人工智能会颠覆EDA吗？

　　生成式人工智能已经颠覆了搜索，正在改变计算领域，现在它又威胁要颠覆 EDA。尽管人们纷纷议论纷纷，纷纷宣称未来将发生翻天覆地的变化，但目前仍不清楚它将对哪些领域产生影响，以及变化的深度。
　　EDA 有两个主要作用——自动化和优化。许多优化问题都是 NP 难题（NP hard），这意味着在多项式时间内不可能找到最优答案，尤其是在设计规模不断扩大的情况下。随着时间的推移，启发式方法已经发展起来，可以在合理的时间内获得“足够好”的结果。虽然可以想象人工智能可以提供类似甚至更接近最优的结果，但它对设计的影响可能更多是进化而非颠覆。
　　颠覆性创新通常会导致市场发生变化。假设一个问题：“如果 EDA 能够在零时间内提供最佳结果，半导体行业将受到怎样的影响？”上市时间将加快，设计的 PPA 也会略有改善。但这是否足以导致设计启动数量大幅增加或导致新市场的开发尚不清楚。
　　在这些假设条件下，设计创建和验证仍会成为限制因素。生成式人工智能或许能够改善这一点，而且有令人鼓舞的迹象表明它可以做到这一点。如果设计和验证时间显著减少，几乎肯定会创造新的市场。
　　EDA 在过去曾遭遇过颠覆，而颠覆的问题在于，它们往往在发生之前并不明显。“在某些情况下，人们知道颠覆即将到来，比如柯达知道数字印刷，但他们就是无法将其推向市场，”Ansys 首席技术官 Prith Banerjee 说。“创新视野（innovation horizons）有三种类型。第一种是短期的。下一个版本的工具应该具备哪些功能？我们知道哪些功能，因为它们存在于市场上。你在向市场销售，你在关注竞争——大公司 70% 到 80% 的投资都集中在第一个视野上。”
　　第二种涉及邻接关系。“例如，你正在销售一款设计为本地产品，但想要迁移到云端，” Banerjee 补充道。“需要创新，但我们会找到办法，并取得成功。”
　　许多基于计算的颠覆都属于这种类别。Altair 创始人兼首席执行官 James Scapa 表示：“计算机的内存曾经很小，后来内存越来越大。我们改变了其中一种工具的工作方式，这种创新对市场产生了颠覆性的影响。从本质上讲，我们将所有模型都放入内存中。这种变化意味着我们的速度比竞争对手快 30 倍左右。HPC 也发生了类似的变化。与云计算相关的商业模式将成为 EDA 领域的重大变革之一。与之相伴的商业模式将具有一定的颠覆性。重要的是要了解计算的发展，了解计算的发展方向以及如何利用计算。”
　　另一种类型的转变仍在进行中。加州大学伯克利分校 EECS 系研究生院名誉教授、imec 系统技术协同优化部门首席技术官 Jan Rabaey 表示：“考虑一下并行性。人们过去常说并行计算是一个非常糟糕的想法，因为我们不知道如何编译。相反，我们应该采用单个处理器并使其尽可能快。然后，出现了电源问题，我们无法再让它们更快。所以突然之间，并行性成了一个好主意，这是一种颠覆。”
　　剩余 10% 的投资用于第三种类型的创新。“这不是你当前研发的一部分，也不针对现有市场，”Ansys 的 Banerjee 说。“一个典型的例子是苹果推出 iPhone。这是颠覆性的。亚马逊推出了 AWS，他们的网络服务。这是颠覆性的。一家大公司如何进行颠覆性创新，因为它不是偶然的？这需要一个过程，你需要挖掘创新发生的地方。它在学术界，在初创公司。你应该不断监控初创公司的情况，然后让一个中央研发团队尝试自己发明一些东西。但这个中央团队不必发明一切。其中一部分是你有机地完成的，另一部分是将技术引入你的公司。”
