浅谈芯片设计最大的挑战和机遇

（本文翻译自Semiconductor Engineering）

《Semiconductor Engineering》和来自西门子数字工业软件公司IC EDA的执行副总裁Joseph Sawicki、PDF Solutions总裁兼首席执行官John Kibarian、Ansys半导体事业部总经理兼副总裁John Lee、Keysight公司PathWave软件解决方案副总裁兼总经理Niels Faché、IC Manage总裁兼首席执行官Dean Drako、Arm前首席执行官兼沃达丰董事会董事Simon Segars以及Real Intent总裁兼首席执行官Prakash Narain对未来芯片设计进行了展望，本文是其中的一部分。

SE：芯片设计行业目前面临的最大挑战是什么？最大的机遇又有哪些？

Lee：多芯片以及异构3D-IC系统既是目前最大的机遇，也是面临的最大挑战。中国公司也是一个巨大的挑战，尤其在EDA领域。他们那有很多初创公司，我们向中国销售产品也变得具有挑战性。

Segars：目前正在发生的经济衰退可能具有一些挑战性，但由于一些新技术的出现，还是存在一些可继续投资的机会。这为创新提供了温床。但要做到这一点，需要比目前更为复杂的工具、流程和方法，而且需要大量的研发。所以我的要求是，“请不要对必要的研发投入吝啬。”

Drako：目前为止，摆在我们面前的最大的事情是人工智能对我们的行业和我们所服务的行业的影响。汽车行业的AI和视频监控行业的AI将推动对于硅的巨大消耗。人工智能在EDA行业的应用也将是巨大的。我们将开发所有AI芯片，我们也将成为AI消费者，用其制造芯片，并使用工具制造这些人工智能芯片。

对人工智能的渴望将加速向云的转移，速度可能比EDA行业和我们的客户想象的更快，因为这会加大对于GPU的需求——以及部署大量GPU的系统——来完成所有计算，这是基本的人工智能路线或人工智能设计芯片。

所有这些人工智能应用都需要大量的数据来支撑。我们目前设计的芯片需要数兆字节级别的数据。一旦开始设计人工智能零部件，将需要数万亿字节的数据。这将产生一个我们需要解决的疯狂的难题。当开始这样做时，最终会得到大量的内部和云数据，但可能只有其中的一部分有用。也许可以在谷歌上进行，这样价格更便宜，但数据仍然在亚马逊上。因此，移动数据也将是一个巨大的问题。这就又产生了一个机会，创建可以移动数据的工具，使其出现在需要的地方。人工智能既是一个机遇也是一个挑战，实现人工智能的数据管理对我们来说也将是一个巨大的挑战。

Sawicki：我们目前面临的挑战有很多。几十年来，我们的政府一直不知道半导体是什么，突然他们发现这是一个他们所能想象到的最有趣的话题。这对我们来说是一个挑战。但我们正处于一个绝对令人惊奇的行业，我们可以让我们正在做的事情成为现实，并真正改变世界。这既是一个无比激动人心的时刻，也是一个令人心生畏惧的时刻。

Faché：我们看到的挑战之一是，由于性能需求、新型功能和新技术的出现，通信网络、云基础设施和电动汽车等系统的设计、测试和构建越来越复杂。因此，产品开发团队以及任何系统的整个供应链都更加重视虚拟原型。

他们在产品开发生命周期中实现这种转变，这样他们就可以预先处理系统、子系统和零部件的复杂性。它们还可以加快上市时间，以提高生产力、降低成本和风险。为了实现这一转变，我们需要将工作流程数字化，从需求到产品制造，并使其符合规范。实现这些数字化转型对我们的行业来说是一个巨大的机遇。它将需要一个开放的生态系统，包括连接设计、模拟和测试工具，以及智能的工作流程自动化。

Narain：设计的主要工作是验证和模拟，这是最需广泛部署的，之后是formal signoff和static signoff，这是我们专注的部分。static signoff的最大机会是验证中的左移。这是最早可能要进行的设计验证。如果你把它定义为一个设计步骤，那么设计师就必须参与其中。因此，要想在这些应用程序上取得成功，帮助他们创造尽可能好的用户体验，设计师面临的时间压力很大。在设计流程中有很多机会实现左移，这些应用程序需要非常及时和高效。挑战在于经济创新。我们正持续投资技术和创新，以最快的速度进行设计。我们也持续通过产品和技术进步扩大static signoff的覆盖范围。

Kibarian：制造业一直在受益于下一个节点技术——摩尔定律、登纳德缩放定律，以及只有少数几个超前领先制造商完成所有制造所带来的益处，所有这些都在晶圆厂的前端，并且都以非常可控的方式进行。

目前，由于登纳德缩放定律已经无法扩展，而且已经失效了十年，另外摩尔定律也正在放缓，我们需要在先进封装中包含有更多的异构系统。这为制造业带来了挑战，因为这仅在晶圆厂无法实现。组装现在是一个相当具有挑战性的工艺过程，测试点也要复杂得多。因此，生产流程中需要获得良率的提升，这创造了机会。

