香港飛龍.online 官方授權發布的第4代「香港飛龍」標誌 本文内容： 公衆號記得加星標??，第一時間看推送不會錯過。來源：內容編譯自semiengineering 。人工智能正在滲透整個半導體生態系統，迫使人工智能芯片、用於製造它們的設計工具以及用於確保它們可靠運行的方法發生根本性的變化。這是一場全球性的競賽，未來十年幾乎每個領域都將重新定義。在過去幾個月的演講和採訪中，EDA 的高層管理人員總結了三大趨勢，這些趨勢將成爲可預見的未來關注的焦點：1、人工智能本身正在從嚴格控制的機器學習擴展到人工智能助手、生成人工智能和代理人工智能。2、這種轉變需要處理海量數據，才能創建大型語言模型和算法。由於規模化的限制，它正在推動向多芯片組裝的轉變。最佳選擇是3D-IC。3、芯片和系統需要在其整個生命週期內進行監控，以確保可靠性。人工智能容易出現幻覺，而充滿芯片的複雜系統可能會隨着時間的推移以意想不到的方式性能下降，導致數據悄無聲息地損壞、軟件更新不兼容，以及工作負載變化導致的加速老化。人工智能EDA 中 AI 的用例已經從簡單的模式識別發展到輔助設計和廣泛的知識共享，使初級工程師能夠更快地上手，資深工程師能夠擴展到新的領域並提高工作效率。Synopsys總裁兼首席執行官 Sassine Ghazi 表示：“我們是這樣描述的：你有一箇co-pilot，你有‘輔助’（assisted），也有‘創意’（‘creative’）。輔助 （Assistive）指的是你有一箇工作流助手、一箇知識助手和一箇調試助手，這樣你就可以更快地培養初級工程師和專家工程師。他們可以以更現代化、更高效的方式與我們的產品交互。然後你就有了創意元素。我們有很多例子，從 RTL 生成、測試平臺生成到測試斷言，我們都有早期的客戶參與，你可以有一箇副駕駛來幫助你創建部分 RTL、測試平臺文檔和測試斷言。”Ghazi 表示，藉助創新工具，各種任務的執行時間可以從幾天縮短到幾分鐘。但所有這些都需要嚴格控制。“我們不能讓模型產生幻覺，”他說道。“我們非常謹慎地考慮何時以及如何與客戶互動，以確保我們提供的產品成熟度在可接受範圍內，同時又不會危及他們工作流程的任何部分。隨着人工智能的不斷髮展，工作流程也將隨之演變。我們的投資者利益相關者經常問我，何時才能看到人工智能在 EDA 市場中帶來變革。我認爲，除非他們的工作流程發生改變，否則這種情況不會發生。這意味着你可以以截然不同的方式做某些事情，以便以更快、更有效、更高效的方式交付產品路線圖。現在，隨着代理人工智能時代的到來，代理工程師將與人類工程師合作，以應對這種複雜性並改變工作流程。”如果人工智能能夠兌現其承諾，這場變革的規模將不容小覷。但這一切發展如此之快，以至於它引發了許多目前尚無明確答案的問題。時間將告訴我們人工智能能夠勝任哪些工作，哪些方面需要密切關注，以及風險在哪裏。自20世紀50年代末以來，對人工智能變革能力的預測已被證明過於樂觀。但在過去幾年裏，從ChatGPT的推出開始，人工智能似乎終於兌現了其承諾。代理人工智能（Agentic AI）將是下一個重要目標。西門子數字工業軟件首席執行官 Mike Ellow 表示：“如果我們足夠自信地相信 AI 具有一定程度的自主性，它通常能夠自行做出主動決策，那麼代理 AI 是一箇有趣的概念。在設計領域，當我們開始討論代理 AI （agent AI）與代理式 AI （ agentic AI）時，這取決於你的談話對象以及他們希望如何劃分不同的術語。從我們的角度來看，對於代理 AI，我們會用一組邊界條件定義一項任務，然後讓 AI 在邊界條件範圍內運行以得出解決方案。而對於代理式 AI，你基本上會說，‘這是問題所在。你思考執行它的最佳方法是什麼。你想出了那個解決方案。