人工智能既是進化性的，也是革命性的，因此很難評估它將被用于何處、如何使用以及可能出現哪些問題。

EDA 供應商正在加緊在其工具中使用 AI/ML，以幫助芯片制造商和系統公司實現產品差異化。在某些情況下，這意味著使用人工智能來設計人工智能芯片，而人工智能芯片的功能和潛在問題在數量和廣度上都呈爆炸式增長。

還有待觀察的是，這些人工智能設計的芯片隨著時間的推移表現如何，以及人工智能究竟能在哪些方面為設計團隊帶來益處。所有這些都需要與沒有使用人工智能增強工具、進行標準計算的設計進行比較。

在某些方面，人工智能是對 EDA 供應商已經提供的軟件的進化改進。Cadence 數字與簽核集團產品管理副總裁 Kam Kittrell 說："我們過去所說的'計算軟件'已經變成了人工智能。我們非常擅長創建這類與人工智能相關的算法，因此我們可以掌握并開發人工智能技術，從而使我們的產品變得更好。"

在這一點上，如果說人工智能的能力有局限性的話，那么局限性并不明顯。Kittrell 說：通過使用大型語言模型，我們可以讀取規范，并確定特定設計的問題所在。這就好比你的團隊中多了一位工程師來審查規格，從而大大縮短了調試時間。這可以推廣到許多不同的領域，因為使用 LLM 技術可以自動生成大量由規范生成的附帶資料。它可以大大縮短你的日程安排。

Quadric 首席營銷官 Steve Roddy 說：我們認為 EDA 是使用模式匹配和機器學習的完美目標。這是一種經典的類固醇最小切割算法。你要放置數十億件東西，而且要盡量減少電線越界。不同世代的 EDA 工具所采用的算法都在不斷迭代，它們都使用一些復雜的啟發式算法來計算，如果我放置所有這些東西，怎樣才能獲得最短的平均導線長度以及最少的導線和交叉數量。當我們只有兩到四層金屬時，這很容易做到?，F在，你可能有 14 層金屬和 82 個掩膜。這太瘋狂了。

盡管如此，EDA 行業仍然小心翼翼，因為這事關重大。發現設計中的非法線路交叉或錯誤是一回事。而假定所有重大問題都已被發現則是另一回事。與其他 EDA 工具一樣，所有這些都需要集成到現有的流程和模型中，而這并非易事。

Synopsys 公司產品線管理高級總監 Arvind Narayanan 說：我們著眼于從架構到制造的整個 EDA 堆棧，以找出瓶頸所在。在存在大量人工迭代循環的地方，人工智能有很多機會幫助提高生產率。例如，從項目周期來看，數字實現是設計流程的關鍵部分，設計人員需要花費大量時間從 RTL 設計到物理實現和簽核。人工智能可以自動分析解決方案空間并優化設計 QoR 目標，而不是設計人員手動迭代，這一步可以大大受益于人工智能。

一些客戶擁有自己的高級人工智能/ML 方案。Keysight 的 EDA 產品經理 SteveSlater 說：他們想要做的是用一組新數據調用仿真器，這就會稍微改變當前的狀態?？蛻糇约旱?AI/ML 基礎架構取代了 EDA 工具的主導地位。你可以想象他們試圖對所有可能的角情況進行巨大的參數掃描，而現在他們正在使用 AI/ML 進行更好的預測。

這是 Keysight 勾畫出的五級層次結構中的第一級，為他們思考人工智能的潛力提供了基礎。第二種方法是將 LLM 置于 EDA 工具中，創建特定領域的聊天機器人，以支持實時客戶互動。第三種方法是人工智能輔助設計和路由。"要知道，自動路由器已經存在了很長時間，"Slater說。"真正的問題是，技術是否有飛躍性的進步，使人們能夠以更快的速度進行設計。也許這意味著你需要建立一個巨大的優秀設計實例庫，人工智能可以根據這些實例進行訓練。"

此外，人工智能還可用于建立更好的模型，并通過利用更多的人工神經網絡來加快模擬器的速度。Slater說：有基于物理學的分析模型，但你必須獲取大量測量數據才能達到目的。"如果你能利用人工智能啟發式網絡創建一個在曲線擬合方面同樣出色的模型，但關鍵是不需要那么多輸入數據，而且由于模型是基于神經網絡而不是復雜的網表，因此執行速度更快，那會怎么樣呢？"

