人工智能正在改变IP供应商

人工智能正逐渐成为知识产权开发商日常工作的一部分，他们负责构建、验证、打包、支持和销售可重用的设计模块。人工智能也在改变知识产权的功能、创建、验证和管理方式，以及其查找、许可、重用和长期支持的方式。

人工智能正在帮助团队编写和审查RTL代码、生成测试用例和文档、更快地调试问题、组织元数据，并使其他工程师更容易找到和使用IP。然而，它并不能取代基于深厚工程经验的专家判断。开发人员仍然需要理解设计意图、审查人工智能生成的代码、完善验证流程，并确保IP具有足够的可靠性以应用于实际芯片。

最大的变化在于，知识产权开发正从完全人工操作转向在技术和商业知识产权生命周期的各个阶段，利用人工智能辅助流程进行指导、验证和改进。可定制知识产权的爆炸式增长便是这一转变的明显体现。

西门子EDA人工智能与Solido产品负责人Sathishkumar Balasubramanian表示：“主要原因是，过去IP开发耗时最长的环节是从规范到RTL的生成、调整和验证。而现在，随着人工智能（尤其是智能体人工智能）的不断创新，大部分创新都集中在RTL代码生成以及如何加快调试和验证速度上。因此，我们看到更多类型的IP涌现，这确实有助于IP供应商在不牺牲资源或时间的情况下，针对不同的应用场景定制IP。”

过去，工程师们为了走捷径，会在代码顶部添加一个软件层。但有了人工智能，他们可以更快地生成更好的RTL代码，然后在前端进行验证。

“目前的趋势是能够以更少的资源和计算能力提供不同类型的IP，”Balasubramanian说道。“IP的配置更加复杂，人工智能让开发者能够轻松调整IP之间的相互匹配以及应用场景。这是前端方面。人工智能在后端也发挥着重要作用。我们现在看到芯片组（chiplet）的数量大幅增加，而过去我们一直担心无法混合搭配不同的工艺节点。人工智能的出现解决了这个问题，因为在开发芯片组并进行布局规划时，后端要复杂得多。如何实现盈利？如何为集成电路设计凸点阵列？人工智能可以帮助开发者找到更好的配置方案、开发更好的后端设计，并创建更好的实现方案，直至封装级别。你可以把它想象成一个加速器，帮助你更快、更好地完成工作。这意味着你可以开发更多的IP。此外，你还可以基于芯片组将相同的IP封装到不同的封装中，从而将其销售给更多的客户。”

知识产权种类的不断扩展也带来了其他问题——如何确保每个版本都保持最新、易于发现且随时可以重用。人工智能正是在这里开始发挥作用，它不仅可以加速设计，还可以作为知识产权的生命周期管理层。

人工智能是知识产权在其整个生命周期中进行管理、打包和发现的推动因素，而不是简单地附加到现有流程上的工具。

IC Manage首席执行官Dean Drako指着人工智能驱动的IP封装说：“我们添加了很多人工智能，但现在我们专门为这个IP生命周期管理组件添加了人工智能。它可以自动更新IP封装以及所有相关信息，方便工程师使用。”

在人工智能出现之前，这是一个繁琐且容易出错的手动过程。“这完全关乎系统的生命周期管理部分，因为目标是确保知识产权在不同项目和团队之间流转时始终处于可生产状态，”德拉科说道。“借助人工智能驱动的知识产权发现，它可以找到你想要的知识产权，并确保它具备所需的一切。”

综上所述，这些能力使人工智能成为当今芯片设计中持续维护知识产权健康、重用和可发现性的基础设施层。

AI在 IP领域 最早的应用案例之一就是验证。虽然这看似有悖常理，但验证 IP 比以往任何时候都更加深入地融入到验证流程中。Synopsys 产品管理总监 Varun Agrawal将 AI 描述为与 VIP 并行运行的“第二供应商”，就像一个虚拟验证合作伙伴。他表示：“智能 AI 可以作为第二个并行供应商，与你合作的主要供应商一起增强你的验证能力。”

