1956年人工智能（AI）概念被提出時，即使是想象力最豐富的預言家，應該也難以預料到2022年的AI，早已打敗了全球最頂級的圍棋選手，能夠預測天氣，診療疾病，甚至，AI還在改變被譽為“工業糧食”的半導體行業。

隨著半導體制造工藝的持續演進，采用先進制程的芯片，單顆芯片集成的晶體管數量高達數百億個，系統愈加復雜，設計挑戰越來越大。但與此同時，終端應用的軟件和算法加速迭代，以月或者年為周期更新的芯片越來越難以滿足終端需求，芯片設計的周期亟需縮短。

EDA工具與AI技術的結合，不僅能設計出PPA（性能、功耗、面積）更好的芯片，還能顯著縮短芯片設計周期。在達成提供更好、更快、更便宜的芯片愿景的同時，也將大幅降低芯片設計的門檻，讓更多人和企業能夠設計出所需的芯片，將對芯片行業產生深遠影響。

2020年，新思科技推出了業界首個用于芯片設計的自主人工智能應用程序──DSO.ai（Design Space Optimization AI）。作為一款人工智能和推理引擎，DSO.ai能夠在芯片設計的巨大求解空間里搜索優化目標。

目前，全球頂級的芯片設計公司，包括英特爾、聯發科、三星、索尼、瑞薩電子等都已經采用了DSO.ai，在不同的芯片工藝節點和不同類型的芯片設計中，普遍獲得了4-5倍，甚至更高的效率的提升。

一經嘗試就讓芯片公司們喜愛的DSO.ai，還有一個“熱啟動”絕招。

各種芯片，都能用AI設計

將AI技術與EDA工具結合，有兩個核心價值，首先是力圖讓EDA更加智能，減少重復且繁雜的工作，讓使用者用相同甚至更短時間設計出PPA更好的芯片；其次是大幅降低使用者的門檻，解決人才短缺的挑戰。

DSO.ai更加智能這一核心價值的體現，是能夠在巨大的芯片設計解決方案空間中，搜索優化目標，利用強化學習來優化功耗、性能和面積。

無論是x86架構、Arm架構還是傳感器，無論是最先進的工藝，還是成熟的工藝，都可以用DSO.ai實現PPA的提升，同時縮短設計周期。

當然，在實際使用DSO.ai時，不同的開發者在設計芯片時優化的目標會有所差異，比如手機芯片開發者側重CPU功耗的優化，圖像傳感器開發者則更希望縮短設計周期加速產品上市，DSO.ai都能夠靈活地解決差異化的需求，并且帶來數倍的效率提升。

DSO.ai之所以能在不同工藝節點和不同技術架構中都能實現顯著的效率提升，核心原因是基于新思科技在EDA領域積累的多年豐富的行業經驗，借助AI的自動化學習能力和底層算例，把此前需要開發者們一遍遍嘗試的重復而繁雜的工作，交由AI快速探索數以萬億計的設計方法找到最優解，因此具有普遍的適用性。

DSO.ai的第二大核心價值，能夠幫傳統芯片設計公司解決人才短缺的挑戰，并大幅降低芯片設計的門檻。

數字化趨勢下，大型系統級公司們紛紛開始自研芯片，通過定制芯片來優化其應用或工作負載。但大型系統級公司往往缺乏芯片設計的經驗和經驗豐富的芯片設計的人才，DSO.ai能夠完美解決大型系統級公司面臨的挑戰。

借助DSO.ai，一個只有幾年工作經驗的開發者，也能達到有多年豐富經驗開發者的設計水準。

DSO.ai的兩大優勢，將惠及幾乎各種類型的芯片設計公司，典型的就是通用芯片公司和系統級兩大類客戶。對于通用芯片公司，DSO.ai的目標是通過仿真驗證、快速原型等更快、更易用的工具，使芯片生產出來之前就能模擬出實際的性能、功耗等表現，節約成本和設計周期。對于系統級公司，DSO.ai通過各種IP模塊和設計工具幫助他們解決芯片架構和工藝的選擇。

數量級性能提升，門檻大幅降低

由于需要更加強大的算力作為支撐，所以DSO.ai的出現在一定程度上也是得益于云計算的普及，新思科技也通過和云服務提供商合作提供DSO.ai解決方案。

當然，正如云計算的普及不是一蹴而就，一開始，DSO.ai在芯片設計公司眼中也是新生事物。剛開始，頂級芯片設計公司們對于DSO.ai的態度也有些謹慎，但對DSO.ai進行測試之后，他們發現，在獲得PPA大幅提升的同時還能縮短設計周期。很快，DSO.ai就迅速獲得了全球頂尖芯片設計公司們的認可。

