什么是人工智能驱动的芯片设计？

人工智能能够在庞大的解决方案空间中，以最快速度找出能带来最高投资回报率（ROI）的正确参数组合。 换言之，其结果的质量比其他方式更优（且速度更快）。通过处理芯片开发周期开发 中的重复性任务，人工智能使工程师能够将更多时间投入到提升芯片质量和增强产品差异化上。例如，设计空间探索、验证覆盖率与回归测试 分析以及测试程序生成等任务——每项任务的范围和规模都可能极为庞大——均可由人工智能快速高效地处理。

强化学习凭借其全面分析复杂问题并以人类无法企及的速度解决这些问题的能力，非常适合电子设计自动化（EDA）的工作负载。强化学习算法能够快速适应并响应环境变化，并能以持续、动态的方式进行学习。在整个行业中，强化学习已应用于超过1,000次芯片流片设计，现已被视为一项成熟的技术。

半导体行业在芯片开发 中应用的另一项人工智能技术是生成式人工智能。生成式人工智能基于大型语言模型，能够学习输入数据的模式和结构，并快速生成内容——例如文本、视频、图像和音频。生成式人工智能模型已在多种应用领域展现出其能力，其中ChatGPT聊天机器人目前是广为人知的典型代表之一。  

在EDA领域，这些聊天机器人通常以“副驾驶”的形式出现，协助工程师完成设计流程。它们可用于初始代码生成、文档检索，或帮助初级工程师更快上手。对于EDA领域而言，由于芯片设计相关数据大多属于专有信息，生成式人工智能有望支持更个性化的平台，或者优化内部流程，从而提升生产力 。

另一项正在被用于探索芯片开发 的技术是AI代理。AI代理能够自动化处理琐碎或重复性任务，从而让设计师腾出时间从事更具战略性和创造性的工作。此外，AI代理有望在第1级（L1）至第5级（L5）的能力阶段中相互协作，最终，AI代理可被赋予完全自主权，自行做出允许范围内的决策。

通过将更强大的智能与更快的处理速度相结合，以应对原本重复性的任务，人工智能驱动的芯片设计能够产生更优质的硅片成果，并显著提升工程效率生产力 。人工智能驱动的芯片设计具有多种优势，包括：

• 增强型PPA ：在每项芯片设计中，都有机会为其目标应用提供最优的PPA 。然而，由于庞大的设计空间中存在几乎无限的设计选项，仅凭人力几乎不可能在项目时限内找到正确的选项。人工智能可以通过探索这些庞大的设计空间来识别可优化领域，从而增强PPA 。
• 增强型生产力 ：工程师们一致反映，在资源日益紧缺、人才短缺的环境下，工作负担十分繁重。通过处理迭代性任务，人工智能使工程师能够腾出精力专注于芯片设计的差异化和质量提升，同时满足上市时间 的目标要求。
• 支持经验复用：由于一个项目中积累的经验可以保留并应用到下一个项目中，人工智能使芯片开发 流程的效率进一步提升。
• 更快地进行设计迁移：借助人工智能的支持，芯片设计团队能够更快速地将设计从一种工艺节点 迁移到另一种工艺。

人工智能驱动的芯片设计确实面临一些独特的挑战。作为一项相对较新的尝试，要将人工智能技术整合到不同的芯片设计方案中，需要掌握新的技能和方法，例如提示工程。 此外，由于业内的大部分工作都属于专有技术，用于人工智能训练的数据集十分有限。怀疑态度也构成了另一项挑战，因为有些工程师质疑机器如何可能得出比他们更好的结果。鉴于人才短缺正影响着半导体行业，该行业需要发掘那些既具备专业知识、又对利用人工智能技术优化EDA流程感兴趣，同时致力于增强EDA算法计算平台的人才。

AI 工作负载规模庞大，需要大量的带宽和处理能力。因此，AI 芯片——无论是 GPU、XPU，还是专为最高效处理 AI 工作负载而设计的专用加速器——都需要采用独特的架构，该架构应包含最优的处理器、内存阵列、安全 以及实时数据连接。 传统CPU虽然非常适合执行顺序任务，但在加速AI工作负载所需的处理性能方面通常有所欠缺。另一方面，GPU能够处理AI中乘积累加运算所涉及的大规模并行计算，因此可应用于AI领域。事实上，GPU可以作为AI加速器，提升神经网络及类似工作负载的性能。 对于大型数据中心和边缘部署，软件驱动的定制化ASIC正日益普及，它们能够提供量身定制的性能并优化能效。随着AI成为主流，传统CPU正在集成AI加速技术，其中包括针对AI PC的专用功能。    

