（本文翻譯自Semiconductor Engineering）

《Semiconductor Engineering》和來自西門子數字工業軟件公司IC EDA的執行副總裁Joseph Sawicki、PDF Solutions總裁兼首席執行官John Kibarian、Ansys半導體事業部總經理兼副總裁John Lee、Keysight公司PathWave軟件解決方案副總裁兼總經理Niels Faché、IC Manage總裁兼首席執行官Dean Drako、Arm前首席執行官兼沃達豐董事會董事Simon Segars以及Real Intent總裁兼首席執行官Prakash Narain對未來芯片設計進行了展望，本文是其中的一部分。

SE：芯片設計行業目前面臨的最大挑戰是什么？最大的機遇又有哪些？

Lee：多芯片以及異構3D-IC系統既是目前最大的機遇，也是面臨的最大挑戰。中國公司也是一個巨大的挑戰，尤其在EDA領域。他們那有很多初創公司，我們向中國銷售產品也變得具有挑戰性。

Segars：目前正在發生的經濟衰退可能具有一些挑戰性，但由于一些新技術的出現，還是存在一些可繼續投資的機會。這為創新提供了溫床。但要做到這一點，需要比目前更為復雜的工具、流程和方法，而且需要大量的研發。所以我的要求是，“請不要對必要的研發投入吝嗇。”

Drako：目前為止，擺在我們面前的最大的事情是人工智能對我們的行業和我們所服務的行業的影響。汽車行業的AI和視頻監控行業的AI將推動對于硅的巨大消耗。人工智能在EDA行業的應用也將是巨大的。我們將開發所有AI芯片，我們也將成為AI消費者，用其制造芯片，并使用工具制造這些人工智能芯片。

對人工智能的渴望將加速向云的轉移，速度可能比EDA行業和我們的客戶想象的更快，因為這會加大對于GPU的需求——以及部署大量GPU的系統——來完成所有計算，這是基本的人工智能路線或人工智能設計芯片。

所有這些人工智能應用都需要大量的數據來支撐。我們目前設計的芯片需要數兆字節級別的數據。一旦開始設計人工智能零部件，將需要數萬億字節的數據。這將產生一個我們需要解決的瘋狂的難題。當開始這樣做時，最終會得到大量的內部和云數據，但可能只有其中的一部分有用。也許可以在谷歌上進行，這樣價格更便宜，但數據仍然在亞馬遜上。因此，移動數據也將是一個巨大的問題。這就又產生了一個機會，創建可以移動數據的工具，使其出現在需要的地方。人工智能既是一個機遇也是一個挑戰，實現人工智能的數據管理對我們來說也將是一個巨大的挑戰。

Sawicki：我們目前面臨的挑戰有很多。幾十年來，我們的政府一直不知道半導體是什么，突然他們發現這是一個他們所能想象到的最有趣的話題。這對我們來說是一個挑戰。但我們正處于一個絕對令人驚奇的行業，我們可以讓我們正在做的事情成為現實，并真正改變世界。這既是一個無比激動人心的時刻，也是一個令人心生畏懼的時刻。

Faché：我們看到的挑戰之一是，由于性能需求、新型功能和新技術的出現，通信網絡、云基礎設施和電動汽車等系統的設計、測試和構建越來越復雜。因此，產品開發團隊以及任何系統的整個供應鏈都更加重視虛擬原型。

他們在產品開發生命周期中實現這種轉變，這樣他們就可以預先處理系統、子系統和零部件的復雜性。它們還可以加快上市時間，以提高生產力、降低成本和風險。為了實現這一轉變，我們需要將工作流程數字化，從需求到產品制造，并使其符合規范。實現這些數字化轉型對我們的行業來說是一個巨大的機遇。它將需要一個開放的生態系統，包括連接設計、模擬和測試工具，以及智能的工作流程自動化。

Narain：設計的主要工作是驗證和模擬，這是最需廣泛部署的，之后是formal signoff和static signoff，這是我們專注的部分。static signoff的最大機會是驗證中的左移。這是最早可能要進行的設計驗證。如果你把它定義為一個設計步驟，那么設計師就必須參與其中。因此，要想在這些應用程序上取得成功，幫助他們創造盡可能好的用戶體驗，設計師面臨的時間壓力很大。在設計流程中有很多機會實現左移，這些應用程序需要非常及時和高效。挑戰在于經濟創新。我們正持續投資技術和創新，以最快的速度進行設計。我們也持續通過產品和技術進步擴大static signoff的覆蓋范圍。

Kibarian：制造業一直在受益于下一個節點技術——摩爾定律、登納德縮放定律，以及只有少數幾個超前領先制造商完成所有制造所帶來的益處，所有這些都在晶圓廠的前端，并且都以非常可控的方式進行。

目前，由于登納德縮放定律已經無法擴展，而且已經失效了十年，另外摩爾定律也正在放緩，我們需要在先進封裝中包含有更多的異構系統。這為制造業帶來了挑戰，因為這僅在晶圓廠無法實現。組裝現在是一個相當具有挑戰性的工藝過程，測試點也要復雜得多。因此，生產流程中需要獲得良率的提升，這創造了機會。

