電子設計自動化 (EDA)
系統
矽智財 (Silicon IP)
SolvNetPlus
教育與訓練課程
物理 AI (Physical AI) 的工程設計
本文原文由 Thomas Andersen 撰寫
儘管人工智慧 (AI) 的精湛演算法技術令人驚豔、規模也前所未見，但其背後的工程設計方法向來相對直觀：更多的資料，更多的運算處理，以及更多的輸入與輸出 (I/O)。
然而，這一切正在改變。
隨著機器人、無人機與自動駕駛汽車領域的投資與創新呈爆炸性成長，「物理AI (Physical AI)」正從科幻故事走向日常生活。而此一躍進背後的工程原理，絕對不簡單。
物理 AI 不再侷限於井然有序、恆溫控制的資料中心。它必須從晶片、軟體到系統全面進行工程設計，以應對無數的全新變數。
舉例而言，突如其來的天氣變化、紛擾嘈雜的訊號與雜音，以及千變萬化的人類行為模式。
要讓物理 AI 應用於各式各樣的動態場景中，所需要的遠不止於精密的演算法。它需要緊密融合先進電子技術、感測器與多物理場 (multiphysics) 原理，讓一切協同運作，從而協助智慧機器感知、解讀並回應現實世界的複雜性。
利用 AI 強化您的晶片設計
探索全新升級的 Synopsys.ai 產品手冊，瞭解進階優化、生成式 AI 及代理型 AI 等前瞻技術，協助您進行晶片設計流程轉型。
AI 的下一個前沿領域：物理學
如今，我們已經教會 AI 我們的語言，並賦予其人類集體知識。我們訓練它理解我們的期望，並回應我們的請求。
然而，現實世界充滿了全新的挑戰。如果你詢問 AI 關於坑洞的問題，它會告訴你坑洞是如何形成，以及如何修補。但是當 AI 在正值尖峰時段、濃霧瀰漫且光線昏暗的環境下實際遇到一個大坑洞時，會發生什麼事？
我們的環境瞬息萬變，但唯一不變的就是物理學 (physics)。正因如此，以物理為基礎的模擬 ，即是物理 AI 發展的基石。
為了讓 AI 在現實世界有效運行，需要由精準調校的感測器— 例如攝影機、雷達和光學雷達 (LiDAR) — 來提供相關的環境資料，從而使物理 AI 系統能夠準確地感知並解讀周遭環境。
以物理學為基礎的模擬 (simulation)，讓工程師能夠以數位方式設計、測試並優化這些感測器及其支援的系統，其成本比製作實體原型 (prototype) 還要低得多。此外，關鍵性的「假設 (what-if)」問題，例如不同天氣條件或材料反射率如何影響效能等，都能藉由模擬獲得解答。透過模擬，工程師得以全面預測系統在各種運作情境下的表現。
與「感知」世界同樣重要的是物理 AI 的「思考」能力。在訓練新興物理 AI 系統以因應各種可能遭遇到的變數時，我們往往缺乏涵蓋多元情境的大型資料集。儘管合成資料 (synthetic data) 的快速興起，正協助創新者弭平此一差距，但準確性一直是項令人擔憂的問題。
在這方面，已經取得令人振奮的進展。強大的開發平台，例如 NVIDIA 的 Omniverse，可用於創建高度逼真的虛擬世界。當這些平台與精確的模擬工具整合時，開發人員即可將高擬真 (high-fidelity) 的物理現象導入其場景中，從而產生可靠的合成資料。
於NVIDIA Omniverse平台中，運用 Ansys Perceive EM 模擬在美國科羅拉多州丹佛市移動車輛的 5G/6G 天線訊號
從矽晶片到系統，重新定義工程設計
傳統的設計與工程方法往往是各自獨立且線性的流程，硬體與軟體元件通常需要分別開發或採購，之後才依序進行組裝、測試與量產。
這樣的方法已經不再適用於物理 AI，或任何以矽晶片為基礎、由軟體定義 (software-defined) 的產品。
以無人機為例，為了實現自主飛行、避開障礙物並回應操作員指令，多項技術與元件必須協同運作，包含先進軟體、機械元件、感測器以及客製化晶片等。
在充滿變數的環境下，實現高精準度是一項重大挑戰。在這種情況下，傳統的方法非但無法達成目標，也難以滿足當今市場對開發時程日益嚴苛的要求。
數位增強型 (Digitally enhanced) 產品必須被設計並開發為高度複雜的多領域系統。從概念到最終成品，電機工程師、機械工程師、軟體工程師與其他人員必須密切協作；與此同時，他們也必須加快工作步伐，以因應日益縮短的開發週期。
於NVIDIA Omniverse平台中，使用 Ansys 電磁模擬軟體以 5 公分解析度渲染 (rendering) 聖荷西市中心場景
當代智慧系統的複雜性，要求解決方案能夠更深度地整合電子學與物理學領域。工程解決方案供應商正迅速採取行動，以因應這一需求。例如，我們近期完成對安矽思 (Ansys) 的收購，結合兩家在晶片設計、IP 與模擬分析領域的領導企業。雙方攜手合作，為客戶提供全方位的系統設計解決方案，加速 AI 驅動產品的創新。
我們的創新方式必須如現實世界般多元且動態，因此，傳統的工程設計流程也必須被重新定義。這將是釋放物理 AI 潛能，並協助技術專家實現下一次突破的關鍵。
原文最初發表於 Electronics Weekly