人工智能正渗透整个半导体生态系统，迫使 AI 芯片、芯片设计工具以及确保芯片可靠运行的方法论发生根本性变革。
这是一场全球性竞赛，未来十年将重新定义几乎所有领域。在过去几个月的演讲和采访中，EDA 行业高管们一致认为，以下三大趋势将成为可预见未来的焦点：
人工智能本身正从严格受控的机器学习向 AI 助手、生成式 AI 和智能体 AI（agentic AI）拓展。
这一转变需要处理海量数据以构建大型语言模型和算法。而由于芯片缩放受限，正推动行业向多裸片封装转型，其中最佳选择是三维集成电路（3D-IC）。
芯片和系统需要在整个生命周期内进行监控以确保可靠性。AI 容易出现 “幻觉”（输出错误信息），而由芯粒组成的复杂系统可能会随时间发生意外退化，导致静默数据损坏、软件更新引发的不兼容，以及因工作负载变化导致的加速老化。
人工智能
AI 在 EDA 中的应用场景已从简单的模式识别显著演进到辅助设计和广泛的知识共享，既能帮助初级工程师快速上手，也能让资深工程师拓展新领域并提升工作效率。
“我们对其的描述是，存在‘协同助手’‘辅助型’和‘创造型’三种模式，” 新思科技（Synopsys）总裁兼首席执行官Sassine Ghazi表示，“‘辅助型’指工作流助手、知识助手、调试助手，它们能帮助初级工程师更快成长，也能让资深工程师以更现代化、更高效的方式使用我们的产品。而‘创造型’则体现在多个场景中 —— 我们已有早期客户参与寄存器传输级（RTL）生成、测试平台生成、测试断言生成等工作，此时协同助手可协助完成部分 RTL 设计、测试平台文档和测试断言的创建。”
Ghazi表示，借助创造型工具，多项任务的耗时可从数天缩短至数分钟。但所有这些都需要严格管控。“我们不能让模型出现‘幻觉’，” 他说，“我们在与客户合作时非常谨慎，确保所提供工具的成熟度达到客户要求，不会给他们的工作流带来任何风险。随着 AI 不断演进，工作流也将随之改变。投资者经常问我，利用 AI 会在何时改变 EDA 市场格局。我认为，除非工作流发生变革 —— 也就是说，能够以截然不同的方式更快、更有效、更高效地推进产品路线图 —— 否则这种改变不会发生。在智能体 AI 时代，智能体工程师将与人类工程师协作，化解复杂性并重塑工作流。”
若 AI 能兑现其承诺，这种变革的影响怎么强调都不为过。但由于一切演进过快，目前仍存在诸多尚无明确答案的问题。时间将证明 AI 擅长什么、需要密切监控什么，以及风险在哪里。自 20 世纪 50 年代末以来，对 AI 变革能力的预测往往过于乐观。但在过去几年中，从 ChatGPT 推出开始，AI 似乎终于开始兑现承诺。智能体 AI 则是下一个重要目标。
“智能体 AI 是一个有趣的概念 —— 前提是我们有足够的信心赋予 AI 一定的自主性，让其能够主动自主地做出决策，” 西门子数字工业软件（Siemens Digital Industries Software）首席执行官迈克・埃洛（Mike Ellow）表示，“在设计领域，当我们谈论agent AI与agentic AI时，定义会因对话对象和术语拆分方式而有所不同。在我们看来，对于agent AI，我们定义一项任务及一系列边界条件，然后让 AI 在该范围内运作以找到解决方案。而对于agentic AI，本质上是告诉 AI这是问题，你要思考最佳执行方式，提出解决方案，并朝着 EDA 领域的预期结果推进’。这就是我们对 AI 融入工具的演进路径的理解。”
AI 的采用速度前所未有。在芯片设计领域，几乎找不到 AI 未涉足的领域，无论是直接还是间接发挥作用。
“这对我们行业而言是一场深刻变革，” 是德科技 EDA 软件（Keysight EDA Software）副总裁兼总经理Niels Faché表示，“从仿真领域到物理领域，每个环节都会产生数据并蕴藏待挖掘的洞察，而人工智能在这方面能提供极大帮助。从仿真角度看，AI 可助力建模、加速仿真、为产品注入更多专业知识以支持设计团队，还能协助设计师生成设计方案。其影响力强大且具有变革性。几年前，一位客户告诉我：‘我有一个设计团队，但他们花太多时间操作你们的产品进行仿真。我希望他们专注于设计，而不是成为仿真操作员。’产品设计团队不想学习仿真器的工作原理，也不想花大量时间设置仿真参数，他们只想专注于需求以及如何根据需求进行设计。这正是 AI 的力量 —— 它能真正帮助客户从‘如何做’转向‘想做什么’。AI 可协助完成印刷电路板布线或设计新拓扑结构。”