此外，我們正在使用各種硅技術，我們將開始使用更多的片上硅光子學和其他技術，這些技術可以幫助提升良率，并持續提供更高的性能，而且完全不受登納德縮放定律或摩爾定律的影響。這也給制造業帶來了巨大的挑戰。除此之外，由于地緣政治原因，我們現在正在分解供應鏈并將其分散各處。每當我看到Morris Chang談論為何美國人不能制造芯片時，我都會感到尷尬，芯片法案則浪費了520億美元。如果你看一下歷史數據，他是對的。

但當EDA人員看到一個問題時，就像谷歌看到廣告行業時一樣。他們不是讓一堆機器人到處銷售廣告，而是采取不同的方法。我們也可以為制造業帶來一些截然不同的方法。軟件和EDA或許會成為一個轉折點。

SE：你認為人工智能在設計領域的發展前景如何？誰將使用它？我們會從中受益嗎？接下來你要解決的問題是什么？

Segars：人工智能可以幫助大大提高生產力。也許大多數人都使用過ChatGPT，輸入一些內容，大多數人都對所獲得的輸出內容感到非常驚訝。你可以要求它以各種不同的語言工作，產生的效果也非常好。有趣的是，在GitHub中，他們已經引入了這個代碼彈出窗口，這是通過微軟進行集成，演示看起來也非常酷。

通過輸入大量正確的代碼，就可以提高工作效率。我們中有多少人為了尋找缺失的近括號而把頭靠在屏幕上仔細尋找，這樣很沒有效率。目前因為有很多自動生成的代碼，所有這類事情或都將成為過去。短期內，有很多自動化可以幫助加速工作速度，直到真正需要運用腦力時。從長遠來看，這些技術會越來越多，并更加令人印象深刻。另一方面，它將有助于驗證——只需生成測試用例并了解測試用例的缺陷。這是我們很久以前就開始做的事情。在驗證方面，使用機器學習來理解什么是好的，什么是壞的，這將節省大量時間，縮短計算周期，并加速完成驗證工作。這將是革命性的改變。

Drako：我們在10年、20年或30年前都使用過專家系統這個術語，但目前已經不再使用了。但我們引入了大型團隊來進行驗證，這些團隊由5、10或100名有經驗的工程師組成，另外還有5、10、100名經驗較少或天賦較差的工程師。我們訓練他們如何編寫測試用例。如果您有了Cadence、Synopsys或任何創建該專家系統的公司提供的ChatGPT驗證等效工具，您可能就不需要驗證團隊了。

您可能能夠生成大量的測試用例，其中有10%的測試用例可能有點偏離，必須進行修復。但這種方式的獲得的生產效率的提升已經不可同日而語了。當他們最初設想人工智能時，人們認為它將是一種威脅，會奪走他們的工作，而立即想到這個的是藍領工人。這是完全錯誤的。白領工作才將會受到人工智能的威脅。我想我不再需要專利律師了。我只需向ChatGPT描述我的案件，它就能生成一個不錯的解決模式。我不需要再向律師事務所支付2萬美元了。

Sawicki：想想未來八年，摩爾定律正在放緩，但集成仍在加速進行。如果再看看我們必須整合的解決方案的廣度，然后每兩三年考慮一次2倍的改進，那么堆棧就會越來越大。因此，我們最終會面臨巨大的系統級環境，而不僅僅是一個人工智能芯片在本地做了什么事情。它整合了一個完整的系統——工廠自動化，汽車駕駛，它們都在一起運行。

驗證的細節是巨大的。你能想象我們在未來八年內，以美國目前的教育狀況和現有畢業的工程師數量能完成這項工作嗎？這永遠不會發生。感謝上帝，我們正處于一個可以利用眼前機遇的時候。在芯片設計方面，如果用生成式人工智能進行設計會怎樣？它會有什么用處？它將如何創新？它將如何判斷所做的事情？什么是有趣的連接？就如何利用這些機會而言，這將是一次令人驚奇的旅程。

SE：我們處理的數據比以往任何時候都多。這些數據好嗎？我們怎么知道它是好的？

Kibarian：人工智能和機器學習的一大機會是它們可以改進您使用的數據。我們看到這種情況越來越多。工具有助于確保生產軟件的機器和測試機器的數據一致。這些工具將會普及，人們將在未來10年內頻繁使用它們。這并不遙遠。

Lee：這是一個非常有趣的工作，你可以接收數據，但你也可以擴充這些數據。因此，制造設備的數字孿生將擁有提交的所有內容，包括一些建模錯誤。但將其與來自制造業的數據相結合是進行實際自我校正的好方法。

Drako:?人工智能的數據實際上會存在很多問題，因為每個設計公司都想控制它，而不想分享它。他們對此會很謹慎、很偏執，并嚴格控制。因此，EDA行業將面臨巨大挑戰，即在無法訪問數據或無法獲得數據來訓練工具和神經網絡的情況下，還要構建設計行業想要的AI Caliber工具。

編輯：黃飛

?