大模型风暴“卷”至芯片设计

    大模型带来的AI算力风暴已经蔓延至芯片设计领域。英伟达创始人兼首席执行官黄仁勋认为芯片制造是加速计算和AI计算的“理想应用”；AMD首席技术官Mark Papermaster透露，目前AMD在半导体设计、测试与验证阶段均已开始应用AI，未来计划在芯片设计领域更广泛地使用生成式AI；日本半导体企业Rapidus社长小池淳义表示，将引进人工智能和自动化技术。
    记者在采访中了解到，芯片设计行业需要“EDA+AI”来应对大模型时代的算力变革。将AI技术与EDA工具结合能够使EDA更加智能，减少芯片设计流程中一部分重复且繁杂的工作。但同时，“EDA+AI”仍然面临数据有限、精度不高等问题。
    AI与EDA工具的结合已进入“深水区”
    高性能AI芯片的设计需要使用包电路仿真、物理设计等多种EDA设计工具和软件，还要花费大量的时间和人力成本。在芯片设计过程中，任何一个错误都可能导致大量时间和资源的浪费，甚至可能导致整个项目的失败。在此背景下，不少企业都通过引入AI技术让EDA工具更加智能，在芯片设计的过程中用工具尽可能多地代替人力。
    作为全球领先EDA软件公司，新思科技从几年前就开始大力投入对AI工具的研究。今年四月，新思科技推出业界首款全栈式AI驱动型EDA解决方案Synopsys.ai，能够让开发者第一次从系统架构到设计和制造，即在芯片开发的每一个阶段都采用AI技术，最终达到降本增效，并缩短产品开发周期。目前，Synopsys.ai已经成功帮助瑞萨电子提高芯片性能并降低成本，并将产品开发周期缩短了数周。
    ChatGPT 在芯片自动生成各个领域的开创性创新

    

    “将AI技术与EDA工具结合带来两个核心价值。”新思科技方面对《中国电子报》记者表示，一方面是使EDA更加智能，减少芯片设计流程中一部分重复且繁杂的工作，让用户可以在相同甚至更短时间内设计出功耗、性能和面积（PPA）更好的芯片；另一方面则能大幅降低用户门槛，解决人才短缺的挑战。
    国内系统级验证EDA解决方案提供商芯华章，已经在多个方向上进行AI辅助EDA设计和验证的研发工作。比如，芯华章发布的智能场景验证工具GalaxPSS，基于高级语言建模，可以高效并且自动化生成不同形态、适配多种验证环境优质测试用例。芯华章还成立了芯华章研究院，目前已经开展机器学习算法、光计算在形式化验证中的应用、如何利用新一代语言深度打通软硬件系统验证等多个课题。
    “目前人工智能技术与EDA工具的结合已经进入‘深水区’。”芯华章科技首席市场战略官谢仲辉对《中国电子报》记者表示，如何用人工智能技术处理高维度数据，是当前行业发展的重点。在EDA仿真、形式化验证、调试等几个阶段，都有与人工智能结合的空间。比如在前端的仿真环节，通过融合自然语言处理等最新AI算法与传统机器学习算法来缩小求解空间，更快完成AI辅助的验证和调试。此外，AI算法同样能够优化形式化验证的计算调度，从而改进性能。
    华大九天同样在“EDA+AI”方面有所布局。6月26日，北京华大九天与上海合见工业软件宣布，将携手共建数模混合设计与仿真EDA联合解决方案。此前，华大九天推出了AI驱动的EDA套件，提高了芯片生命周期并实现了管理优化。
    AI大规模参与EDA设计仍存瓶颈
    从目前的实际进展而言，AI大规模参与EDA设计仍然存在一些亟待突破的瓶颈。其中，精度不高、数据有限等问题，正在限制AI技术在EDA设计中的应用。
    图片
    “当前采用大模型或者通用人工智能模型设计芯片的路线还面临流程随机性和鲁棒性较差的问题。”中科院计算所副研究员王颖对《中国电子报》记者表示，AI本身具有的不确定性会影响研究人员采用大模型复现芯片自动设计的结果，现有算法对特性的约束也具有较强的随机性。
    在中科院计算所处理器芯片全国重点实验室研究人员常开颜看来，AI其实是一个不精确的生成。很多时候，AI不一定符合工程师设计的需要，因此如何提升AI在芯片设计中的正确率是一个瓶颈。
    此外，芯片全流程优化算法的缺乏也是挑战之一。“版图级别、布局布线其实还有很多AI模型难以涉及的数据，所以全流程优化既重要又难做。”王颖表示，现有AI只用于芯片逻辑设计的“小优化”。如何利用大模型实现前后端协同优化以改变这种局限，还需要进一步探索。
    “EDA是上下游、前后端结合的产业链。现有的AI只能局限于EDA的某一个层次上，目前还不能实现全局、全流程综合的AI优化。”基于此，常开颜认为，业界需要更多的专业数据来训练模型。除此之外，AI还要与传统的EDA编译工具结合起来，再进行协同优化。
    在芯片数据库短缺方面，AI方法仍然受限于提供数据的厂商。王颖指出，虽然闭源大模型较完善,但大量资源掌握在生产商手中。如果从开源库生成高质量数据集或把闭源代码库当作数据库，就可以给开源模型训练带来优势。
    值得注意的是，ML（机器学习）模型训练也会带来安全性问题。谢仲辉对《中国电子报》记者表示，一方面，ML模型的引入可能会导致数据安全和模型所属权问题。他举例道，客户的设计和供应商IP可能会在不知情的情况下被ML模型学习到，再在模型提供服务的时候被其他客户使用。另一方面，IC领域发展迅速，每一代技术节点对应的设计与制程都不一样，如何提高当前训练的ML模型的有效期是必须面对的挑战。
    “EDA+AI”还面临能耗挑战。这是因为深度学习模型的规模越大，能耗水平也迅速攀升。华为AI首席科学家田奇在近日一场AI大模型技术论坛上强调，大模型训练成本中60%是电费。根据斯坦福人工智能研究所（HAI）发布的《2023年人工智能指数报告》，训练像OpenAI的GPT-3这样规模的人工智能模型所需消耗的电力，足可以让一个普通美国家庭用上数百年。
    新思科技方面在谈及能耗问题时对《中国电子报》记者表示，AI设计工具可以更好地优化AI处理器芯片来提高能效。使用强化学习可以从功耗、性能和面积方面改善芯片；使用低功耗IP解决方案组合可以帮助降低芯片功耗，同时加快产品上市；在芯片生命周期管理（SLM）使用监控和分析的片上传感器，能够生成功耗方面的分析。
    展望未来，AI不会取代芯片工程师，而是扮演辅助角色。“尤其是在复杂的芯片甚至系统级创新的架构中，需要更高层次的算法优化，目前的人工智能还难以进行精准的、有创造力的、解释性强、可重用的表达。”谢仲辉说。