作者：Juan Rey
西门子EDA Calibre产品线高级副总裁、总经理兼首席技术官
随着AI在半导体工作流程中的应用日益深入，信任正逐渐成为其被行业广泛采用的最后一道壁垒。在芯片从设计到签核的全流程中，最具价值的AI系统，未必是自主性最强的，而是最透明、最可管控、最可靠的。通过将确定性引擎与可解释AI相结合，业界可以加速签核流程、提升制造成效，并让工程团队在从设计到量产的每一个决策环节都更具信心。
纵观我的职业生涯，我亲历了半导体行业在重重挑战中不断演进的历程。从纳米级尺寸到EUV，每一次技术跨越都对设计与制造方式提出了全新要求。然而，AI所代表的，是某种本质上截然不同的变革——它不仅仅是又一个工艺节点的迭代或工具能力的提升，而是我们对芯片创造本身的思维方式的根本性转变。
最令我兴奋的，并非是为AI应用设计芯片，而是将AI的力量引入芯片设计与制造这一过程本身。就我所见，我对通过可信AI推动半导体领域实现更大创新的前景，深感乐观。
半导体行业今天面临一个核心问题——不是要不要采用AI，而是如何在不牺牲可靠性的前提下部署AI，确保芯片在实际应用中稳定运行。当设计团队面对数十亿条验证违规、以纳米为单位衡量的制造窗口时，自动化的压力不言而喻。然而，在这样一个行业里，任何一个未被检测到的缺陷都可能导致数百万美元的重新流片损失或量产失效——用确定性换取速度，是一项高风险的取舍。
答案在于：为芯片设计与制造提供
可信、稳健的AI解决方案——这些
方案能够带来切实的改进，而非单纯
为了自动化而自动化。行业需要的，
是工程师能够解读、审核并真正信任的AI。
黑箱自动化中的信任危机
使用AI加持的EDA软件，不能将其智能视为一个黑箱——输入设计数据、获取优化结果、盲目信任其算法。对于那些负责研发为智能手机乃至自动驾驶汽车等一切设备提供芯片的工程团队而言，这种不透明性带来的是难以承受的风险。
以典型的物理验证工作流为例。设计团队在复杂版图中，动辄面对数百万条违规问题。人工筛查根本不切实际，但盲目接受AI的结果同样是在埋下问题的隐患。当工程团队能够借助AI从验证结果数据中发现具有统计意义的信号时，才能真正从中获益。
正是在这里，可解释性成为一项业务刚需。CAD管理人员在评估AI驱动的验证工具时，应当追问：该系统能否在这些违规问题中，呈现出具有统计关联性的问题模式？能否提供置信度指标，以辅助调试的优先级排序？当工程师的领域知识指向不同方向时，能否推翻AI所归组的"信号"？
优秀的AI平台还必须提供清晰的数据管理机制与强有力的知识产权保护。设计师们需要对AI的应用方式与应用范围拥有完全的掌控权——不容有任何意外，不允许任何不透明的自动化操作。
确定性精准与智能自动化的融合
最有效的方案，是将经过验证的确定性EDA引擎的精准性，与现代AI的强大能力相结合。这一架构在保障晶圆厂与设计团队所需可靠性的同时，为能够带来可量化价值的环节精准注入智能。
物理与电气签核有赖于确定性引擎——这类引擎专为准确性、一致性与流程合规性而构建。在此基础上，AI可以经过深思熟虑地有机融入，在不牺牲确定性的前提下加速工作流（见图1）。据设计团队反映，调试时间已从数天缩短至数小时——这并非因为AI在自主决策，而是因为它能够在恰当的时机呈现恰当的信息。
独立部署的大语言模型或许能够在理论层面理解半导体概念，但它缺乏对特定设计、工艺节点或晶圆厂规则集的深入了解。而当AI嵌入到可信的验证解决方案中时，便能够获取团队积累的工程知识、设计上下文与确定性数据。这使其能够提供植根于芯片物理实际与组织累积经验的指导意见，让工程师得以通过自然语言对信号进行追问，从而加速根因分析。
▲ 图1：半导体设计中的可信AI，依托透明架构、受管理的数据与工程师在环控制三大支柱。
信任的建立，在于工程师能够保持对全局的掌控力与可见性——而智能自动化则在背后提供支撑，并能清晰解释其决策依据。当工具支持团队共享调试上下文、分配问题并就解决方案达成一致时，协作便自然变得更加顺畅。这不仅有助于保留组织积累的专业知识，更能确保团队在复杂度持续攀升的环境中始终保持高效前行。