英特爾、聯發科、三星、索尼和瑞薩電子等都是典型的例子。

英特爾發現，面對優化高性能芯片的PPA并縮短設計周期這一目標時，有諸多關鍵挑戰需要解決，包括：設計尺寸大，運行時間長；對于較大尺寸的設計，最終RTL到GDS的收斂循環更長；在最后階段執行多個手動ECO延長了設計關閉時間；跨多個設計向量優化PPA將增加實驗數量等。

在實際案例中，英特爾采用DSO.ai技術對芯片設計周期和PPA進行優化，實現了設計結果質量提高約40%，運行時間加速了約20%。英特爾通過將DSO.ai并入區塊布局布線（PnR）流程中，有助于縮短芯片設計周期并實現最佳PPA，減少了人工/ECO收斂工作中的攪動，并及時向RTL所有者提供反饋以修復嚴重違反時間路徑的問題。

英特爾的例子還充分說明了DSO.ai易于定制的特性，可以很好地解決芯片設計中計時或功耗帶來的挑戰、通過創建布局指標幫助緩解擁塞點、以及使用庫單元數量的限制。

聯發科和三星也采用了DSO.ai技術提高先進制程Arm架構移動CPU的性能和功耗。在三星的案例中，DSO.ai技術被成功應用于開發Voptz和Ftarget優化應用程序，通過自動探索大量的電壓（V）/目標頻率（F）空間以找出最高基準分數和最長電池時間的最佳組合。此外，DSO.ai RL模型將通過分析之前運行中的選擇，自動學習并生成更好的組合。

結果顯示，三星在4nm Arm Big CPU的實驗中，在相同的工作電壓下，DSO.ai實現了頻率提高13%-80%；而在相同的工作頻率下，最高可將功耗降低25%。

三星的實踐展示了AI驅動的解決方案提高了生產力，助力開發者能夠輸出高質量的結果。

雖然和設計CPU有所不同，但索尼在設計傳感器時要以最短的時間滿足各種類型終端的需求，也需要縮短設計周期，提高結果質量（PPA）。

因此，索尼也在設計傳感器的過程中順利采用了DSO.ai技術并驗證了其出眾的性能，與專家工程師的人工操作相比，DSO.ai實現最佳結果僅需1/4的設計周期、1/5的設計工作量，并成功將功耗降低了3%，進一步提升設計結果質量。

索尼發現，與冷啟動相比，熱啟動具備一些優勢，例如僅需1/2周期，并減少1/3的工作量。

熱啟動，也正是新思科技DSO.ai的絕招。

熱啟動，DSO.ai的絕招

之所以說是絕招，是因為目前業界集成AI的EDA工具中，僅新思科技的DSO.ai提供了熱啟動模式。

眾所周知，AI技術需要利用大量的計算資源來實現模擬人腦的神經思考，而計算資源的不足往往限制了AI技術在高端應用或大型企業的部署。DSO.ai能夠將每一次運行的學習經驗保存到訓練數據庫中，之后就可以利用訓練數據庫來提高設計探索的效率，減少執行時間并降低對計算資源的要求。

DSO.ai有熱啟動與冷啟動兩種模式。

冷啟動實際上就是無訓練數據的模式，需要執行并創建訓練數據，并選擇使用自己的“未訓練”抽樣來分配第一個參數。一個新的設計引入DSO.ai時都是從冷啟動開始，所以需要執行大量訓練工作，且必須在同一流程中執行多次。

熱啟動模式則是將“冷/熱啟動”的結果用作一個進程的模式，在有訓練數據的情況下自動學習，以尋求最優解。熱啟動的顯著優勢就是能夠減少工作量和縮短周期，與此同時，熱啟動也能降低對算力的需求。

英特爾在實踐中發現，有了熱啟動模式，能夠用更少的開發者實現更好的設計結果。聯發科也體會到，如果了解設計的參數，實現了PPA的提升，可以利用熱啟動提高生產力，更進一步，也就可以實現復雜的計算和決策。

新思科技能夠率先在業界推出熱啟動模式，與新思科技較早在五六年前就組建了AI團隊研發相關項目有密切關系。

不止于此，新思科技還在嘗試探索將熱啟動模式前移，也就是通過與IP提供商合作，面向共同的客戶做針對性的優化，進一步提升DSO.ai效率。

新思科技將不斷提升DSO.ai的性能，比如易用性的改進、更加智能化（冷熱模式的自動切換）、適用性進一步擴大，這些也都是客戶所期待的。DSO.ai，正在被越來越多芯片設計公司采用，新思科技也正在把AI與EDA的融合從數字芯片邏輯設計擴展到驗證環節。

未來，從芯片的架構設計、制造以及封裝的全流程都會融入AI技術。新思作為擁有芯片設計全流程的工具，能夠更容易可以在整個程中都使用AI，帶來更顯著的全面提升，而芯片行業深刻的變革，也已經開始。

我們迎來了突破性的芯片設計的新時代。