此外，我们正在使用各种硅技术，我们将开始使用更多的片上硅光子学和其他技术，这些技术可以帮助提升良率，并持续提供更高的性能，而且完全不受登纳德缩放定律或摩尔定律的影响。这也给制造业带来了巨大的挑战。除此之外，由于地缘政治原因，我们现在正在分解供应链并将其分散各处。每当我看到Morris Chang谈论为何美国人不能制造芯片时，我都会感到尴尬，芯片法案则浪费了520亿美元。如果你看一下历史数据，他是对的。

但当EDA人员看到一个问题时，就像谷歌看到广告行业时一样。他们不是让一堆机器人到处销售广告，而是采取不同的方法。我们也可以为制造业带来一些截然不同的方法。软件和EDA或许会成为一个转折点。

SE：你认为人工智能在设计领域的发展前景如何？谁将使用它？我们会从中受益吗？接下来你要解决的问题是什么？

Segars：人工智能可以帮助大大提高生产力。也许大多数人都使用过ChatGPT，输入一些内容，大多数人都对所获得的输出内容感到非常惊讶。你可以要求它以各种不同的语言工作，产生的效果也非常好。有趣的是，在GitHub中，他们已经引入了这个代码弹出窗口，这是通过微软进行集成，演示看起来也非常酷。

通过输入大量正确的代码，就可以提高工作效率。我们中有多少人为了寻找缺失的近括号而把头靠在屏幕上仔细寻找，这样很没有效率。目前因为有很多自动生成的代码，所有这类事情或都将成为过去。短期内，有很多自动化可以帮助加速工作速度，直到真正需要运用脑力时。从长远来看，这些技术会越来越多，并更加令人印象深刻。另一方面，它将有助于验证——只需生成测试用例并了解测试用例的缺陷。这是我们很久以前就开始做的事情。在验证方面，使用机器学习来理解什么是好的，什么是坏的，这将节省大量时间，缩短计算周期，并加速完成验证工作。这将是革命性的改变。

Drako：我们在10年、20年或30年前都使用过专家系统这个术语，但目前已经不再使用了。但我们引入了大型团队来进行验证，这些团队由5、10或100名有经验的工程师组成，另外还有5、10、100名经验较少或天赋较差的工程师。我们训练他们如何编写测试用例。如果您有了Cadence、Synopsys或任何创建该专家系统的公司提供的ChatGPT验证等效工具，您可能就不需要验证团队了。

您可能能够生成大量的测试用例，其中有10%的测试用例可能有点偏离，必须进行修复。但这种方式的获得的生产效率的提升已经不可同日而语了。当他们最初设想人工智能时，人们认为它将是一种威胁，会夺走他们的工作，而立即想到这个的是蓝领工人。这是完全错误的。白领工作才将会受到人工智能的威胁。我想我不再需要专利律师了。我只需向ChatGPT描述我的案件，它就能生成一个不错的解决模式。我不需要再向律师事务所支付2万美元了。

Sawicki：想想未来八年，摩尔定律正在放缓，但集成仍在加速进行。如果再看看我们必须整合的解决方案的广度，然后每两三年考虑一次2倍的改进，那么堆栈就会越来越大。因此，我们最终会面临巨大的系统级环境，而不仅仅是一个人工智能芯片在本地做了什么事情。它整合了一个完整的系统——工厂自动化，汽车驾驶，它们都在一起运行。

验证的细节是巨大的。你能想象我们在未来八年内，以美国目前的教育状况和现有毕业的工程师数量能完成这项工作吗？这永远不会发生。感谢上帝，我们正处于一个可以利用眼前机遇的时候。在芯片设计方面，如果用生成式人工智能进行设计会怎样？它会有什么用处？它将如何创新？它将如何判断所做的事情？什么是有趣的连接？就如何利用这些机会而言，这将是一次令人惊奇的旅程。

SE：我们处理的数据比以往任何时候都多。这些数据好吗？我们怎么知道它是好的？

Kibarian：人工智能和机器学习的一大机会是它们可以改进您使用的数据。我们看到这种情况越来越多。工具有助于确保生产软件的机器和测试机器的数据一致。这些工具将会普及，人们将在未来10年内频繁使用它们。这并不遥远。

Lee：这是一个非常有趣的工作，你可以接收数据，但你也可以扩充这些数据。因此，制造设备的数字孪生将拥有提交的所有内容，包括一些建模错误。但将其与来自制造业的数据相结合是进行实际自我校正的好方法。

Drako: 人工智能的数据实际上会存在很多问题，因为每个设计公司都想控制它，而不想分享它。他们对此会很谨慎、很偏执，并严格控制。因此，EDA行业将面临巨大挑战，即在无法访问数据或无法获得数据来训练工具和神经网络的情况下，还要构建设计行业想要的AI Caliber工具。

编辑：黄飞