AI破解芯片设计高门槛：未来已来

过去几年，芯片行业的市场竞争发生了一些有趣的变化。PC处理器市场，长久以来的霸主英特尔面对着AMD的猛烈攻势。手机处理器市场，高通已经连续五个季度让出了出货量第一的宝座，联发科意气风发。

传统芯片巨头们竞争加剧之时，擅长软件和算法的科技巨头们相继开始自研芯片，让芯片行业的竞争变得更加有趣。

这些变化的背后，一方面是因为2005年之后摩尔定律变缓，更重要的是数字化迅速发展所带来的差异化需求。

芯片巨头们提供的通用芯片性能固然可靠，而自动驾驶、高性能计算、AI等日益庞大而多种多样的应用需求，在性能之外更多的是追求差异化的功能，科技巨头们不得不开始自研芯片，以巩固其对终端市场的把握能力。

芯片市场竞争格局变化的同时，可以看到芯片行业将会迎来更大的变革，推动这一切变革的因素正是近几年非常火热的AI。

有业界专家说，AI技术会给整个芯片行业带来颠覆性变化。新思科技首席创新官、AI实验室负责人、全球战略项目管理副总裁王秉达对雷峰网表示，“如果说是用引入AI技术的EDA（Electronic Design Automation）工具设计芯片，我认同这种说法。”

如果将AI应用于芯片设计的单个环节，能够把经验丰富工程师的积累融入EDA工具中，大幅降低芯片设计的门槛。如果将AI应用于芯片设计的整个流程，同样可以利用已有的经验优化设计流程，显著缩短芯片设计周期的同时，提升芯片性能，降低设计成本。

芯片行业“质变”

摩尔定律持续有效的二十多间年，芯片公司们借助晶体管的持续微缩，就能够获得性能和能效的持续大幅提升。因此，过去几十年间，硬件和软件可以说是“井水不犯河水”，通用的硬件有固定的架构，算力持续提升，产品以年为周期更新。系统公司在通用芯片的基础上，在软件层面创新，产品以周甚至天进行迭代。

“现在的趋势是软硬件联合设计，芯片的软件和硬件界限不再那么分明。”王秉达指出，“打破这种界限是AI芯片的出现，因为AI芯片的架构不像CPU、GPU一样固定，AI芯片的设计者可以根据应用的需求，组合通用的AI算子设计出专用架构和芯片。”

新思科技全球总裁兼首席运营官Sassine Ghazi也表示，数字化趋势下，大型系统级公司纷纷自研芯片，通过定制芯片来优化其应用程式或工作负载。在中国市场，包括汽车的电气化和无人驾驶、AI、超大规模的数据中心在内的细分市场正在发生重大转变，他们都希望通过定制SoC来实现系统的差异化，从而找到整体业务的差异点，拥有差异化的竞争优势。只有拥有更好的芯片，才能使他们的系统架构与众不同。而领域专用架构（DSA，Domain Specific Architecture）能够体现出他们的系统架构的独特优势之处。

也就是说，领域专用架构可以让芯片设计者决定部分算法变成硬件、部分算法继续采用软件方式，以更加灵活的方式，通过软硬更好的协同，更加高效地满足最终应用的需求。这样一来，架构创新成为了接下来芯片领域竞争的关键。

2019年初，两位图灵奖者John L. Hennessy 和 David A. Patterson发表了一篇长篇报告《A New Golden Age for Computer Architecture》，他们展望未来的十年将是计算机体系架构领域的“新的黄金十年”。在王秉达看来，这可能需要能够自动进行架构探索的EDA新工具，如综合深度学习加速器来更好地适配特定应用的需求。

“架构的变化会带来非常多不确定性，以往通用芯片的架构确定，主要是在制程方面进行提升。”王秉达说，“新思提出的SysMoore理念，则要把从架构到制程再到系统层面的所有因素都考虑在内，带来的变化和不确定性完全依靠传统方式无法解决，AI能够发挥很大的作用。”

除了不确定性，架构的创新也要求芯片从设计到生产应有的周期大幅缩短，否则难以快速满足需求的变化。

早在2018年，美国国防部高级研究计划局（DARPA）就提出了两个新的项目IDEA（Intelligent Design of Electronic Assets）和POSH（Posh Open Source Hardware），目标正是从IP和EDA两个维度缩短芯片设计的流程，节省研发时间。

AI与EDA的融合，能够从根本上解决这些挑战。

AI技术将颠覆芯片设计

今年六月，谷歌团队在国际顶级期刊Nature上发表了一篇题为《一种用于加速芯片设计的布局规划方法（Chip Design with Deep Reinforcement Learning）》的论文，文章指出，利用深度学习，人类工程师需要数月完成的工作，谷歌用AI仅需要6小时就能达到相同效果，提升达到数百倍。

王秉达说：“采用具有AI技术的EDA工具来设计芯片，时间肯定会缩短，这是毋庸置疑的，只是时间缩短的幅度有所不同。”

AI能够缩短芯片设计周期的原因并不复杂，主要是让AI先通过学习，有了知识的累积，在后续使用的过程中遇到相同或者类似的问题能够以更快的速度解决问题，所以带有AI的EDA可以节省芯片设计周期几乎是一个定论。

