智能体在设计、验证和确认的不同阶段进行协同,将需要新的方法论以及跨工具的协调。
工程专业知识依然不可或缺,而专有数据仍处于孤立状态。
成本与复杂性可能限制其应用普及,这将使大型企业更具优势。
专家圆桌:人工智能智能体正在渗透到芯片设计流程的更多环节,但如何在不同工具和流程之间实现互联互通,仍是一大挑战。此外,如何捕捉数十年积累的工程经验、保护专有设计数据,并将成本控制在合理范围内,这些问题也悬而未决。Semiconductor Engineering就这些议题采访了新思科技(Synopsys)战略项目与系统解决方案执行总监弗兰克·希尔迈斯特(Frank Schirrmeister)、Hiveware业务拓展与战略合作副总裁罗嫩·拉维夫(Ronen Laviv)、思佛(Silvaco)业务拓展副总裁杰克·伯格(Jack Berg)以及Axiomise创始人兼首席执行官阿希什·达尔巴里(Ashish Darbari)。以下为对话节选。本次讨论的第一部分请点击此处查看,第二部分请点击此处。
从左至右:Silvaco的伯格;新思科技的希尔迈斯特;Axiomise的达尔巴里;Hiveware的拉维夫。
问:如果AI智能体在修改代码,而你又在不断更新AI模型和智能体,那么到底能在多大程度上实现设计前移?
达尔巴里:这将成为行业需要采用的一种新方法论方向,很像通用验证方法学(UVM)那样,把这些不同的流程组合在一起。问题是,该如何把所有这些智能体整合起来?从我目前看到的情况来看,我感觉没有人真正清楚这种整合究竟该如何实现。从我在不同场合看到的各种演示来看,大家仍在摸索这些问题将如何发展。许多智能体型AI公司缺乏第一手的现场经验,没有真正接触过这些问题,所以他们所构建的东西,并非消费者真正想要的。在许多情况下,大型用户企业正在自己开发相关系统,因为他们清楚自己想要什么。他们拥有现场经验,掌握着多年积累的数据。那么大型EDA厂商将朝哪个方向发展,以精简这一流程,并以此塑造最终的应用形态?这一点我不得而知。
拉维夫:仿真器面临的一个挑战是,当以协同仿真模式运行时,仿真速度会变慢。或许,与其使用UVM或其他会拖慢速度的语言,AI未来会拥有自己专属的语言,直接生成可综合的SystemVerilog RTL代码,输入到机器中运行。这样一来,所需的软件会更少,仿真运行速度也会更快。我还不确定这种方法论是否会迅速发生变化,但UVM可能不会永远存在下去。
达尔巴里:这正是英伟达GPU负责人在DVCon美国大会上所说的,不是吗?形式化验证正在取代仿真,或者即将取代仿真。相比每种具体技术如何彼此配合,我更关心的是,所有这些技术的应用最终能否构成一个连贯一致的整体故事。
希尔迈斯特:整个流程包括生命周期管理、制造、数字实现、功能验证,以及规格工程。理清这一切就如同点亮一盏明灯——确保一切正常运转,把设计转化为版图,再落地到实际的物理芯片与3D结构中,然后在整个生命周期中持续观测。每个环节下面又包含许多子组件。功能验证到仿真加速,只是五大环节之一。还有虚拟原型、形式化验证、仿真、仿真加速、原型验证等等。每个环节都会配备各自专属的智能体,也就是说,某个智能体在局部执行特定任务。接着,你会开始拥有一个智能体,把这些局部任务作为一个整体功能协调起来;再往上,又会出现一个智能体,把这一切与前端设计连接起来。这就像一层层叠加的洋葱,层数会越来越多。各家EDA厂商都在宣称自己达到了"L5级"水平,这在各自业务范围内确实有一定道理。
伯格:这很大程度上关乎层级结构。
达尔巴里:但这一切由谁来买单?小公司有预算把自己的数据库token化,并运行这一整套流程吗?
