1. 首頁 > 生活百科 > >

AI驅動的芯片設計，正在挑戰生產力極限

人工智能it芯片芯片ai軟件自動化

AI驅動的芯片設計，正在挑戰生產力極限

文章圖片


【AI驅動的芯片設計，正在挑戰生產力極限】AI帶來的最直接收益正顯現在仿真和設計迭代中 。



繼Elliott Investment Management獲得激進股份之后 ， 近期圍繞新思科技(Synopsys)的關注度不斷上升 ， 這使得人們重新將焦點集中在AI如何從工程工作流中的技術升級演變為增長驅動力上 。
從芯片設計到系統級仿真 ， AI滲透到了每一個層面 ， 有望將開發周期從數年縮短至數月 。 更快的設計周期和更高的迭代次數不再僅僅是工程基準；它們日益被視為未來增長的指標 。 然而 ， 隨著企業擴大計算支出并嘗試生成式設計和AI驅動的仿真 ， 切實的生產力收益到底在哪里顯現？更重要的是 ， 在已展示的能力與可重復的真實世界生產力收益之間是否存在差距？
《EETimes》采訪了新思科技創新高級副總裁兼執行領導團隊成員Prith Banerjee 。 在新思科技斥資350億美元收購仿真巨頭Ansys之后 ， 該公司正將其芯片設計工具擴展到系統級仿真領域 。 曾擔任Ansys首席技術官的Banerjee表示 ， 新思科技正在押注AI驅動的仿真、生成式設計以及其所謂的“代理式工程(agentic engineering)” ， 認為這些技術能夠顯著縮短設計周期并提高產品質量 。
AI在哪里帶來生產力AI帶來的最直接收益正顯現在仿真和設計迭代中 ， 這些領域在歷史上一直與較慢的工程周期相關聯 。
“試圖降低空氣動力學阻力的汽車設計師 ， 傳統上大約需要花費100小時進行CAD設計 ， 10000小時進行仿真 ， ”Banerjee說 ， “借助SimAI和GeoAI等AI工具 ， 這些任務可以在幾分鐘內完成 。 ”
這種轉變不僅關乎速度 ， 更關乎規模 。 他說：“工程師不再僅僅評估兩三個設計 ， 而是可以評估數千個 。 ”
在最近的一份公司聲明中 ， 新思科技表示其代理式設計工作流已經顯示出可衡量的收益 ， 生產力提高了2倍 ， 在某些情況下 ， 對于傳統上需要4到6個月才能完成的復雜芯片設計任務 ， 生產力提升高達5倍 。
這正是投資回報變得顯而易見的地方 。 更快的仿真縮短了周期時間 ， 而生成式方法則擴大了工程師可以實際探索的設計空間 。 在實踐中 ， 這意味著團隊可以在同一個開發窗口內 ， 從少數幾次設計迭代轉向成百上千次迭代 。
新思科技正在推行一種更自主的工程模型 ， 也即代理式工程 。 Banerjee表示：“我們正在從輔助型AI轉向更自主的系統 。 我們的愿景就是我們所說的代理式工程 。 ”
在這種模型中 ， AI代理接管了工作流中更大的部分 ， 代表工程師使用設計和仿真工具 。 上周 ， 《EETimes》報道稱：“新思科技在Converge大會上宣布了其首個L4代理式工作流 。 例如 ， 該工作流可以通過獨立的任務代理處理從架構規范到RTL的轉換、構建測試計劃 ， 并處理形式驗證、靜態驗證、覆蓋率和調試 。 ”
其理念是超越協助單個步驟的工具 ， 走向能夠在有限的人工干預下執行多步流程的系統 。 在另一次與《EETimes》的交談中 ， 代理式AI初創公司Emergence AI的聯合創始人兼首席執行官Satya Nitta解釋說 ， 許多此類系統仍然在迭代循環中運行 ， 而不是作為完全自主的決策者 。 “如果一個模型在95%的時間里是正確的 ， 而另一個也是95%正確 ， 那么組合起來的系統無法達到100%的準確率 ， ”Nitta說 ， “代理系統在循環中工作……驗證器會檢查它們……如果沒有信心 ， 它會要求系統重試 。 ”
這表明工程領域的自主性正在演變為一個分層過程 ， 其中生成和驗證仍然緊密耦合 ， 而不是完全獨立 。 隨著工作流變得更加自動化 ， 圍繞驗證、可追溯性和信任的問題變得更加復雜 ， 在受監管的行業中尤為如此 。 目前 ， 大多數工程團隊仍處于輔助階段 ， 在這個階段AI只是支持決策 ， 而不是自主執行 。