如今最显著的影响体现在团队如何将规范转化为有意义的测试用例上。面对一份内容详尽的协议规范，人工智能可以帮助解读文档，并自动生成与规范紧密相关的测试场景和有效载荷。“我首先看到的是规范的相关性，”Agrawal说道，“如果我有了这份规范，如果我要编写一些测试场景，或许我可以自动生成一个测试场景。它的合规性如何？在有效载荷生成方面，智能体人工智能在验证方面发挥了重要作用。如何才能快速获得与我要验证的内容相关的有效载荷？”

其他关键问题是，您是否能够生成测试，以及您能够多快地达到对协议行为的足够深度和覆盖范围。

随着芯片尺寸越来越大、结构越来越复杂，如何搭建验证环境成为另一个关键痛点。成千上万个模块、多个虚拟接口 (VIP) 以及复杂的互连，使得芯片组装成为一项艰巨的工程任务。Agrawal 认为人工智能可以在此发挥协调作用。“我认为人工智能能够发挥巨大作用的第二个方面是芯片组装。我的芯片现在有 1000 个组件。我该如何搭建一个能够满足如此庞大需求的验证基础设施？人工智能的作用就在于协调验证基础设施。”

调试和覆盖率提升是人工智能的另一大主要应用领域。现代验证方法会产生海量的日志、跟踪信息和覆盖率数据。最终，人工智能可以借助多个协同工作的智能体，帮助用户更快地进行调试、根本原因分析，并确定下一步工作的优先级。“人工智能的优势在于调试，”Agrawal说道，“它能够帮助用户实现覆盖率目标、进行根本原因分析，并加快调试速度。”

因此，VIP、测试平台和基础设施不会消失，但人工智能可以帮助知识产权开发团队从他们已有的资源中获得更多价值。

Synopsys 将这些理念应用于其内部 VIP 开发流程，用于读取规范、制定测试计划并生成大量代码。不过，这些输出结果仍需由资深领域专家进行审核和完善。

“我们把人工智能视为与我们并行的供应商，人工智能会查看规范，提出自己的观点，并制定测试计划，”阿格拉瓦尔说。“然后，我们还有拥有20多年行业经验的专家。他们会审核并完善这些计划。接下来，我们进入代码生成环节。部分代码由人工智能生成。专家们会再次进行验证，确保设定正确的里程碑和关键绩效指标，从而保证更高的质量水平。”

边缘计算的快速部署更是加剧了这一挑战。在某些垂直市场，人工智能的发展速度如此之快，以至于即使是构建底层知识产权的人员也难以跟上。在这些领域，人工智能正在积极地重塑知识产权在其整个生命周期内的设计、工具开发和维护方式。

传统上，厂商销售可综合IP时主要依据性能、功耗和面积规格。这些规格固然重要，但在人工智能驱动的世界里，它们已远远不够。关键不仅仅在于原始计算能力，更在于新模型能在量产芯片上快速高效地运行。

Quadric 首席营销官Steve Roddy表示：“对客户而言，新车型的上线效率和速度至关重要。人们迫切希望尽快获得最新、最好的车型，并将其部署到平台上。当车型发生变化时（而且你知道它们肯定会变化），新车型能以多快的速度部署到目标平台？作为OEM厂商，我可以自己完成吗？还是需要找其他人来移植？”

以芯片组形式存在的强化型IP带来了其他挑战，尤其是在2.5D封装中，芯片组用于提升性能并提供更大的设计灵活性。在这些器件中，信号需要传输的距离比在单个SoC上更长，因此设计重点更多地放在功耗和性能而非面积上。

SignatureIP首席执行官Purna Mohanty表示：“芯片组的可扩展性不仅体现在芯片间，还体现在芯片间以及机架间的。我们需要确保我们的基础IP在带宽、延迟和功耗方面都针对规模化进行了优化，而不仅仅是考虑设备数量。它们需要从底层进行微架构设计，并在功耗、性能和面积之间取得平衡。”

芯片组的微架构可能非常复杂。这些芯片组之间的交互需要精心协调。“这是一个三维问题，”Mohanty说道。“基础设计是RTL代码，微架构也是RTL代码。但你还需要控制RTL代码，并且需要一个工具来控制它的配置。因此，由于RTL代码中包含了所有功能，这些工具变得非常复杂。”

人工智能能够显著加快这一进程。随着模型的不断发展和变化，边缘IP正被卷入一个良性循环：更高的效率能够支持更苛刻的人工智能工作负载，而这反过来又会推动下一代IP的出现。