希尔迈斯特:你说的是做产品的那些公司,还是做工具的那些公司?
达尔巴里:是做产品的那些,也就是终端用户。他们需要为token付费。我有一种感觉,只有大公司才能负担得起这一切。他们已经在全力推进,并宣称自己没有写过一行代码,一切都交由智能体完成。但如果能大幅降低这整套流程的成本,情况就会变得非常有意思。
希尔迈斯特:这件事令人兴奋的地方在于,那些以前因为流程繁琐而难以推进的小型设计项目,将会因此受益。但如果你想成为英伟达的竞争对手,仅凭车库创业仍然是不可能的。那仍然必须是一家大公司才能做到的事。
伯格:现在你已经拥有了多层级的智能体,以及一个负责统筹整个流程的L5级智能体。整个行业将致力于把每一层都构建出来,然后不断迭代改进。这是让智能体真正学会并取代大批从事基础重复性工作的工程师的唯一途径。
问:但这种层级结构的起点,难道不应该是先明确哪些环节需要前移,并涵盖到每一个具体模块吗?也就是说,至少得先大致确定你要做的是什么?
伯格:会有信息被反馈回来,以确保在进行规格或功能定义时,相应的约束条件已经设置到位。这样就能提高可制造性的概率。
希尔迈斯特:我能让一个智能体建模并预测这条路径吗?
伯格:可以。
希尔迈斯特:但你还是需要去核实,对吧?你需要尽早确认你所做的事情会产生怎样的多物理场效应。
伯格:是的,如果不这样做,产品在制造阶段就会直接夭折。
希尔迈斯特:那么现在的问题就变成了:"你到底能把这一切抽象到什么程度?"
拉维夫:在大约80%的挑战上,AI做得非常出色。但剩下的,则依赖那些在行业中摸爬滚打了三十年的个人经验和独特技能,而这些是AI目前不具备的。我们曾讨论过功耗、仿真加速、格式转换和验证等方面涉及的250种不同技能。如今AI并不具备这些技能。整个行业需要想办法把这些技能汇聚起来,才能真正实现这样一种流程:智能体与智能体之间能够交流,并拥有隐藏在苹果、高通和英特尔等公司内部数十年积累的经验。
伯格:这花了50年的时间,但在2024年,诺贝尔化学奖的一部分颁给了一款名为AlphaFold的软件,它能以惊人的准确度预测蛋白质的折叠方式。蛋白质远比我们日常处理的晶体结构要复杂得多。但这个成果花了50年才实现。话虽如此,这仍只是一个概念验证。不管你是否相信半导体领域也能做到这一点,它终将会发生。
拉维夫:不同之处在于,蛋白质领域的一切数据都是公开的。
希尔迈斯特:没错。那么数据从何而来?西蒙·戴维德曼(Simon Davidmann,现为南安普顿大学教授)曾这样概括:"我们拥有三大巨头。他们掌握基础工具,并在此之上构建智能体技术栈。这就是为什么会出现所谓的芯片技术栈,或者超级技术栈之类的说法。"我们在新思科技也在做同样的事情,接下来就看谁拥有最出色的传统EDA能力。那些精通AI的人发现了EDA这个领域,但他们需要先学习EDA,而不是反过来,而且他们也无法获取所需的数据。真正拥有数据访问权限的是用户自身。三星曾谈到过如何针对片上网络优化服务质量。他们拥有一个快速的经典引擎、一个SoC仿真器、一个仿真加速器,并自行构建了大语言模型,把所有数据输入其中。那是他们公司自己的数据,不会流向任何其他人。这正是他们选择自主研发的原因。Cognichip也表示,你需要用真实的芯片设计数据和真实的人员经验来训练大语言模型,这也正是他们聘请芯片设计师并亲自设计芯片的原因。
问:他们也是把这些专业知识用于训练大语言模型,而不是直接用于智能体,对吗?
希尔迈斯特:没错。而这正是你需要把握好的平衡所在。
