類繁多的未來。這些工具將縮短芯片的開發時間。這些都是未來幾年內必然會發生的事情。真正讓人們對人工智能避之不及的，是我們發現的東西。我們發表了一篇論文，指出人工智能在通用內核中發現了一種新的緩存替換策略，其效率遠超人類開發。我們還構建了一個用於開發模擬電路的人工智能發現流程。它並沒有創造出全新的拓撲結構，而是利用了之前出現過但因難以理解而未被採用的拓撲結構。因此，我們需要對學生進行人工智能方面的教育，並指導他們如何利用所有這些成果。目前我們還沒有答案，但我們正在努力尋找答案。

SE：如今人工智能領域的投資巨大。短短四年間，我們已經從機器學習發展到生成式人工智能，現在又發展到智能體人工智能。那麼，人工智能領域有哪些巨大的機遇？這將如何影響半導體行業的創新？

Andersen：我見過一些圖表，展示了機器學習、人工智能和生成式人工智能，但這並不意味着生成式人工智能比其他技術更好。不同的技術適用於不同的問題。對於優化問題，甚至對於非人工智能領域，如果我有一個包含數百萬個物體的放置問題，需要找到最優的放置方案，這並不意味着人工智能或機器學習算法在這方面就更勝一籌。人工智能的核心在於自動化人類的工作。它擅長認知和識別事物，甚至可能還能執行某些操作。從這個角度來看，不同的技術將應用於不同的問題。在覈心探索性數據分析（EDA）算法中，人們曾嘗試使用強化學習來尋找更好的解決方案，但效果並不理想，因此我們目前專注於人類必須完成的任務。首先，在相當長的一段時間內，人類仍然需要掌控全局，否則如果我們試圖實現所有功能的自動化，最終只會製造出大量無法正常工作的芯片。我會先從一些瑣碎的小任務入手，比如調試、清理約束文件等等，而不是一開始就着手整個工作流程或規範，否則最終可能會出現問題。這就好比有人畫了六根手指而不是五根手指的畫像，一切都進展得太快了。我們或許需要放慢腳步，先集中精力解決這些繁瑣的調試任務，然后再進入下一個階段。這其中藴含着巨大的投入和潛力，但我們也必須務實。

Goldenberg：我們開始看到很多應用的領域是軟件的硬件利用率。由於我們目前的設計工作方式，這方面的探索還不夠充分。我們先設計架構，然后再設計模型。人工智能有能力調整軟件及其實現方式，從而提供比我們目前所見更優的解決方案。這方面我們確實看到了發展潛力。但是，芯片設計需要能夠100%依賴人工智能。

Boinapally：最顯而易見的應用領域是RTL代碼生成、驗證和確認。未來，它將滲透到芯片設計的方方面面。在英特爾，我們看到了非常積極的跡象。它甚至可能徹底改變芯片設計。我不確定未來是否還需要人工來確保自動化流程的驗證。人類未必更勝一籌，他們也會犯很多錯誤。然而，如今他們卻一直在進行各種驗證工作。或許在最高層，我們需要的人工會越來越少。

Starr：我們會實現完全自主。我們會達到這樣的程度：擁有由不同代理組成的解決方案，這些代理會驗證人類會觀察的內容，這樣你就不必完全依賴單一模型來做出正確的決定。你會看到多個代理協同工作。因此，我們將從今天的編碼方式過渡到企業級、完全可擴展、可部署、穩健且確定性的解決方案——但這其中還有一段路要走。

SE：如果這些都是按鈕式設計，那麼不同芯片之間的區別是什麼？

Starr：我們看到的是，一些團隊能夠更快地運用精益框架找到解決方案。即使使用完全相同的工具，不同團隊在不同的抽象層次上採取不同的方法，結果也會大相徑庭。這些團隊真正能夠理解人工智能的本質、發展方向以及實現差異化所需的技術。

Oberman：你們都擁有相同的底層框架和工具，那麼究竟是什麼決定了成敗？難道現在不就是這樣嗎？你們擁有訓練有素的工程師，可以面試他們，瞭解他們的能力，還有優秀的EDA工具。這些現在都已經實現了。然而，各公司推出的產品卻不盡相同。能夠將這些專業知識進行編碼，無論是基於你們引進的優秀工程師，還是基於機構的專業知識，然后將它們嵌入到模型本身或框架中——這種做法將會持續下去。有些公司會比其他公司更成功。我們還沒到「輸入、按下按鈕、芯片輸出」的階段。即便真是如此，你們又在流程中投入了哪些工具呢？

（來源：編譯自semiengineering）

*免責聲明：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爲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持，如果有任何異議，歡迎聯繫半導體行業觀察。