然後你從 EDA 的角度推動實現預期結果。’這就是我們看待 AI 演變爲我們的工具的方式。”採用率之高前所未有。在芯片設計領域，很難找到一箇人工智能不發揮直接或間接作用的領域。是德科技 EDA 軟件副總裁兼總經理 Niels Faché 表示：“這對我們行業來說是一場深刻的變革。在模擬領域和物理領域之間切換時，所有這些步驟都會生成數據，並需要收集洞察。這正是人工智能能夠大顯身手的地方。從模擬的角度看，它可以幫助我們建模，加快模擬速度，爲產品增添更多專業知識，幫助設計團隊，幫助設計師生成設計方案。人工智能非常強大，具有變革性。幾年前，一位客戶告訴我，‘我有一箇設計團隊，但他們花費大量時間處理你們的產品模擬。我希望他們是設計師，而不是模擬器。’產品設計團隊不想學習模擬器的工作原理。他們不想花費大量時間設置模擬環境。他們只想思考需求，以及如何根據這些需求創建設計。這就是人工智能的力量。它能夠真正幫助客戶從產品設計思路轉向他們真正想要做的事情。人工智能可以幫助你在印刷電路板上佈線，或者設計新的拓撲結構。Cadence 設計系統公司總裁兼首席執行官 Anirudh Devgan將人工智能比作 EDA 中三層蛋糕中的一層。“應用程序要想成功，必須具備所有三個部分，”他說道。“首先是人工智能代理和編排（There are the AI agents and orchestration）。其次是主要的模擬，有時人們會忘記它的重要性。它包括真實的晶體管行爲、分子行爲、流體動力學和熱力學。這些是無可替代的。然後，你還需要計算來運行它。”從計算的角度來看，人工智能似乎更像是一種進化，而非革命。“人工智能剛起步時，是一種密集計算，”德夫根說。但物理世界並不密集，人工智能也不密集。所有神經網絡都並非密集。因此，由於設計和需求的複雜性，我們在所有這些算法上都進行了創新。然後，我們又會面臨延遲、分區和層級結構的問題。你可以在頂層的移動抽象層中看到這些創新，也可以在底層的純算法中看到這些創新。這些算法中有一半是布爾型的——0/1，例如邏輯仿真、形式驗證——還有很多是數值型的，例如電路仿真、特性分析和熱分析。布爾計算和數值計算都需要加速……但現在，有了人工智能，我們可以從自然語言和優化的角度，在軟件領域實現更高層次的創新。人工智能非常擅長優化，這就是我們多年來一直致力於此的原因。我們有五大人工智能平臺——數字、驗證、定製、封裝和系統分析。這些成果實際上非常驚人……人工智能可以徹底改變芯片設計，這就是我們在這五個平臺上投入巨資的原因。”EDA 供應商如何利用 AI 略有不同，取決於其起點。但 LLM 的優勢之一是其能夠涵蓋不同的數據類型，從而提升整個流程的抽象級別。因此，起點並不像乍看起來那麼重要。關鍵在於他們如何獲取和利用數據，以及他們能在多大程度上將數據擴展到設計階段之外——這在很大程度上取決於未來數據如何共享和保護，以及公司在哪裏看到機會。正如西門子的 Ellow 所解釋的那樣：“它以生成式人工智能領域爲基礎，因爲這是第一層級，你可以從我們這裏獲得大量經過驗證的數據源以及他們的客戶數據。這些數據會進入數據湖，在那裏你可以訓練 LLM。我們可以使用各種 LLM，客戶也可以使用他們自己的 LLM。然後，你可以將其嵌入到基礎架構中，並在其基礎上使用我們所有的工具。”鑑於綠地機遇的廣闊性（greenfield opportunities），選擇合適的機會並非易事。正因如此，最初的起點必須切合實際。“一箇人需要多長時間才能成爲射頻工程師？這是一門藝術，”是德科技的 Faché 說道。“這不是六個月就能學會的，通常需要數年時間。但藉助人工智能，我們可以讓設計人員更容易地獲取信息，並真正縮小經驗豐富的射頻設計人員與新手工程師之間的生產力差距。