AI应用于EDA有两种形式，由于芯片设计是一个很长的复杂流程，整个过程中可能需要十几个EDA工具，因此AI既可以应用于EDA点工具中来优化单个芯片设计环节，也可以用于整个芯片设计流程的优化。

如果是用于单个EDA点工具中，其发挥的作用就相当于经验共享，能够让一个只有几年工作经验的工程师，能够达到有丰富经验设计者的水平。“目前芯片架构的设计依赖架构师的经验，如果能够把架构师累积的经验，借助AI技术融入EDA工具中，就可以大幅降低芯片设计的门槛，效率也能大幅提升。”王秉达指出。

如果是贯穿在整个芯片设计流程中的AI，就需要开发者对于AI运行的方式有所了解。王秉达解释，“用AI技术优化芯片设计的流程，需要客户根据实际进度不断进行调节。比如传统的流程中每一步的用时和顺序都很固定，完成前面的步骤才会进入后续步骤。加入AI之后，可能步骤一的时间只需要原来的一半，步骤二时间只需要原来的十分之一，这时候就需要用户进行相应的调整。”

当然，将AI与EDA工具融合不仅可以显著节省研发时间，还能带来芯片性能的提升和设计成本的降低。

以新思科技的DSO.ai为例，美国头部IDM厂商采用DSO.ai后成果显著，芯片设计的时间提升2-5倍，SoC芯片能耗整体提升9%。将DSO.ai应用于不同类型芯片的设计流程，仅需一位工程师就能带来显著的时间节省和性能提升。

“不同类型和场景的芯片，AI能带来的提升并不相同。这是因为，芯片整个设计过程需要经历几百万或者上千万个步骤，不同的流程AI带来的提升程度并不一致，同时，上一步优化的结果影响着下一步AI提升的效果。”王秉达指出，“EDA加入AI之后，在节省芯片设计时间的同时，在相同时间内就可以让设计师专注于优化性能和做核心功能的创新，自然更容易设计出性能更好的芯片，整体的成本也能够相应降低。”

未来，从芯片的架构设计、制造以及封装的全流程都会融入AI技术。至于芯片设计的周期能否从以年为单位变为以月为单位，王秉达认为，通过AI + EDA大幅缩短芯片设计环节的周期是明确的，但缩短芯片从设计到制造的整个生命周期还需要整个产业链的共同努力。

芯片差异化竞争的时代

进一步探讨AI将给芯片行业带来的变革之前，需要先解答一个疑问。AI发展的一个关键要素是足够多的数据，训练EDA的AI数据足够吗？王秉达说：“EDA本身就是一个精密科学，即使在AI到来之前，EDA中就有精确的算法，计算出来的数据我们称之为‘黄金数据’。AI的出现，让我们可以更好的利用黄金数据训练，让EDA工具变得更加智能。”

“EDA的AI对数据的依赖也没有许多行业那么强，但也需要用户的反馈，帮助我们持续提高EDA工具的智能化水平。新思的独特优势在于，我们拥有芯片设计全流程的工具，这让我们可以在整个程中都使用AI，带来更显著的全面提升。”王秉达进一步表示。

当用户的设计与训练好的工具有重合性时，就能迅速完成大部分的设计，节省大量时间，剩下的工作就是一些优化的工作。

“用户也可以使用他们拥有的数据对EDA工具进行二次训练，这样客户就可以拥有更个性化和定制化的工具，设计出更有特色的产品。”王秉达说，“我们的大部分产品都会开放这个接口。”

但要更好发挥AI在芯片设计中的作用，如何找到结合点成为挑战。“要发挥AI在芯片设计中的最大效益，难点在于找到AI与具体领域最巧妙的结合点，这时候就依赖设计者对于专用领域的认知。”王秉达认为。

在这样的竞争中，系统公司的优势更加明显。他们对自身的业务更加了解，对算法的了解更加深入，并且有大量数据，只是欠缺芯片设计的经验。但融入AI的EDA工具，恰好能降低系统公司设计芯片的门槛，还能帮他们更快、更好地设计出芯片。

“我相信，AI +EDA工具会很快从数字设计应用到几乎所有领域，几年内，所有芯片设计的流程里都会有AI。”王秉达表示。

那时候，芯片行业的竞争，可能会演变为系统公司领域专用芯片之间的竞争。通用芯片公司又将怎么面对这样的竞争呢？

王秉达认为，通用芯片公司的优势在于对芯片架构的了解，能够以合适的工艺，以最优的成本按时间窗口把芯片做出来，但缺乏的是对系统、终端应用的深入了解。芯片设计公司需要找到好的系统公司合作深入挖掘需求，以提供灵活的、能适应多个终端应用的通用芯片。

面对这两类客户，新思科技提供的是完全不同的服务。对于系统公司，目标是通过各种IP模块和设计工具帮助他们解决芯片架构和工艺的选择；对于通用芯片公司，目标是通过仿真验证、快速原型等更快、更易用的工具，使芯片生产出来之前就能模拟出实际的性能、功耗等表现，节约成本和设计周期。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删