當掌舵者們齊聚一堂，交流想法，探討未來的可能性，不同的觀點相互碰撞，新的創意和解決方案便由此誕生，為整個行業掀起變革。

在今年于美國硅谷舉辦的 CadenceLIVE Silicon Valley 2023 用戶大會的生成式 AI 小組討論會上，幾位與會者便借此機會暢所欲言，碰撞出了思想的火花。此次小組討論共分為四個部分，本文是該系列文章中的第二篇。

在本系列第一篇文章《一場產品開發和用戶體驗的雙重變革》中，我們介紹了小組討論中各方的觀點：將生成式 AI 功能集成到 EDA 工具中將如何革新芯片設計。

對此，來自 TECHnalysis Research 的主持人 Bob O’Donnell 指出：

“如果ChatGPT 在某處產生了‘幻覺（Hallucination）’，也許再人工檢查一遍就萬事大吉。但若 ChatGPT 對一個電路的組成要素產生了幻覺，問題就大了?！?/p>

基于此，Bob 提出了第二個問題 ：

“生成式 AI 能夠處理哪些可能的錯誤，這將對芯片開發有何影響？”

以下為小組各方代表的回答總結。

1. AI的應用與概率有關

Cadence 公司

我們認為這依舊屬于概率 (Probability) 的問題。AI 在很多情況下能夠顯著提升生產力。例如，AI 可以優化布局布線工具的設置，改善功率、性能和面積 (PPA)，但不建議用它進行邏輯門綜合，因為 AI 沒辦法實現高達90%的準確度。另一個用例是，AI 還可以輔助分析錯誤的根本原因?？偟膩碚f，AI 在入門級應用的適用范圍很廣。

另外，IP 這一點值得深入討論。在訓練模型上，使用公開可用的數據，還是某個 IP 的專有知識或數據觀點，這二者有很大的區別。有兩個方面需要考慮。首先，可以提供經過部分或初級訓練的技術，讓客戶根據自己的需求和專有信息，進一步訓練。這種方法可以讓客戶掌握訓練知識，有效滿足他們的特定用例和操作需求。

數據依靠工具的運行逐漸積累，Cadence 目前將數據匯總在 AI 驅動的大數據分析平臺 Cadence JedAI Platform 中，為客戶提供有價值的訓練數據。我們開發了多個內部測試用例和設計，用于產品開發和完善。我們使用內部的工具套件，進行內部測試和算法優化。利用內部工具，再加上生態系統的優勢，Cadence 能夠預先訓練默認的 AI 系統，將其作為 1.0 版提供給客戶。在此基礎之上，客戶可以根據自己的具體需求不斷構建和完善成自己的版本。

Cadence 已推出新一代 AI 驅動的 OrCAD X 平臺，支持 Cadence OnCloud，助力 PCB 設計速度提速5倍！快來點擊下方視頻，一探究竟！

2. 大語言模型在數據分析上獨具優勢

Cisco 公司

大型語言模型 (large language models，即 LLM) 提供了獨特的機會，能夠以不同的方式分析數據。它們不僅可以勝任與語言相關的任務，還能夠從大型數據集中學習結構、抽象和內部語法，從而提供有價值的觀點和推理結果。

雖然 GPT-4 可能無法直接用于芯片數據庫或其他非語言環境，但大型數據集訓練這種模式，可以讓 AI 模型有能力理解并捕獲從語法到敘事的內在結構。這種理解能力可用于構建大型序列、二維或高維模型，讓它們具備高度可預測性，并有助于根據特定數據特征去進行推理。因此，大型模型的應用價值不僅僅局限于語言本身。

3. AI 擅長推理結果與表現形式

加州大學伯克利分校

機器學習工具讓我們可以理解數據集內的映射過程，發現其中的結構和表現方式。比如說，我們很難摸清楚某個畫家創作的方法和過程。但是，借助機器學習工具，我們有可能通過分析作品數據，來呈現復雜的繪制過程，這正關乎推理結構和表現形式。

有趣的是，如果可以訪問足夠廣泛的語料庫，無論是內部語料庫，還是（理想情況下）涵蓋全世界語言的語料庫，就可以實現超線性學習。換言之，AI 可以融合最出色的人類創意，媲美頂級設計人員，生成水平相近的芯片設計。盡管有關知識產權還尚存顧慮，但這方面的潛力是巨大的。

4. AI 成功應用于五種數據類型

Meta 公司

到目前為止，AI 最成功的應用集中于五種數據類型：文本、圖像、視頻、聲音和代碼。如果客戶的應用基于這幾種，那么 AI 成功的可能性就大大提高。只要證實了結果，即使驗證不是很詳細，方向上也不會出什么岔子。比如說，修改電路時，使用可以快速評估等效是否存在的等效檢查工具是非常有價值的；即使10次結果里對了1次，也無可厚非。

但如果是處理不同的數據或涉及到物理方面，就必須考慮采用遷移學習。即使一些物理效應可以用文本描述，但如果向ChatGPT提出一個物理問題，它很可能會給出錯誤的回答，因為這需要使用物理模型。

我們預計，未來兩年內將出現更多驗證技術，用來評估生成式 AI 在 EDA 領域之內或之外的使用效果。這一范疇將不僅限于 EDA ，而是拓展到各種技術堆棧層，成為一種普遍趨勢。

5. AI 可以帶來前所未有的改變

Cadence 公司

AI 其實能夠使競爭環境更加公平，篩選出真正經驗豐富以及更有才能的人。與經驗少的人相比，經驗豐富的人懂得如何利用 AI 來提升認知，從而真正提升自己的水準。他們會關注到以往那些難以發現的復雜問題，或探索新的設計架構。經驗豐富的人最終會借助 AI 這一利器，上升到新的高度和水平，達到質變。在未來，我們將與現在大有不同——以 AI 為工具，獲得新的啟蒙，重塑自我。

但 AI 不會取代人類。相反，AI 將增強人類的能力，讓我們做出有意義的進步。AI 可以讓我們創造出以前無法制造的芯片，達到前所未有的性能水平和可持續發展目標。AI 相當于是催化劑，為人類賦能，讓我們能夠完成以前無法企及的任務，取得突破性的進步。

6. AI 模型助力工程設計格局的完善

Arm 公司

AI 模型可以讓當前的工程設計格局不斷完善。這些工具將專注于優化設計周期，實現高效分析，并基于特定的指標有效衡量成功結果。設計通常通過布局布線來實現，以此考慮改善 PPA，但現在還需要考慮其他方面。

利用微架構方面的知識，我們現在可以探索各種技術，如存儲器放置和蝶式連接，這是單憑演算法無法捕獲的。我們要關注來自數據庫的線長和其他指標，確保實現最佳結果。雖然機器學習重視了 PPA 的幾個關鍵方面，但它無法保證實現最佳結果，因為還需要確定最佳內存延遲、連接性和其他參數，而這需要更多分析。

這些工具將提供更大的靈活性，幫助我們開發新的分析方法，并基于特定的標準來衡量成功。設計互連連接器和 CPU 面臨的挑戰是截然不同的，訓練 AI 來理解這些挑戰不僅僅是比較性能指標那么簡單。

本文的討論就此結束。下一個問題是：

“基于生成式人工智能的工具能否啟發感興趣的人從事電路或芯片設計，進而解決業內的人才短缺問題？”

此外，“這些工具是否有助于打造多種多樣的芯片，擴大芯片設計的可能性？”

在之后的文章中我們將繼續討論。