楷登电子（Cadence Design Systems）总裁兼首席执行官Anirudh Devgan将 AI 比作 EDA 三层蛋糕中的一层。“要让应用取得成功，这三层缺一不可，” 他说，“第一层是 AI 智能体和编排；第二层是核心仿真 —— 有时人们会忽视其重要性，它涉及真实的晶体管行为、分子行为、流体动力学和热学特性，这是无可替代的；第三层是运行仿真所需的计算能力。”
从计算角度看，AI 的演进性多于革命性。“AI 刚出现时是密集型计算，” 德夫甘表示，“但物理世界并非密集型，AI 也并非如此 —— 所有神经网络都不是密集型的。因此，由于设计复杂性和需求的推动，我们在所有这些算法中不断创新，进而涉及延迟、分区和层级问题。这一点既体现在抽象层的顶层，也体现在纯算法的底层。这些算法一半是布尔型的 —— 如逻辑仿真、形式验证中的 0/1 运算 —— 另一半则是数值型的，如电路仿真、表征和热学分析。布尔计算和数值计算都需要加速…… 但如今，借助 AI，我们能在软件层面实现下一阶段创新，无论是自然语言处理还是优化领域。AI 在优化方面表现出色，因此我们多年来一直在这方面投入。我们拥有五大 AI 平台 —— 数字、验证、定制、封装和系统分析，其成果令人瞩目……AI 能彻底改变芯片设计，这也是我们在这五大平台上大力投入的原因。”
EDA 供应商对 AI 的利用方式因起点不同而有所差异。但大语言模型（LLMs）的优势之一是能够跨不同数据类型运作，从根本上提升整个流程的抽象层级。因此，起点的重要性可能不如乍看之下那么高。关键在于他们如何获取和利用数据，以及如何将其延伸到设计阶段之外 —— 这在很大程度上取决于未来数据共享与保护的方式，以及企业发现的机遇所在。
正如西门子的 Ellow所解释的：“我们从生成式 AI 领域起步作为基础，因为在这一层面，我们有大量经过验证的数据源，再结合客户数据，共同构成数据湖，用于训练大语言模型。我们能够使用多种大语言模型，客户也可使用自己的模型。然后将其接入基础设施，并在其上运行我们所有的工具。”
鉴于全新机遇的广度，选择合适的机遇并非易事。这就是为什么初始起点必须具有相关性。“成为一名射频工程师需要多长时间？这是一门艺术，” 是德科技的Faché说，“不是六个月就能掌握的，往往需要数年时间。但借助 AI，我们能让信息更易于获取，大幅缩小资深射频设计师与新手工程师之间的生产力差距。聊天机器人就是一个例子，它能在恰当的时机以更好的形式为客户提供信息。”
三维集成电路（3D-IC）
AI 需要大量数据，尤其是在模型训练阶段。问题在于，受掩模版限制，平面芯片无法快速高效地处理所有这些数据，因此许多数据中心采用某种多裸片封装 —— 扇出型封装或 2.5D 封装 —— 以相比平面系统级芯片（SoC）提升性能并降低功耗。（扇出或 2.5D）来提高性能并降低功耗与平面 SoC 相比。
图 1：3D-IC 概念模型。来源：英特尔代工 / 半导体工程
但这些大多是增量改进。要实现性能和功耗的数量级提升，需要真正的 3D-IC、混合键合和芯粒阵列。
“借助 2.5D 技术，硅片的结构设计更具灵活性，能更好地适配运行的软件，” Ellow表示，“而到了全 3D-IC 阶段，我们能在不同裸片上更离散地进行分区，并针对不同功能优化工艺，这为更好地适配软件工作负载提供了更有趣的可能性。其目的是优化性能，但目前仍带有一定的理想色彩。”
两大关键挑战在于如何管理散热，以及如何确保不同层能够正确键合，使密集排列的互连完美对齐。更复杂的是，3D-IC 中的部分芯粒可能采用最先进的工艺开发，而其他芯粒可能采用成熟工艺。
“客户已在谈论将数万亿个晶体管集成到一个封装中，同时他们的进度表正从 18 个月流片缩短至 16 个月、12 个月甚至更短，以交付用于这些智能系统的定制硅片，” 加齐说，“如何应对这一挑战？单裸片技术的复杂性 —— 我们谈论的是全环绕栅极（GAA）、埃级尺度的硅片设计 —— 然后将其集成到先进封装中。”
这是实现数百亿甚至数万亿晶体管规模的唯一途径，但集成过程将是一项工程壮举。“当复杂度达到这一水平时，只有通过提升互连效率才能实现性能或功耗目标，” 加齐表示，“而且裸片可能来自不同的工艺技术和代工厂。如何验证和确认架构以实现这种先进封装？”