人工智能的一個好處是，它可以讓工具運行模擬，并決定哪種方法是每種情況下的最佳選擇，從而省去了在啟發式方法上花費的一些時間。西門子 EDA 項目總監 Russell Klein 說：這個過程可以變得更加智能、更加正確，這將使工程師更容易描述算法，并在高級綜合過程的另一端獲得良好的電路。

但是，這其中也有取舍。雖然人工智能可以提高模擬速度，但卻要以犧牲準確性為代價。此外，雖然大型語言模型能夠理解向其提出的問題，但其返回的實際答案需要結合上下文。Slater說："它仍然需要 EDA 供應商或軟件供應商來提供和整理上下文語境。如果你利用的是一個非常龐大的信息數據庫，那么生成式人工智能就能給你帶來驚人的效果，但當涉及到設計時，這些信息可能并不是現成的"。

芯片層面的挑戰

在人工智能芯片方面，數據中心使用的芯片與邊緣使用的芯片存在巨大差異。在數據中心，生成式人工智能會產生 "幻覺"，而高級定制硬件則會導致無聲數據錯誤。眾所周知，兩者都會產生錯誤的結果，這在一般的搜索引擎中可能不是問題，但在軍事或金融行動中可能是災難性的。

更糟糕的是，人工智能解決方案是依賴于領域的。在企業界，金融機構和保險公司等較為成熟的行業都在試圖加速并盡快進入人工智能領域，領導zSystems架構開發的IBM研究員克里斯蒂安-雅各比（Christian Jacobi）說。然而，這些公司的客戶和監管機構對他們的行為方式有著截然不同的期望。你不會想向銀行的聊天機器人提問，然后讓它宣布愛上你吧。

HPE人工智能首席產品官埃文-斯帕克斯（Evan Sparks）說，這是復雜性之一。"我們正在與許多客戶合作，他們的架構正在從重 CPU 轉向更重 GPU。我認為不會就此止步。還有一種替代方案－－我們稱之為 AI 原生架構--這是一種超越微處理器芯片的系統，專門用于解決這些工作負載。在人工智能原生架構中，你確實需要考慮堆棧的所有層次，從芯片的選擇（可能是用于模型訓練和評估問題的定制芯片）到互連、存儲，再到位于頂層并幫助最終用戶實際對這些東西進行編程并使其應用程序高效運行的軟件。我們仍處于邁向未來的初期階段。"

在邊緣領域，人工智能被內置到更小更不復雜的系統中，潛在的隱患可能會截然不同。Expedera 首席科學家 Sharad Chole 說：當人工智能處于邊緣時，它需要與傳感器打交道，而這些數據是實時生成的，需要進行處理。傳感器數據如何進入，人工智能 NPU 處理這些數據的速度有多快，這在需要緩沖多少數據和需要使用多少帶寬方面改變了很多事情。整體延遲情況如何？我們的目標是盡可能降低延遲，因此從傳感器的輸入到可能進入應用處理器或進一步處理的輸出，我們希望盡可能降低延遲，并確保能夠以確定的方式處理數據。

此外，半導體器件必須在利潤微薄的情況下滿足實際需求，這意味著任何宣稱的人工智能差異化都必須為客戶帶來實際價值。Quadric的Roddy說："半導體公司一直在為幾分錢爭得頭破血流。你無法通過微小的邊際變化實現差異化。如果你能把每次推理的能量提高 17% 或更多，那也只是曇花一現的微小差別，不足以打破現有公司的慣性思維。你需要的是有本質區別的東西，或者是使用方式大不相同的東西。你不僅要在數量級上做得更好，你還必須在數量級上做得更好"。

這是一個挑戰，因為許多應用都非常特殊。瑞薩公司業務開發經理 Nalin Balan 說："人們在制造產品時會考慮不同的因素。首先，他們希望保持合理的物料清單。你不能以增加產品成本 1000 倍的代價來實現智能化。因此，第一個問題是，如何做到這一切，并保持合理的材料成本？第二個問題是通用性。你所采用的人工智能能否在你所期望的產品部署的典型操作條件下實現通用化？例如，智能家居設備必須在不同類型的背景噪音、復雜定位和其他情況下工作。你如何確保它能做到這一點？"