　　回顾过去，我们可以看到 EDA 内部发生的颠覆。加州大学伯克利分校的 Rabaey 说：“如果回到 20 世纪 80 年代，我们看到了一系列最初诞生于学术界和初创公司的想法，这些想法改变了我们的设计方式。”“EDA 开始使用标准单元推动设计。当你第一次看到它时，它似乎是一个非常糟糕的想法。它非常受限。你将单元排成行等。但它使自动化成为可能。这基本上导致了逻辑综合，我们可以开始思考逻辑函数，优化它们，拥有一套工具来帮助我们将高级描述转化为某种东西，并且它是自动化的。我们今天认为这是理所当然的。还有其他领域——模拟、验证、行为综合——这些领域最终造成了某种形式的颠覆。”
　　过去 20 年来，EDA 领域几乎没有发生过任何颠覆，因为该行业基本上一直走在一条线性发展道路上。但随着摩尔定律 从平面设计转向封装中堆叠的多个芯片，这种情况正在迅速改变。
　　“当现状糟糕时，颠覆性变革更容易发生，”Cadence 汽车研发研究员 Chuck Alpert 表示。“以设计团队为例。他们可能知道有些事情出了问题。也许工程预算失控了，或者他们正尝试进行新设计，但没有工程技能。他们必须做一些颠覆性的事情。今天，我们看到设计复杂性呈爆炸式增长。缺乏可扩展性。设计团队可能会遇到一些迫使创新的事情。这些都是现状糟糕或正在走下坡路的情况。对于 EDA 公司来说，当你不是市场领导者时，可能会发生这种情况。你落后了，必须做一些颠覆性的事情来迎头赶上。或者也许你一直是市场领导者，但代码库是用 COBOL 编写的，没有人再知道它了。你必须做出改变，因为趋势将会下降，你处于一个不创新就死亡的境地。”
　　创新机会无处不在，尤其是在创新文化中。Altair 的 Scapa 表示：“人工智能和大型语言模型的出现能够带来巨大的变革，而云计算则能够实现快速扩展。商业模式——而不仅仅是技术——是你如何颠覆的一部分。EDA 领域的初创公司确实很难，因为只有两家公司占据了主导地位。他们长期以来一直在收购和淘汰初创公司和竞争对手。这阻碍了创新。”
　　通过展望未来，可以识别和处理一些压力。“什么是颠覆周期？”Rabaey 问道。“地平线上有很多这样的周期。路线图的好处在于，你可以识别出未来 10 年可能出现的问题。这就是学术界擅长的地方——研究这些路线图，并识别出可能由此出现的新范式。例如，扩展将持续 5 年，甚至 10 年。我们该怎么做？颠覆是你无法选择的。唯一走上颠覆之路的时候是你遇到障碍的时候，当你突然意识到‘我无法再前进了’的时候。我们必须重新思考我们的设计方式。一种可能性是开始思考第三个维度，在那里你将不同的技术层层叠加。最简单的方法是将旧架构映射到这个。但这不会给你带来很多好处。你必须重新思考如何使用它。”
　　有时，改变是外部强制的。“设计正在从芯片转向系统，” Banerjee 说。“如果目标是设计一款电动汽车，我的要求就不仅仅是 RTL 输入。我的设计要求是一辆电动汽车，它能在一秒钟内从 0 加速到 60 英里，续航里程为 500 英里，而且必须达到五级。这些就是我的要求。EDA 行业专注于设计芯片。你必须设计电力电子，这是一种电力电子模拟，结合电池、电机设计，然后是空气动力学工作量。这是一个多物理世界，非常复杂。然后你有软件，它必须根据系统级规范编写和自动编译，然后进行验证。”
　　图片
　　图片
　　EDA 中的人工智能
　　图片
　　图片
　　EDA 公司已经迅速在其工具中采用了某些形式的人工智能。“强化学习正被用于解决优化问题，”新思科技人工智能解决方案高级总监 Stelios Diamantidis 说。“人们现在使用强化学习进行实验、收集数据、建立更好的指标来推动优化，并自动执行这些优化。这项技术本身可以应用于其他问题。我们从优化物理布局和平面图、某些拓扑中的时钟、DTCO 和其他物理类型的应用开始。从那时起，我们将这一原理应用于验证等问题，其中重新排序测试或更改种子可以帮助您加速覆盖率或追踪错误，以测试重新排序向量可以帮助您更快地实现制造测试的覆盖率。”