这也为软 IP 和以芯粒形式存在的硬 IP 带来了新机遇。“随着 3D-IC 和 AI 的发展，新机遇不断涌现，因此我们正在加大 IP 投资，” 德夫甘说，“我们提供的 IP 数量和覆盖的工艺节点显著增加。如今，IP 团队是楷登电子最大的研发团队之一，我们将继续投资不仅包括物理 IP 和接口 IP，还包括广泛用作嵌入式处理器的 Tensilica。”
数字孪生
EDA 供应商深知 AI 系统的风险和 3D-IC 架构中的未知因素。
“需要将设计与测试相连，在从设计到测试的验证过程中构建数字威胁模型，” Faché 说，“有管理质量和可靠性的工具，当然，对数据管理和分析的需求也在不断增长。所有这些工具都必须到位，客户需要从自研工具转向商业工具。但这些工具相互依赖，因此需要一种‘中心 - 辐射’模型，让不同工具能对数据进行处理。数据会随时间演进，工具可能消耗数据，也可能生成数据。IP 在产品生命周期中不断开发，因此若要实现真正的数字化转型，我们需要为客户提供一个支持这一过程的基础设施。数据管理流程至关重要。”
这一概念仍在演进，术语也在不断发展。一些供应商称之为“数字孪生”，另一些则称之为 “虚拟孪生”，但其核心概念是对系统进行实时监控，确保其按预期运行，根据工作负载进行优化，并在问题恶化前采取修复措施。
“对精确数字孪生的需求巨大，尤其是在物理领域以及驱动物理领域的相应硅片方面，” Devgan表示，“这也是我们投资数据中心数字孪生的原因 —— 用于模拟整个数据中心。这是一款非传统产品，但已变得极为重要 —— 应用计算流体动力学（CFD）、仿真和 AI 来优化数据中心。我们甚至在自己的数据中心应用了这项技术，实现了 10% 的功耗提升，这是巨大的进步，因为数据中心设计中应用的科学方法并不多。芯片、机架和所有网络的设计都运用了大量科学知识，但数据中心如何布局？采用多少池化？冷却过度还是不足？是否定期维护？这些方面运用的科学方法远不如芯片设计多。因此，一旦拥有数据中心的数字孪生，就能实现更多优化。”
这一概念已得到广泛理解，但尽管取得了一些早期成功，离散数字孪生仍在开发中。“数字孪生尚未成为一个可 盈利的系统，” Ellow说，“它是一系列组件的集合，包含软件、半导体、封装和电路板等电子元件，还涉及电气效应 —— 例如我们收购的 Mentor 业务中的线束和网络连接；包含机械部分，以及更广泛的多物理场相关产品组合；还包含产品生命周期管理，因为所有这些都必须基于物料清单构建。一家公司若能整合所有这些独立领域，就能获得一些洞见。但将整个产品组合纳入制造流程仿真等环节时，仍存在差距。如何为最终产品的实际生产搭建这一切，实现所有系统的集成？这需要深入剖析。”
相关进展正在推进，但还不是一键式、一刀切的解决方案。“整个行业已讨论这一概念许久，但鉴于系统级实时仿真、分析和优化的复杂性，这一概念至关重要，” 加齐说，他指出数据中心和汽车是这项技术的关键市场，“随着我们更深入地涉足汽车和自动驾驶的复杂性，数字孪生需要同时建模电子设备和周围环境。以汽车为例，我们必须与生态系统合作伙伴协作，他们拥有芯片虚拟化和电子系统所需的其他组件。”
举个例子：新思科技与汽车仿真技术公司 IPG 的合作。“我们能够虚拟化并建模控制系统以及区域控制器和计算电子控制单元（ECU），实现它们之间的通信，” Ghazi说，“我们提供电子虚拟化，IPG 则提供周围的物理世界模型。在软件开发过程中，测试团队可以观察硅片在特定工作负载环境中的行为。这不仅适用于汽车，无人机、数据中心等都能从这种虚拟化中受益。若聚焦硅片层面，3D-IC 或先进封装是复杂的系统，不仅需要考虑电子设计 —— 尽管电子设计在这种情况下是可知的 —— 但当开始将芯粒堆叠到这种先进封装中时，会面临一系列其他挑战，如热学、机械、流体和结构方面的问题。”
结论
AI 革命已经开始。与所有新技术一样，解决不一致性和发现问题需要整个科技生态系统付出多年努力。
“存在诸多挑战，” Faché 说，“首先，无论是设计师、设计团队成员还是工具提供商，都必须掌握 AI 知识。学习 AI 是一个全新的领域，这意味着我们需要真正理解工程生命周期的变化 —— 这是对工程生命周期的根本性重构。他们需要了解 AI 世界中模型是如何开发的，机器学习的操作工作流是什么样的。构建模型需要成本，需要具备相应的资源、流程和数据管理架构，最终还需要确保这些工具能够正常工作。这是一场全行业拥抱 AI 的竞赛。”
*原文来源：SEMICONDUCTOR ENGINEERING
*原文标题：EDA’s Top Execs Map Out An AI-Driven Future
芯启未来，智创生态
