AI将如何影响EDA？

智能体解决方案不仅仅是对现有工具的简单封装。它们会将工具转变为一系列可调用的引擎，由人工智能部署，工程师管理。这将影响工具本身，创造新的工作流程，并转变工程师的角色。

如今，无论讨论的是探索性数据分析（EDA）工具、方法论还是团队成员，任何关于人工智能影响的讨论都离不开它。对所有这些讨论而言，最终目标都是找到人工智能的部署方法，并确保所有参与者都不会落后。这场人工智能部署竞赛既带来了机遇，也带来了不确定性。

有些说法或许在今天看来并不完全现实，但它们却足以摧毁整个EDA行业。“关于人工智能，人们经常谈论它能根据规范自动生成测试计划，或者根据规范自动生成代码，”西门子EDA高级副总裁兼总经理Abhi Kolpekwar说道。“他们声称，人工智能非常适合解决将规范转换为实际产品这一难题。”

如今，这种方法被应用于任何实际半导体器件的可能性微乎其微。风险很高，失败的代价也很大，这意味着每个人都会在某种程度上继续依赖现有方法。“也许一方面有一个子代理负责规格分析和设计分解，另一方面，比如说，还有一个子代理负责制定测试计划，” Synopsys的技术人员 Ramesh Narayanaswamy 说道。用户想要审核，但他们可能会要求使用另一个模型，并让该模型对第一个模型进行评价。当接近规范时，至少目前来说，人需要参与其中，因为规范不容易进行交叉核对。如果你误解了某个段落，那就是误解了。但你可以在验证环节使用一些交叉检查，以保持这种独立性。你希望同样的错误不会出现在两条工作流程中，即使是人工解读，这种情况也难以避免。那些由沟通不畅造成的细微错误非常棘手且难以发现，但你可以通过使用模型作为审核员来最大限度地减少这些错误，从而有效地让人工审核人员有更多的时间精力。

但这并不意味着他们不能考虑如何优化设计或流程。“我的管理层告诉我，我需要运用人工智能来解决我的问题，”是德科技EDA高级总监Alexander Petr在与客户交流时经常听到这样的说法。“我总是说，这种思路是错误的。你应该首先问自己：‘我试图解决什么问题？’然后，寻找能够帮助你克服这个问题的AI技术。人工智能是自动化发展的下一个阶段。我们一直在整合各种工具。每家公司都有一个CAD赋能团队，他们通过整合工具来构建工作流程。他们编写粘合代码，以提高效率和效果。现在的问题是：‘如何将这个问题转化为优化问题？优化循环应该放在哪里？我们需要在哪些环节进行人工干预？我们需要在哪些环节进行人工审核？我们希望机器完成哪些工作？’一旦你能够描述你的流程以及你想要构建的循环，我们就可以讨论挑战以及人工智能可以在哪些方面提供帮助。”

为了最大限度地发挥人工智能的优势，可能还需要进行其他一些变革。“最明确的教训之一是，智能体验证在结构化且可追溯的工程环境中效果最佳，” Arteris产品管理和市场营销副总裁 Andy Nightingale 表示。“当规范、覆盖目标、架构意图和验证数据能够被机器理解并紧密关联时，人工智能系统的性能会显著提升。”

规范往往不够完善，而且会在开发过程中不断修改。“如果你把规范交给工具或聊天机器人，我不在乎这个聊天机器人有多厉害。如果规范本身有问题，那就麻烦了。”Cadence 产品营销总监 Paul Graykowski 说。 “真正关键的是心智模型，而这正是工程师发挥作用的地方，当工具指出‘这是一个问题’时，工程师可以与工具协作并解释问题，然后工具会给出答案。或者，作为工程师，你可以查看问题并向我解释它的工作原理。”

传统上，半导体行业的变革速度较为缓慢。“未来充满变数，随着行业变革的推进，我们内部也在集思广益，探讨如何改变EDA的未来，”Cadence的杰出工程师Hamid Shojaei表示，“但我认为变革不会很快发生。人们不会轻易相信那些显示100%覆盖率且所有测试均通过的仪表盘。在进行流片之前，他们需要一定的信任度。改变人们的思维方式需要时间。但人们需要保持灵活，未来很多事情都可能发生改变。”