“随着这些应用的出现，它们对计算能力的要求也越来越高，” Cadence公司Tensilica DSP部门总监Amol Borkar表示，“但计算能力也意味着功耗。这就形成了一个恶性循环。我们不断改进处理器以提高效率，但这种效率的提升也催生了对新应用更高的要求。为此，我们不得不开发新的处理器，如此循环往复。”

持续迭代会将IP模块的痛点扩散到其周围的整个开发环境。由于AI模型的更新速度远超芯片，编译器和工具链对于保持IP的可用性、灵活性和竞争力变得日益重要。

Cadence公司NPU加速器和SDK产品营销总监Jason Lawley表示：“客户最重要的模型往往是他们不愿分享的。从客户的角度来看，有两个重要的模型。第二个最重要的模型是他们可以提供给我们的模型。但对他们来说，第一个也是最重要的模型是他们无法分享的。这是他们的独门秘方。”

编译器正是在这里发挥作用。“对于软件和编译器来说，能够将我们无法看到、也无法访问的网络进行编译和降级，使其在任何运行的硬件上都能以最佳方式工作，这一点至关重要，”劳利说道。“随着这些模型的演进，编译器必须跟上网络和运营商的步伐。这极具挑战性，极其重要，而且成本极高。”

这也很关键，时间紧迫。Quadric公司的Roddy指出，IP供应商不能成为模型更新的瓶颈。“没有哪个下游OEM厂商愿意依赖整机制造商、芯片制造商，或者更糟糕的是，依赖三层IP授权商来移植新模型。工具必须万无一失。汽车公司及其数据科学家必须能够高效地部署他们新更新的算法。它必须能够轻松高速运行，而无需签署12层保密协议。”

博尔卡尔强调了这种模型更迭的频繁程度。“模型变化非常快——每天、每小时，甚至每分钟都在变化，”他说。“如果你关注Hugging Face的更新，你可能每隔几个小时就会收到邮件，告知你SLM、VLM或多模态模型的新版本。”

对IP团队的后续影响是巨大的。“这些模型每天都在涌现。一种新型的运算符层正在出现，”Borkar说道。“要让整个编译器流程能够映射到你的硬件上，说起来容易做起来难。你们是否有一些应对措施，比如对这些运算符或层进行一些模拟，使其能够运行？”

这种变革带来的一个后果是，没有单一的固定引擎能够处理所有事情。大多数专家主张采用更加异构和可编程的SoC子系统，而单一的通用模块已无法满足需求。“回顾几年前，市面上出现了DSP、NPU、GPU和GPGPU，”Borkar说道，“但似乎没有一种万能的解决方案。我们有NPU，也有DSP。我们面临的挑战是，设计中的并非所有功能都能独立运行。通常需要某种异构子系统——例如，一个包含NPU和CPU的AI协处理器——来提供足够的灵活性，以便更好地利用网络。”

除此之外，数值格式本身也在不断变化。西门子的巴拉苏布拉马尼安描述了他从模型角度观察到的情况：“在智能体人工智能领域，许多人都在尝试调整浮点精度，以在保证准确性的同时，利用有限的内存处理更多的数据。目前有很多实验正在进行。工作负载正在增加，需要进行更多的协调，也存在更多未知因素。那么，如果IP开发者在模型更新中更改了浮点精度，IP是否足够灵活来应对这种情况？或者他们是否需要更改一些非常基础的东西，甚至更换整个架构？”

这些组件的放置和使用位置决定了模型更新的频率。“模型变化的速度取决于NPU在流程中的位置，” Expedera首席科学家Sharad Chole表示，“它靠近传感器还是靠近应用程序？靠近传感器的NPU不一定经常更新，但随着数据中心或学术界应用程序的演进，整个软硬件堆栈都必须支持这种更新。我们认为真正的挑战并非支持新模型，而是如何在保证性能的前提下支持新模型。”

