在芯片设计、使用和更新流程不断变化的背景下，半导体工程网站就"左移"策略的利弊展开了一场专家对话。参与讨论的专家包括：新思科技战略项目与系统解决方案部门执行总监弗兰克·希尔迈斯特、Hiveware业务发展与战略合作副总裁罗宁·拉维夫、思佳讯业务发展副总裁杰克·伯格，以及Axiomise创始人兼首席执行官阿希什·达尔巴里。以下是此次对话的节选内容。
问：十多年来，我们一直在讨论从设计到制造整个流程中的"左移"策略，但如今越来越多的能力被加入其中，用以提升可靠性和良率，并加快芯片生产速度。你们观察到了哪些变化？
希尔迈斯特：我们现在正在加入数字孪生技术，这使得左移的程度大大加深。
伯格：确实如此。现在的问题在于如何处理多物理场模型。利用这些数据构建代理模型非常重要。随着我们深入到不同的技术和材料领域，就必须回归材料科学求解器和物理求解器，以获得设计师可用的模型。这种情况正发生在传统上并非数字设计领域的地方，但当我们深入到CFET层面时，这种方法也开始被应用。
希尔迈斯特：这里有三个变化。第一，凭借计算能力和智能体，我们现在具备了将左移推进到前所未及程度的技术能力，这是我们过去从未奢望在我们这一代实现的。问题在于这种左移是否值得信任。代理模型是否可靠地反映了实际情况？这不能由智能体自行判断。过去在虚拟原型设计中，需要有专人负责确保模型准确反映实际情况。这是第一点，信任的性质正在发生变化。第二，你需要信任左移模型对你所做工作具有预测性。否则，左移反而会带来麻烦，因为你还需要再做一次迭代。在高通的一次主题演讲中，演讲者提到了新出现的"推理差距"。他说过去我们面临的是生产力差距，而现在面临的是推理差距。企业希望工程师能够对产品进行推理分析，使产品变得更好，但目前的工具还无法处理推理问题。第三点是左移选项发展的迅猛速度。如果我能够信任这些模型，那么就能做很多新的事情。在架构层面，我可以做出某个决定，然后在模型具有足够预测性的前提下，启动多个方案进行尝试。
达尔巴里：左移这一话题至少在15年前就已经开始讨论了。真正发生变化的是人工智能和智能体化的使用模式。但尚未实现的是当今AI智能体中的信任要素。目前有许多优秀的智能体应用模式，我们和客户都在使用它们来处理规格文档。现在很多讨论已经转向"从规格到芯片"的流程，因为人们相信可以从规格文档中提取需求——前提是你拥有这些文档。但大多数情况下你并没有，这就是问题之一。我在形式化验证工作中观察到的另一个重大变化是，功能验证现在被视为与安全性、功能安全和功耗同等重要的问题，这些都关系到为AI生态系统提供支撑的硬件，而AI生态系统正是最大的投资领域。许多公司在项目第一天就投入PPA（功耗、性能、面积）分析。例如，我知道有客户会把他们的设计，甚至是较老一代的设计，交给AI智能体重写以优化PPA。但我怎么知道结果是正确的？我能证明它与原设计等效吗？因此，半导体领域那些拥有庞大预算和团队的大型企业，正在采用智能体化的AI流程，但他们高度关注能否信任这一结果。这种信任鸿沟通常是通过早期采用形式化证明方法来解决的。技术know-how往往不是最大的障碍，关键在于工具能否更无缝地融入整个系统。
但如果审视是什么促成了更深入的左移，答案是调试所花费的时间。当你进行架构分析并发现故障时，可以将其交给智能体处理。智能体会产生大量数据，我们需要在洞察分析上投入更多工作。你是否明智地利用了时间？即便结果正确或错误，如果仍需人工审核，这在左移早期采用阶段可能会成为重大阻碍。随着智能体越早被采用，这是否会带来更好的设计和更少的漏测缺陷？这还有待观察，我并不认为仅凭左移就能解决所有问题。
拉维夫：左移本质上是识别我们行业中的瓶颈，并考察在设计和验证周期中，哪些工作可以尽可能提前完成并纳入进度安排。如今，智能体正在加速提供帮助，但随之而来的一切都会使我们陷入新的瓶颈——有的是全新的瓶颈，有的是旧瓶颈换了新形式——而这些都需要我们去解决。
问：我们现在有大量工作需要同时进行审查和验证，这使得将如此多的内容左移本身就成了一个问题，而随着多芯粒封装和生命周期管理的加入，情况变得更加复杂。各个部分如何组合在一起并保持协调一致？