Roddy指出，還有一個重要的考慮因素。"需要解決的問題會在兩三年內保持穩定嗎？到目前為止，答案是'不'，因為隨著新數學模型的發明和探索，機器學習和人工智能每年都在發生巨大的變化"。

不同的起點

值得注意的是，盡管取得了進展，但人工智能領域仍在繼續爭論人工智能究竟是什么、什么是人工智能公司（這是初創公司繼續獲得資金的一個基本要素）以及未來人工智能的最佳應用方式和地點。

Imperas公司副總裁拉里-拉皮茲（Larry Lapides）說："這有兩個層面。一個是 SoC 層面，有人生產支持人工智能的 SoC。他們不僅僅是在芯片上安裝處理器。他們將提供一個軟件堆棧。然后，用戶可以把它放在自己產品的電路板上。第二個層次是生產將人工智能融入產品的人，無論是數據中心插件還是邊緣物聯網。這不僅僅是一個帶有軟件的 SoC。它實際上提供了一個真正的人工智能子系統，能夠與更大的環境對接。"

Lapides 指出，針對底層 SoC 架構優化人工智能算法是一項重大挑戰。"數據如此之多，場景如此之廣，需要進行大量的、有效的、持續的軟件模擬，以達到人工智能的性能要求和預期的結果準確性"。

對某些人來說，這只是簡單的數學問題。"還記得 30 年前我們在 Excel 中做曲線的線性近似嗎？你有一堆點，然后為具有最佳回歸擬合的點畫一條線，或者你可以嘗試二次函數或其他公式，"IBM 的Jacobi說。"如今的人工智能不過如此，但它不再使用二次函數和 10 個點或 100 個點，而是使用數十億個點來進行本質上的最佳擬合回歸。"

然而，并非所有人都同意這一點。比起人工智能公司與非人工智能公司的區別，更容易指出人工智能做了什么--而且做得很好。Expedera 市場營銷副總裁保羅-卡拉祖巴（Paul Karazuba）說："要成為一家人工智能公司，你的產品必須與人工智能有密切聯系。舉例來說，如果你是一家搜索引擎優化公司，你在軟件堆棧中加入了生成式人工智能，幫助客戶獲得更好的搜索引擎優化結果，那么你絕對是一家人工智能公司。如果你在招聘中使用人工智能，而你的產品是鉛筆，那么你就不是一家人工智能公司。人工智能在你的產品或服務中必須有一個可定義、可解釋的用途，這對產品或服務的成功不可或缺。而且你應該能夠量化你的主張，并得到第三方的支持"。

同樣，西門子的Klein也對定義進行了界定。"一家人工智能公司正在構建一個電子系統，該系統使用人工智能來實現其部分功能，而人工智能算法則以某種方式在硬件或軟件中實現。它可以是在處理器上運行的軟件，也可以是在 GPU 或 TPU 中加速的東西，或者是用于進行這種人工智能的定制硬件加速器。"

不過，真正的差異化與未來主義的承諾無關。IBM 的Jacobi說，讓公司脫穎而出的是對工程基礎的關注。"了解你的問題。你真的在設計下一個重大突破嗎？還是你說服了自己，但卻沒有做適當的研究，不知道自己要解決什么問題。如果你只是想構建一個最大、最糟糕的浮點矩陣乘法引擎，那它到底能解決什么問題？你需要一個整體的方法。例如，為什么要優化事務環境中的吞吐量？用戶可能愿意為自動完成等待半秒鐘，但在這半秒鐘之后，他們想要的是 20 個字。這其中有各種各樣的權衡。只有當你知道你的設計目的是什么時，你才能設計出你的解決方案。"

這就是人工智能公司的定義。"人工智能不是建立模型。人工智能是一門工程學科，"瑞薩科技業務加速和全球生態系統高級總監 Kaushal Vora 說。"與工程學中的任何學科一樣，首先要了解你要構建的內容，包括系統的限制條件，以及你如何利用系統來收集完整性高、覆蓋范圍廣的數據，并在決策所依據的特征中實現足夠的分離。然后是建立模型、部署模型，然后再弄清楚如何在部署后對系統進行維護"。