聊天機器人就是一箇例子，它可以在正確的時間以更好的形式向客戶提供信息。”3D集成電路人工智能需要大量數據，尤其是用於訓練模型。問題在於，由於光罩限制，平面芯片無法快速高效地處理所有數據，因此許多數據中心採用某種多芯片組裝技術（例如扇出式或 2.5D 技術），以提升性能並降低功耗（相比平面 SoC）。但這些基本上只是漸進式的提升。要實現性能和功耗的大幅提升，需要真正的 3D-IC、混合鍵合和芯片陣列。Ellow 表示：“2.5D 技術讓硅片的結構更加靈活，使其更適應所運行的軟件。當完全採用 3D-IC 時，你就能夠在不同的芯片之間進行更離散的分區，並利用不同的工藝針對不同的功能進行優化，這爲如何更好地適應軟件工作負載提供了更多有趣的可能性。它旨在優化，但目前仍處於一箇有點遠大的目標。”兩個關鍵挑戰是如何管理散熱，以及如何確保不同層能夠正確粘合在一起，從而使密集排列的互連線完美對齊。此外，3D-IC 中的一些芯片將採用最先進的工藝開發，而其他芯片則可能採用成熟的工藝開發，這使得問題更加複雜。“客戶已經在談論將數萬億個晶體管集成到一箇封裝中，而他們的日程安排正在爭分奪秒地將流片時間從18個月縮短到16個月、12個月甚至更短，以便爲這些智能系統提供定製硅片，”Ghazi說道。“你該如何應對？單芯片技術的複雜性——我們說的是GAA，以埃爲單位來設計硅片——然後你還要將它們集成到一箇先進的封裝中。”這是擴展到數千億甚至數萬億個晶體管的唯一方法，但將它們組合在一起將是一項工程壯舉。“一旦你開始擴展到這種複雜程度，你就只能通過提高互連層的效率來實現所需的性能或功耗，”Ghazi 說。“而且芯片可能來自不同的工藝技術和不同的代工廠。如何驗證和確認一箇架構才能交付這種先進的封裝？”這也爲以chiplet形式出現的軟IP和硬IP打開了大門。“新的機遇層出不窮，尤其是在3D-IC和AI發展的情況下，因此我們正在加倍投資IP，”Devgan說道。“我們提供的IP數量和工藝節點數量都顯著增加。IP現在是Cadence最大的研發團隊之一，我們將繼續投資，不僅在物理IP和接口IP方面，還將投資於被廣泛用作嵌入式處理器的Tensilica。”數字孿生EDA 供應商敏銳地意識到 AI 系統的風險以及 3D-IC 架構中的未知因素。“需要將設計和測試連接起來，並在從設計到測試的驗證過程中引入數字化威脅，”Faché 說道。“現在有一些工具可以管理質量和可靠性。當然，數據管理和分析的需求也日益增長。所有這些工具都需要具備，客戶需要從自主研發的工具轉向商業工具。但這些工具也相互依存，因此需要一箇中心輻射模型，讓不同的工具能夠對數據進行操作。數據會隨着時間的推移而變化。它們可能會消耗數據，也可能會生成數據。IP 是在產品生命週期內開發的。因此，如果我們想要實現真正的數字化轉型，我們需要一箇基礎架構，讓客戶能夠做到這一點。數據管理過程至關重要。”這個概念仍在不斷髮展，術語也同樣如此。一些供應商稱之爲數字孿生，而另一些供應商則稱之爲虛擬孿生。但其基本概念是對系統進行實時監控，以確保其運行符合預期，並根據工作負載儘可能地進行優化，並在出現問題之前採取措施進行修復。Devgan 表示：“市場對精確的數字孿生有着巨大的需求，尤其是在物理領域以及推動這一需求的相應硅片領域。”這就是我們投資數據中心數字孿生技術的原因——用於模擬整個數據中心。這是一款非傳統產品，但它變得至關重要——應用計算流體力學 (CFD)、仿真和人工智能來優化數據中心。我們甚至在內部將其應用於我們自己的數據中心。關於數據中心，需要記住的是，它不僅僅是那些大型雲計算公司。企業中有很多數據中心。當我們將它應用於我們自己的數據中心時，我們的電力效率提高了 10%，這意義重大，因爲數據中心的設計中應用的科學知識並不多。