希尔迈斯特：左移本身是否就是正确的做法？左移的前提假设是我对自己真正要做的事情有扎实的了解，并且假设我能在六个月、九个月甚至一年前就明确规格需求。或许我们对此的思考方式是错误的。我们真正需要的可能只是一个总体方向，然后具备根据在推进实现过程中获得的信息进行调整的能力。左移暗含的意思是，只要事先制定好规格，就能在某个神奇的未来实现零误差，而且能够一路贯彻到底。但我听到人们实际做的事情并非如此。他们说：'好吧，我正在构建某个东西，借助智能体化AI，我现在可以构建一个基本能代表大部分情况的模型。于是我现在做出决定：这一部分相对简单，不需要在Arm处理器上投入太多精力，或者我可以为此做一个RISC-V处理器。'然后我重新调整规格，这有点混乱，因为我之前并没有正确的硬件规格，所以现在要进行调整。有意思的是，我们正在接近一个可以将这种新的精细化调整左移的时代。这几乎就像是一种敏捷式的左移。以敏捷的方式，根据当前正在做的事情，对后续发生的微观选择进行实现层面的调整。
问：这解决了这些设计中的一个重大问题，因为当芯片部署到市场时，你并不知道工作负载会是什么样子。这是一种更注重适应性的通用方法，对吗？
希尔迈斯特：正是如此，而且过去我们不敢这样做，因为一切都是严格按顺序推进的。现在这个过程变得更具循环性。过去是产品经理了解市场情况后说：'我要做这个东西'，然后18个月后才发现这个方案行不通。而现在，你随时都能获得新数据，因此在推进工作的过程中可以保持这种敏捷的调整能力。
达尔巴里：我同意在敏捷性方面存在很多选择和变化，并非所有事情都能提前知晓，这在构建任何产品时都是现实情况。不过，我并不认为事情就如此模糊不清。如果你在构建一款新的机器学习芯片，或者GPU、CPU，你对之前的衍生设计方案已经有了一定的了解。你打算采用的总体架构是什么？你不知道的是在功耗、功能方面的实现选择，而AI在训练或推理方面带来了诸多挑战，这些都是相当新颖的领域。因此，无论是否借助智能体，你都需要在每一步做出多种选择。但智能体可以帮助你更高效地完成这项工作。我不确定的是，这些敏捷智能体产生的结果能否很快得到协调统一并获得信任。
希尔迈斯特：你不能让AI真正替你做决定，也不能完全信任AI。之后你仍需深入到一个经过验证的模型中去。
伯格：这是非常重要的一点。AI智能体不能取代人类，它们实际上扮演的是初级工程师的角色，它们的工作成果需要由懂行的人来审核。关于敏捷性正在不断增强这一说法确实很真实。现在有一种观点认为，某个流程可以实现逆向设计。但如果这种逆向设计能够基于多物理场求解器呢？你构建出一个代理模型、数字孪生体，然后说：'好，给我一个晶体管，或者给我一块芯片——甚至进一步到通过RTL实现的芯片——它要在这些约束条件和这些正在发生的情况下正常工作。'结果突然之间你得到了一个空集。这是过度约束了。那现在该怎么办？这正是为什么必须保持敏捷性这一观点是非常站得住脚的原因。
拉维夫：以数字流程为例，现在你拥有虚拟平台、形式化验证、软件仿真、仿真加速、FPGA，还有工程师和AI引擎。你需要做出调整。如果你在设计一款CPU，或者某种实体产品，并且能够通过形式化验证更好地完成，更早地将其提交出来，拥有一个更稳定的设计，那么仿真加速和FPGA就能在验证流水线中更早地运行，仿真工作也是同理。如果你已经着手解决了形式化验证、仿真、虚拟原型设计，甚至整个流程本身存在的瓶颈问题，这将有助于将一切向左推进，使你能够在游戏的更早阶段做出更好的决策。这样一来，如果你需要更改某些内容，就可以随时进行调整。
达尔巴里：验证问题确实十分重大。我确实看到一些切实的证据，有些客户真的在从头开始重新构建一套自底向上的架构，以应对他们芯片在不同使用阶段的需求。因此他们可能会构建一款CPU、一款GPU、一款机器学习芯片，他们真正需要做的是确定自己打算构建的东西能否覆盖所有的使用模式。这并非易事，尤其是当软件被纳入考量范围时，而如今的软件已不再是20年前运行的那种软件了。从训练、推理到功耗，这些因素都一直延伸影响到架构层面，然后你必须在这个层面做出这些选择。