“有些人声称他们不再需要工具了。‘我的代理会告诉我这个设计是否准确，’”西门子的科尔佩克瓦尔说道。“行业EDA工具已经存在很长时间了。它们计算量巨大，经过了认证，也经过了反复试验。如果有人说我要用概率模型来问我的LLM（逻辑逻辑模型）这个设计是否正确，我很难相信。难道有人会只用LLM就完成芯片流片吗？”

尽管仿真等核心工具在可预见的未来可能仍会存在，但它们会不断演进，以更好地适应智能体流程。“验证产品将日益发展成为情境化、工作流感知的平台，以机器可读的形式呈现意图、元数据、可追溯性和调试知识，”Arteris 公司的 Nightingale 表示。“未来的工具需要将需求、实现、验证证据和系统行为贯穿整个生命周期。智能体验证的真正价值不在于自主的设计验收，而在于强化强大的工程方法论，并提高应对日益复杂的系统验证问题的能力。”

如今的工具力求完成完整的操作，而所需的粒度级别可能会发生变化。“流程需要能够将合适的计算引擎整合在一起，以满足客户的需求，”Kolpekwar说道。“假设您正在创建一个设计，并且有很多需要考虑的问题，例如功能验证、安全合规性和安全性合规性。您可能还需要尽早进行性能评估，因此您需要一个验证解决方案，该方案能够根据具体需求动态调用这些引擎，然后交换它们生成的数据，最终提供结果。我坚信，这些引擎最终会协同工作，相互协作，为您提供所需的一切。”

工具已经在发生变化。“我们正努力创建模型能够解读的更结构化的信息，”Synopsys公司的Narayanaswamy说道。“此外，我们还有机会将模型编排融入到工具的各个阶段。我们的许多工具都包含一系列启发式算法，我们会对优化过程进行编排。实际上，这种编排可以在‘自学习代理’中实现。只要有客观的衡量标准，这些代理就能学习。”

EDA行业依赖于工具销售，因此该行业的未来发展与工具的销量和价值直接相关。“如果EDA行业朝着开发代理的方向发展，代理就像半导体公司的虚拟工程师，”Cadence公司的Shojaei表示，“半导体公司与其支付员工工资，并不断增加员工人数来完成芯片设计工作，不如将资金支付给来自EDA行业的虚拟工程师。未来的商业模式将会改变，技术也会带来新的理念，但EDA行业无疑拥有巨大的发展机遇。”

这种方法有多种可能。“应用分析型人工智能的人群非常广泛，”Kolpekwar说道。“首先是那些资金雄厚的人。他们财力雄厚，组建了一支人工智能工程师或数据科学家团队，编写自己的框架和智能体。他们需要的只是引擎访问权限。这些用户非常专业，可以分为两类。第一类是：‘我们知道自己在做什么。只要给我们工具，我们就能搞定。’第二类是：‘我们尝试过这种方法，但效果不佳，我们认为EDA供应商可以编写更好的智能体。’还有第三类客户。他们已经制定了战略，希望EDA公司介入，创建框架，集成工具，并生成智能体。这可以是一个交钥匙工程。”

一直以来，获取训练人工智能所需的数据都是一大难题。“过去50年，半导体行业在知识产权保护方面取得了巨大成功，”是德科技的Petr说道，“没有人会为了推动某种数据流而轻易放弃自己的知识产权。这使得讨论变得更加复杂。如果你无法从互联网上获取知识，那就意味着你需要以某种方式将其注入系统。而拥有这些知识的人正是需要注入系统的人，这就构成了一个分布式问题。EDA供应商掌握着一些知识，代工厂掌握着一些知识，设计公司也掌握着一些知识。”