这些技术压力不仅限于架构、工具或验证层面。随着人工智能改变知识产权的构建、维护和部署方式，它也迫使供应商和客户重新思考知识产权的打包、许可和商业化方式。

人工智能也在重塑知识产权的包装和销售方式。

Rambus市场营销与合作高级总监Raj Uppala表示：“谈到IP授权的经济效益，首先要考虑的是客户需要向IP供应商支付授权费，而这笔费用实际上取决于他们的具体应用场景。例如，可以参考Netflix的模式，根据用户可同时观看的设备数量或账户可添加的好友数量，提供不同的会员等级。授权模式也类似，可以选择单次使用许可，用于在单芯片上使用该IP；也可以选择多次使用许可，用于不同的项目和芯片。此外，如果客户同时开展多个项目，并且对不同的IP有多种用途，他们还可以考虑订阅模式。”

与此同时，基于销量的专利许可结构和芯片组设计正在重塑传统的一次性使用模式。“从专利许可的角度来看，想象一下，如果客户的销量不高，”Uppala说道，“在这种情况下，他们可以选择按销量支付专利许可费。但反过来想，如果你的销量非常大，解决方案的销量达到数百万套，那么你可以选择预先支付一笔专利许可费，之后就无需再为专利许可费操心了。芯片组是一个新兴的讨论热点，它也带来了一些新的挑战。例如，如果一个一次性使用的IP被应用在芯片组模型中的单片集成电路上，那么你可以将同一芯片用于不同的模块或不同的SoC中。这就带来了一个问题，因为实际上它实现了多用途使用，随着芯片组的普及，这些问题需要得到解决。”

鉴于知识产权开发日益与工作负载、平台、子系统和长期合作关系紧密相连，而不仅仅是一次性的核心交付，这些都是重要的考量因素。但新的商业模式也带来了新的责任。随着知识产权的可重用性增强、人工智能辅助应用以及在产品和平台中的深度嵌入，所有权、控制权、安全性和治理等问题将越来越难以与知识产权本身分离。

将专有知识产权融入基础模型也引发了关于人工智能生成代码所有权的问题，这就需要签订合同并采取技术保障措施。“人们对私有代理感兴趣，主要是因为隐私和对自身数据的控制权，”Arm人工智能产品管理总监Ronan Naughton指出。“这意味着安全必须覆盖整个软件栈，而不仅仅是SoC。Arm从一开始就将安全作为其核心设计理念，随着数据在云端和边缘之间来回流动，保护这种交接过程至关重要。所有制造商、OEM厂商和合作伙伴都有责任保护用户数据和隐私，这样人工智能代理才能在不损害安全性的前提下改善人们的生活。”

这意味着IP提供商必须不断加强芯片的安全功能。“当我们谈到芯片的演进时，我们会在每一代芯片中都增加安全功能，使其更加安全。这绝对是我们芯片架构中不可或缺的一部分，”诺顿指出。

对于所有知识产权开发者而言，人工智能驱动的数据治理和安全要求如今已成为首要的设计约束。这些风险清楚地表明，人工智能不能被视为知识产权判断的完全替代方案。即使人工智能承担了越来越多的开发工作流程，经验丰富的工程师在解读结果、确保质量以及决定哪些内容已准备好投入生产芯片方面仍然不可或缺。

人工智能功能强大，但知识产权仍然依赖于人类专家。目前，人工智能大多可以替代一些平庸或重复性的工作，但无法取代深厚的知识产权或验证方面的专业知识。

西门子巴拉苏布拉马尼安表示： “我们把智能体人工智能称为‘人机协同’ 。我们在GenAI项目中发现，最大的瓶颈在于人机协同。我们自身也成为了瓶颈，因此我们替换了一些可以自动化的基础任务，使人类能够更多地扮演协调者的角色。但人类始终都在那里。”

尚未解答的问题是，究竟是哪些人会被取代。“我发现人工智能的很多作用在于取代平庸之辈，” Baya Systems首席商务官南丹·纳亚姆帕利指出，“他们根本不知道自己在做什么。但你不可能取代那些专家。”

因此，最现实的发展路径并非取代知识产权开发人员，而是改变他们与人工智能的协作方式。当人工智能加速日常分析和生成工作，而工程师则提供背景信息、判断和责任时，才能取得最大的成效。

Cadence公司的劳利表示：“人工智能将显著提升我们人类开发人员的工作效率和水平。这需要将这些信息与人类的创造力相结合，或许还要加上人工智能模型自身的一些创造力。但正是这种协作将带来巨大的改变。”

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

加星标⭐️第一时间看推送