　　但人工智能不太可能取代现有的 EDA 工具。“我认为，我们拥有优秀的 EDA 产品，我们的客户正在使用这些产品，因此现状很低，”Alpert 说。“如果我们决定使用人工智能制造新产品，我们将付出巨大的代价。也许从长远来看，我们会得到一些好处。如果我们让整个产品团队都说，让我们重新开始，打造一些新的东西，那将是非常痛苦的。最终，你可能会成功，但与此同时，你将付出巨大的代价。”
　　EDA 行业的关键在于保持连续性，确保为客户提供推出下一款产品所需的工具。“我们必须保护我们价值 20 亿美元的业务，”Banerjee 说。“一家初创公司从零开始。但客户仍然很难接受新技术来解决他们的问题。这不仅仅是 EDA 的挑战，而是整个行业的挑战，这就是为什么我看到了第三个前景——愿景，与初创公司合作，然后收购已经证明这些技术的初创公司。”
　　Alpert 对此表示同意。“颠覆性技术对几乎所有行业来说都是难以应对的，不仅仅是 EDA。他们可以投入一些资源，但不要太多。或者他们可以等待其他人创新并购买它。这是另一种策略。”
　　但是创业公司都去哪了呢？“在过去的 10 年或 20 年里，现有的生态系统已经崩溃，”Rabaey 说。“曾经有一段时间，EDA 有一个充满活力的研究空间。去所有顶尖大学看看，他们都在研究工具。你再也找不到它们了。它们不存在了。也许你有一个好主意，学者们可以发表论文，但他们不会制造出那个产品。创业公司的作用确实很重要，在 90 年代，这是一个充满活力的世界。正是这些小公司想出了主意并加以尝试。这也已经崩溃了。但生态系统可能会再次崛起。”
　　图片
　　图片
　　GenAI 的影响
　　图片
　　图片
　　大量投资涌入 GenAI，但在 EDA 领域却少得多。“GenAI 是真实存在的，将为我们带来真正的成果，”Scapa 说道。“但炒作太多，投资金额与我们今天看到的回报不符。GenAI 将会先出现下滑，然后出现典型的缓慢上升，因为 GenAI 是真正的大生意。我们也在用传统机器学习做一些有趣的事情，这也具有巨大的潜力。”
　　但 GenAI 在 EDA 中的真正潜力似乎有些不切题。“EDA 不会创造设计，”Rabaey 说。“但它是由设计考虑驱动的。AI 将成为设计流程中颠覆性的一部分。AI 将成为一种设计工具，帮助我们探索巨大的选择空间。”
　　第二波生成式人工智能正在解决自动化问题。“具体来说，是一些关键的工业挑战，”Synopsys 的 Diamantidis 说。“这更多地与经济、地缘政治压力、人才可用性以及用更少的资源做更多事情的能力有关。在第二波中，我们能够获取数据或设计环境。我们能够利用这些数据在非常大的范围内训练模型。然后，我们能够将它们情境化，以适应特定于设计师活动的不同任务。我们当然正在解决人机界面问题。我们现在可以探索巨大的复杂性。”
　　也许 GenAI 最大的投资回报就是生产力。“我们致力于指导人们完成开发过程，帮助他们利用生成式人工智能提高解决问题的能力，”微软高级首席工程师 Erik Berg 表示。“这些数据从何而来？我相信我们拥有的最丰富的数据来源就在我们工程师的头脑中。我正在构建的工具不仅为我们的工程师提供解决方案，还同时从他们的头脑中抓取结果、其他数据和结果。”
　　设计界的许多领域都出现了这种情况。亚利桑那州立大学助理教授 Vidya Chhabria 表示：“GenAI 绝对可以帮助非专家用户变得更好。它可以帮助非专家用户提出正确的问题——更具有智力的问题。它可以帮助非专家用户快速掌握新设计和新 EDA 工具。也许它可以帮助专家用户提高工作效率或加快工作速度。”
　　但这些会造成颠覆吗？“尽管有这么多技术，但将芯片放入插槽仍然需要四年时间，”Diamantidis 说。“我指的是收集需求、架构探索、设计输入、验证、插入测试、准备用于硅诊断和数据挖掘的仪器——整个过程。这需要大量的人力、金钱和时间，这意味着它并没有真正改变半导体领域的基本面或经济状况。”
　　图片
　　图片
　　结论
　　图片
　　图片