由于人工智能芯片结构复杂，往往会突破光罩限制，或者通过将设计划分为多个芯片或微芯片来获得更好的性能。由多个芯片或微芯片在单个封装内进行异构集成而成的多芯片架构，正迅速成为人工智能应用的理想架构。 multi-die系统 这种架构是应对摩尔定律放缓的解决方案，其优势远超单片系统级芯片（SoC）所能达到的水平：能够以更低的风险和更快的上市速度，实现系统功能的加速、经济高效的扩展。

AI加速器是另一种针对AI工作负载进行优化的芯片，这类工作负载通常需要即时响应。作为一种高性能并行计算设备，AI加速器既可用于数据中心等大规模部署，也可用于空间和功耗受限的应用场景，例如边缘AI 。

GPU、大规模并行异构计算（多核 ）标量 处理器以及空间加速器，都是硬件人工智能加速器的几个例子。这类芯片可以集成到更大的系统中，用于处理大型神经网络。人工智能加速器的一些主要优势包括：

• 与通用计算机器相比，AI 工作量 的性能和能效比 更符合特定需求
• 更低的延迟加上更快的计算速度
• 异构架构，可搭载多个用于执行特定任务的专用处理器
• 可扩展性

无论采用何种架构，人工智能驱动的芯片设计技术都在简化人工智能芯片的设计流程，通过优化PPA 和工程设计生产力 ，使设计能够更快地推向市场。

人工智能技术正稳步融入电子设计自动化（EDA）流程，从而提升从单片系统级芯片（SoC）到多芯片设计等各类方案的“开发 ”。这些技术将继续助力生产出质量更高、周转时间更短的硅芯片。此外，在芯片开发 流程中，还有许多其他环节可以通过人工智能得到优化。

尽管这一领域存在挑战，但挑战之中也蕴含着机遇。通过提升生产力 和设计成果，人工智能有助于填补人才短缺造成的空缺，以及资深工程师离职时留下的知识空白。此外，探索人工智能提升芯片设计的其他途径——包括人工智能芯片——也蕴藏着机遇。

人工智能应用对能源的影响日益凸显。然而，通过优化人工智能处理器芯片（以及芯片的设计、验证和测试工作流程），人工智能设计工具能够降低其碳足迹 ，从而实现更佳的能效比 。

随着人工智能重塑各行各业，在半导体领域，区分以下两个关键概念至关重要：AI芯片设计与AI驱动的芯片设计。

AI芯片设计致力于打造驱动现代AI的专用硬件。这些芯片——例如GPU、NPU和定制ASIC——旨在高效处理深度学习 和生成式AI等AI模型所需的复杂计算和海量数据。设计过程的核心在于架构创新：通过优化计算核心、内存带宽和互连架构，为从数据中心到边缘设备的各类AI应用提供最佳性能、能效比 以及可扩展性。

相比之下，人工智能驱动的芯片设计是指在芯片开发 设计流程中直接应用人工智能技术。在此过程中，强化学习、生成式人工智能和自主代理等人工智能技术被嵌入到电子设计自动化（EDA）工具中，以实现芯片设计、验证和测试的自动化与优化。通过利用人工智能快速探索设计方案并处理重复性的工程任务，团队能够更快地获得更优结果，从而让工程师能够专注于创新和差异化设计。

简而言之，AI芯片设计是指为AI开发芯片，而AI驱动的芯片设计则是利用AI来提高芯片开发 的生产力和效率。

新思科技 是普适智能领域的先驱，致力于应用互联互通、协同协作且由人工智能驱动的EDA工具，覆盖完整的半导体芯片生命周期，包括架构、设计、验证、实现、系统验证 、签核、制造、产品测试以及现场部署。新思科技.ai 于2023年3月正式发布，是业内首个全栈式、人工智能驱动的EDA套件，助力工程师更快地将符合正确规格的芯片推向市场。 该套件未来还将持续优化，目前包含：

• 新思科技 DSO.ai™，它能在芯片设计的极其庞大的解空间中自主搜索优化目标
• 新思科技 VSO.ai 能够自主实现更快的验证覆盖率收敛 和回归测试 分析，从而加快功能测试收尾、提高测试覆盖率，并实现预测性缺陷检测
• 新思科技 TSO.ai 能够在大规模测试搜索空间中自动寻找最优解，以最大限度地减少测试用例数量，并缩短自动测试用例生成（ATPG ）的周转时间
• 新思科技 ASO.ai™ 能够自主加速模拟设计工作流程，并支持在不同工艺节点间快速迁移模拟 IP 以及高效复用设计
• 新思科技.ai Copilot 利用生成式人工智能提供专家指导、自动化设计任务，并提升整个芯片设计栈的生产力