芯片、機架和所有網絡的設計都應用了大量的科學知識。但是，如何佈局數據中心？使用了多少池化？它是過度冷卻還是冷卻不足？您是否定期維護它？這些工作的科學性不如芯片設計那麼高。因此，一旦掌握了數據中心的數字化趨勢，就可以進行更多優化。這個概念很容易理解。儘管取得了一些早期的成功，離散數字孿生技術仍在發展中。“數字孿生尚未成爲一箇可商業化的系統，”Ellow說道。“它是一系列組件的集合。它包含了軟件、半導體、封裝和電路板等電子元件。此外，它還涉及電氣效應，就像我們在Mentor時期所做的那樣，我們擁有線束和網絡連接等功能。此外，它還涉及機械部件，以及與之相關的更廣泛的多物理場產品組合。然後，它還涉及產品生命週期管理，因爲所有這些都必須通過物料清單來構建。一家公司能夠提供所有這些獨立領域的完整性，這讓我們能夠獲得一些洞見。但當你將整個產品組合納入製造流程模擬等環節時，仍然存在一些差距。如何將所有這些系統集成到最終產品的實際生產中？這其中有很多問題需要解決。”我們正在取得進展，但這並非一勞永逸的萬能解決方案。“作爲一箇行業，我們已經討論這個問題有一段時間了，但考慮到實時模擬以及在系統層面進行分析和優化的複雜性，這一點至關重要，”Ghazi 表示，並指出數據中心和汽車等應用是這項技術的關鍵市場。“隨着我們開始深入研究汽車和自動駕駛的複雜性，數字孿生需要同時模擬電子設備和周圍環境。就汽車而言，我們必須與生態系統合作。他們還有其他部分需要與芯片虛擬化和電子系統相結合。”舉個例子：新思科技與汽車仿真技術製造商IPG的合作。“我們能夠虛擬化和建模控制系統以及分區和計算ECU，使其能夠相互通信，”Ghazi說道。“我們提供電子虛擬化，IPG則引入了周圍的物理世界。在軟件開發執行過程中，測試團隊可以觀察硅片在特定工作負載環境中的行爲。這不僅適用於汽車。無人機、數據中心等都可以從虛擬化中受益。如果我們將其更貼近硅片，就會發現3D-IC或高級封裝是一箇精密複雜的系統，你需要考慮的不僅僅是電子設計。你可以說，在這種情況下，電子設計是可以理解的。但是，當你開始將芯片堆疊到這種高級封裝中時，你將面臨一系列其他挑戰，包括熱、機械、流體和結構。”結論人工智能革命已經開始。與所有新技術一樣，消除其中的矛盾之處並發現問題需要整個科技生態系統多年的努力。“挑戰重重，”Faché說道。他指出，首先，無論你是設計師、設計團隊成員，還是工具提供商，你都必須精通人工智能。學習人工智能是一箇全新的領域。這意味着我們需要真正理解工程生命週期的變化。這是對工程生命週期的根本性重新設計。他們需要瞭解在人工智能世界中模型是如何開發的。機器學習的運營工作流程是什麼樣的？構建模型需要成本。你需要擁有資源、流程和數據管理結構，才能實現這一點。最終，你需要對這些工具的有效性充滿信心。這是一場人人都擁抱人工智能的競賽。https://semiengineering.com/edas-top-execs-map-out-an-ai-driven-future/*免責聲明：本文由作者原創。文章內容系作者個人觀點，半導體行業觀察轉載僅爲了傳達一種不同的觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯繫半導體行業觀察。今天是《半導體行業觀察》爲您分享的第4075期內容，歡迎關注。加星標??第一時間看推送，小號防走丟求推薦 (本文内容不代表本站观点。) --------------------------------- |
本網站是"非商業"(non-commercial)。 暫統計至2025年6月25日，本網站共113091篇文章。 本網頁使用CDN cache緩存，顯示的網頁內容可能並非最新版本。