这意味着伙伴关系与合作。“对于EDA供应商来说，认识到他们是合作伙伴而非流程的所有者至关重要，”Kolpekwar说道。“伙伴关系意味着提供情境智能，以便我们能够与最终用户一起更好地管理变更。这是一个需要不断发展和完善的领域，需要一些时间才能成熟。但我坚信，我们有能力创建情境和情境智能，它不仅能够理解变更，还能在给定的流程情境中，结合历史和未来可能的情况，做出更明智的决策。”

根据早期迹象，工程师的角色可能会逐渐从执行者转变为监督者和审查者。“在软件领域，每10个开发人员就会配备1个项目经理，”Narayanaswamy说道。“如今，工程师需要更多地思考产品，组织和构建产品架构，而构建的具体细节，以及相关的安全措施，则可以由代理人完成。他们需要提升自身能力，成为架构师和产品经理的结合体。这就是未来的发展方向。我估计在EDA领域，这种转变的速度会稍慢一些，因为芯片设计对稳健性的要求更高，风险规避也更加合理。这会减缓转变的速度，但最终的发展趋势是存在的。”

很明显，他们的角色将会发生改变。“验证团队的工作重心可能会从手动处理数据转向管理意图、策略和风险，”Nightingale说道。“工程师们可能会减少关联日志和调试重复故障的时间，而将更多精力投入到定义有意义的场景、验证人工智能生成的结果以及理解系统级行为上。最有价值的工程师将越来越多地成为那些理解需要验证的内容及其原因的人，而不仅仅是生成验证内容的人。”

其他人也同意这种观点。ChipAgents首席执行官William Wang 表示：“验证团队将向更高层次的协调角色发展，验证工具本身也将变成代理平台，协调整个设计和验证堆栈，而不是作为孤立的点解决方案。”

随着时间的推移，这可能会改变他们的工作职能。“如果我们成功地将智能体验证实施到合理的水平，那么我们所有的验证工程师都将开始转型为验证科学家，”Kolpeckwar说道。“他们的大量时间将用于分析发生的情况，提供更高层次的工程判断，进行一些实验，验证一些假设，然后制定策略，最终确保我们能够顺利完成流片。”

人们总是更容易想到积极的结果，但其他副作用也可能出现。“与以往验证技术的进步不同，人工智能并非现有技术的线性延伸，”AMIQ咨询公司的合伙人斯特凡·伯曼表示，“它包含许多变量和未知未知因素，我们都需要学习很多东西。例如，他们发现需要人工检查和验证所有人工智能生成的输出。这通常不如自己动手做来得有趣，因此工程师们担心他们的工作会变得缺乏创造性，甚至有一天会消失。”

团队成员之间的职责可能会有所转移。“过去，我们鼓励设计人员在将设计稿交给设计验证团队之前进行更多验证工作，”Shojaei说道。“但效果并不理想。不过，单元测试代理可以帮助设计人员完成这些验证工作。他们不再需要了解如何编写断言，代理可以代劳。他们也不需要知道如何运行形式化测试、编写Tcl文件或构建运行工具所需的文件。人工智能非常适合生成EDA设置文件。几分钟之内，他们就能得到一个非常完善的形式化或SystemVerilog测试平台，以及一个可以运行该平台的代理。代理甚至可以帮助他们进行调试并找出问题的根本原因。他们不需要达到100%的覆盖率，只需要找到容易修复的bug，这样验证团队就不必在这些bug上花费太多时间。”

目前尚不清楚智能体是否掌握了所需的所有知识。“你必须构建能够观察工程师工作并从中学习的解决方案，”Petr说道。“工程师们从未将他们的知识记录下来。为了培养一名年轻工程师，通常会安排他与一位资深工程师结对。这个概念同样适用于人工智能。这是一种监督学习方法，可以构建到工作流程中。你也可以尝试无监督学习，这本质上就是强化学习，但挑战在于你需要定义目标，以便系统能够启动并尝试通过全自动优化循环来实现目标。这里的难点在于：‘谁能够完美地描述目标，从而避免系统产生一些毫无意义的结果？’”

格雷科夫斯基说：“无论工程师的级别如何，有一个关键信息：‘工程师必须能够适应，利用人工智能来提高效率，这样他们才不会被人工智能取代。’”

*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