AI应当赋能工程师，而非取代其专业洞察，亦不应使关键流程变得晦涩难懂。确定性引擎与可操作、可解释AI的有机结合，使签核环节得以同时兼顾速度与确定性。
制造业与透明度的必要性
在准备芯片生产阶段，挑战愈发严峻——良率优化直接影响量产经济效益。在此环节，AI不仅须具备高速处理能力，更须能够在问题出现时向晶圆厂合作伙伴作出合理解释，并具备可审查性。
机器学习算法可在光刻仿真领域实现10倍至100倍的运行效率提升，同时满足先进工艺节点对精度的严苛要求（见图2）。速度固然是其核心优势，但这些工具还须提供足够的透明度，使工程师能够据此作出判断并采取行动。
▲ 图2：AI可大幅提升光刻仿真效率，但量产部署仍取决于透明性、可审计性与结果可信度。
这意味着对AI工具的评估，须同时涵盖情境透明度与性能表现两个维度。该系统能否量化某一违规与特定信号之间的关联强度？工程师能否将这些规律追溯至物理版图与验证情境？正是这些能力，使AI得以从生产力工具跃升为管控制造风险、加速工艺爬坡的战略资产。
量产部署的管理框架
在从设计到制造的全流程中部署AI驱动的芯片设计软件，需要健全的数据管理机制、知识产权保护体系以及工程师在环式工作流。高效的AI平台通过专为半导体工作流设计的架构，系统性地应对上述挑战。
核心原则涵盖以下几个方面：数据主权原则要求客户对其企业数据及AI模型的使用时机保持完全掌控；设计层面的透明性原则要求AI系统为其推荐结果提供情境依据，使工程师能够审查相关决策，并在其专业经验表明需要采用其他方法时保留最终决策权。
对于汽车、航空航天、医疗器械等受监管行业的企业而言，这一管理架构是实现AI部署的根本前提，同时也是满足可追溯性与可审计性合规要求的制度保障。
可信AI的商业价值
透明、可管理的AI的战略价值，已超越单一工具性能的范畴，延伸至组织能力的整体提升。当工程团队能够信任AI所挖掘的规律时，他们便能更自信地做出快速决策。当AI系统在清晰的情境依据下运行时，它有助于沉淀机构知识，而非形成不透明的依赖关系。
当AI协助设计团队高效处理数十亿条违规项时，验证周期可从数周压缩至数天——但前提是团队对结果持有充分信任。能够将设计决策与制造结果相关联的透明AI，有助于团队在流片前识别限制良率的规律，从而减少高成本的掩模返工与生产延误。
上述收益将随时间推移持续累积。部署可信AI的企业，通过一次次成功的实践成果不断积累信心，进而推动AI在更大范围内的落地应用，实现更深远的价值影响。
未来路径
半导体行业正站在一个关键拐点之上。AI能力正在快速演进，然而真正的制约因素并非算法的复杂程度——工具本身的发展同样方兴未艾，而限制性因素则在于信任。芯片制造商需要对AI平台、数据安全以及输出结果建立充分的信任。
在近期，AI将作为专注型工具在高价值任务领域逐步走向成熟，涵盖功耗分析、热学预测与良率预测等核心应用场景。行业正朝着建立透明性与可审计性实质标准的方向迈进，客户也将对可追溯、可验证的输出结果提出明确要求。
展望更长远的未来，AI将演进为贯穿整个设计生命周期的预测引擎。这一愿景的实现，有赖于一个横跨全流程运行的互联智能层——在这一架构中，通用推理能力将由确定性验证引擎持续加以校验。
其商业影响深远而具体。设计团队将把项目周期从数月压缩至数周，减少流片返工次数，并在性能、功耗与成本之间作出数据驱动的均衡决策。制造商则将通过更早介入与晶圆厂产线上的持续学习机制，实现良率的持续提升。
对于半导体企业而言，战略命题已不再是是否采用AI，而是如何利用AI增强工程师的判断能力，而非取而代之。答案在于构建这样的系统——将确定性精度与可解释智能有机融合，并以保障掌控力与可见性的管理框架加以统领。未来，属于那些能够以充分信心驱动快速推进的团队。
半导体行业始终以精度与可靠性为根基。未来，属于那些能够以充分信心驱动快速推进的团队。而这有赖于构建以信任为基石的AI驱动芯片设计软件系统。
欢迎点击下方“阅读原文”访问官网，了解更多相关信息。