數字孿生：有用 ， 但尚未被完全信任數字孿生通常被定位為一種減少對物理測試和驗證依賴的方法 ， 但它們在生產工作流中的作用仍在不斷演進 。 Banerjee表示：“目標是達到極高的準確率 ， 但它永遠不會是100% 。 今天 ， 我們的準確率可能在90%左右 ， 我們正努力達到95%和99% 。 ”
該公司還在推廣連接芯片設計、軟件行為和全系統驗證的數字孿生平臺 。 在汽車領域的用例中 ， 新思科技表示 ， 此類平臺可以在硬件可用之前實現高達90%的軟件驗證 。 在這個層面上 ， 數字模型對于探索各種場景和縮小設計選項范圍非常有用 。 “這允許你在不進行物理測試的情況下運行不同的場景 ， ”他說 。
但物理驗證并沒有消失 。 Banerjee指出：“大約75%的[研發
投入到了物理測試和原型制作中 ， ”這反映出工程設計在多大程度上仍然依賴于現實世界的驗證 。
結果就是一種混合模型 。 數字孿生越來越多地用于減少物理迭代的次數 ， 而不是完全消除它們 ， 在汽車和航空航天等安全關鍵領域尤其如此 。
對于工程師來說 ， 這種區別很重要 。 數字孿生在預測和迭代方面是有效的 ， 但最終的驗證仍然取決于物理系統、監管要求和安全標準 。
這種局限性并非仿真模型所獨有 。 在整個行業中 ， 工程師們也在努力應對AI系統本身的概率性質 。 Nitta表示 ， 即使是高性能模型 ， 在關鍵環境中也可能無法達到要求 。 “在許多情況下 ， 99%的準確率仍然是不可接受的 ， ”他說 ， “你不能僅僅依賴概率系統……你需要執行規則的確定性系統 。 ”
這對如何部署數字孿生和AI驅動的仿真具有實際影響 。 雖然模型可以縮小設計選項的范圍 ， 但最終決策(尤其是在受監管的行業中)仍然需要確定性的驗證以及多次運行之間的一致性 。
AI計算與基礎設施AI帶來的生產力收益伴隨著另一種成本 。 Banerjee說：“AI確實需要大量的計算資源 。 有些模型擁有數萬億個參數……這需要巨大的計算能力 。 ”
訓練和部署用于仿真的AI模型與運行傳統的工程工作負載不同 。 它引入了對高性能計算基礎設施(特別是GPU)的依賴 ， 并將成本轉向數據處理和模型訓練 。
對于擴展這些方法的公司來說 ， 權衡不僅在于工具和人才之間 ， 還在于軟件效率和基礎設施投資之間 。 實際上 ， 曾經分配給許可證和工程工時的預算越來越多地與計算基礎設施共享 。
新思科技與計算生態系統中的參與者緊密結合 ， 包括與AMD和微軟(Microsoft)合作在云平臺上運行EDA工具 ， 突顯了工程工作流是如何與大規模計算基礎設施緊密耦合的 。
行業的其他方法包括試圖通過在部署期間(特別是在偏重推理的企業環境中)轉向更小的、特定于任務的模型來減少這種HPC基礎設施依賴 。
AI無法替代什么盡管在推動自動化 ， Banerjee還是劃出了一條清晰的界限 。 “AI并沒有取代工程判斷 ， ”他說 ， “工程師將變得更有能力 ， 但責任仍然在他們身上 。 ”
他指出 ， 這種比較類似于編程的演變 ， 從底層編碼到高級抽象 ， 再到如今的代碼生成工具 。 工程師的角色在改變 ， 但問責制并沒有改變 。
這在安全、認證和責任等領域變得尤為重要 。 無論工作流在多大程度上實現了自動化 ， 設計決策和系統性能的責任仍然落在人類工程師及其背后的組織身上 。
雖然目前的許多發展勢頭都與應用程序和數字基礎設施有關 ， 但深入系統級工程將需要超越軟件的能力 ， 包括硬件設計、計算基礎設施和大規模的產品開發 。
AI已經在縮短設計時間、減少迭代次數并提高產品質量 。 然而 ， 這些收益是不均衡的 ， 嚴重依賴計算 ， 并且仍在跨行業不斷發展中 。 正在改變的是人們的期望值 。 隨著新思科技等公司面臨越來越大的將AI能力轉化為持續增長的壓力 ， 工程生產力與業務績效之間的聯系正變得更加直接 。
工程團隊現在不僅要決定是否采用AI ， 還要決定它在哪里能帶來可衡量的價值 ， 以及在哪里它仍然依賴于尚未大規模驗證的假設 。
*聲明：本文系原作者創作 。 文章內容系其個人觀點 ， 我方轉載僅為分享與討論 ， 不代表我方贊成或認同 ， 如有異議 ， 請聯系后臺 。
想要獲取半導體產業的前沿洞見、技術速遞、趨勢解析 ， 關注我們！

    推薦閱讀