生成式人工智慧已經顛覆了搜尋,正在改變計算領域,現在它又威脅要顛覆 EDA。儘管人們紛紛議論紛紛,紛紛宣稱未來將發生翻天覆地的變化,但目前仍不清楚它將對那些領域產生影響,以及變化的深度。
EDA 有兩個主要作用——自動化和最佳化。許多最佳化問題都是 NP 難題(NP hard),這意味著在多項式時間內不可能找到最優答案,尤其是在設計規模不斷擴大的情況下。隨著時間的推移,啟髮式方法已經發展起來,可以在合理的時間內獲得“足夠好”的結果。雖然可以想像人工智慧可以提供類似甚至更接近最優的結果,但它對設計的影響可能更多是進化而非顛覆。
顛覆性創新通常會導致市場發生變化。假設一個問題:“如果 EDA 能夠在零時間內提供最佳結果,半導體行業將受到怎樣的影響?”上市時間將加快,設計的 PPA 也會略有改善。但這是否足以導致設計啟動數量大幅增加或導致新市場的開發尚不清楚。
在這些假設條件下,設計建立和驗證仍會成為限制因素。生成式人工智慧或許能夠改善這一點,而且有令人鼓舞的跡象表明它可以做到這一點。如果設計和驗證時間顯著減少,幾乎肯定會創造新的市場。
EDA 在過去曾遭遇過顛覆,而顛覆的問題在於,它們往往在發生之前並不明顯。“在某些情況下,人們知道顛覆即將到來,比如柯達知道數位印刷,但他們就是無法將其推向市場,”Ansys 首席技術官 Prith Banerjee 說。“創新視野(innovation horizons)有三種類型。第一種是短期的。下一個版本的工具應該具備那些功能?我們知道那些功能,因為它們存在於市場上。你在向市場銷售,你在關注競爭——大公司 70% 到 80% 的投資都集中在第一個視野上。”
第二種涉及鄰接關係。“例如,你正在銷售一款設計為本地產品,但想要遷移到雲端,” Banerjee 補充道。“需要創新,但我們會找到辦法,並取得成功。”
許多基於計算的顛覆都屬於這種類別。Altair 創始人兼首席執行官 James Scapa 表示:“電腦的記憶體曾經很小,後來記憶體越來越大。我們改變了其中一種工具的工作方式,這種創新對市場產生了顛覆性的影響。從本質上講,我們將所有模型都放入記憶體中。這種變化意味著我們的速度比競爭對手快 30 倍左右。HPC 也發生了類似的變化。與雲端運算相關的商業模式將成為 EDA 領域的重大變革之一。與之相伴的商業模式將具有一定的顛覆性。重要的是要瞭解計算的發展,瞭解計算的發展方向以及如何利用計算。”
另一種類型的轉變仍在進行中。加州大學伯克利分校 EECS 系研究生院名譽教授、imec 系統技術協同最佳化部門首席技術官 Jan Rabaey 表示:“考慮一下平行性。人們過去常說平行計算是一個非常糟糕的想法,因為我們不知道如何編譯。相反,我們應該採用單個處理器並使其儘可能快。然後,出現了電源問題,我們無法再讓它們更快。所以突然之間,平行性成了一個好主意,這是一種顛覆。”
剩餘 10% 的投資用於第三種類型的創新。“這不是你當前研發的一部分,也不針對現有市場,”Ansys 的 Banerjee 說。“一個典型的例子是蘋果推出 iPhone。這是顛覆性的。亞馬遜推出了 AWS,他們的網路服務。這是顛覆性的。一家大公司如何進行顛覆性創新,因為它不是偶然的?這需要一個過程,你需要挖掘創新發生的地方。它在學術界,在初創公司。你應該不斷監控初創公司的情況,然後讓一個中央研發團隊嘗試自己發明一些東西。但這個中央團隊不必發明一切。其中一部分是你有機地完成的,另一部分是將技術引入你的公司。”
回顧過去,我們可以看到 EDA 內部發生的顛覆。加州大學伯克利分校的 Rabaey 說:“如果回到 20 世紀 80 年代,我們看到了一系列最初誕生於學術界和初創公司的想法,這些想法改變了我們的設計方式。”“EDA 開始使用標準單元推動設計。當你第一次看到它時,它似乎是一個非常糟糕的想法。它非常受限。你將單元排成行等。但它使自動化成為可能。這基本上導致了邏輯綜合,我們可以開始思考邏輯函數,最佳化它們,擁有一套工具來幫助我們將高級描述轉化為某種東西,並且它是自動化的。我們今天認為這是理所當然的。還有其他領域——模擬、驗證、行為綜合——這些領域最終造成了某種形式的顛覆。”
過去 20 年來,EDA 領域幾乎沒有發生過任何顛覆,因為該行業基本上一直走在一條線性發展道路上。但隨著摩爾定律 從平面設計轉向封裝中堆疊的多個晶片,這種情況正在迅速改變。
“當現狀糟糕時,顛覆性變革更容易發生,”Cadence 汽車研發研究員 Chuck Alpert 表示。“以設計團隊為例。他們可能知道有些事情出了問題。也許工程預算失控了,或者他們正嘗試進行新設計,但沒有工程技能。他們必須做一些顛覆性的事情。今天,我們看到設計複雜性呈爆炸式增長。缺乏可擴展性。設計團隊可能會遇到一些迫使創新的事情。這些都是現狀糟糕或正在走下坡路的情況。對於 EDA 公司來說,當你不是市場領導者時,可能會發生這種情況。你落後了,必須做一些顛覆性的事情來迎頭趕上。或者也許你一直是市場領導者,但程式碼庫是用 COBOL 編寫的,沒有人再知道它了。你必須做出改變,因為趨勢將會下降,你處於一個不創新就死亡的境地。”
創新機會無處不在,尤其是在創新文化中。Altair 的 Scapa 表示:“人工智慧和大型語言模型的出現能夠帶來巨大的變革,而云計算則能夠實現快速擴展。商業模式——而不僅僅是技術——是你如何顛覆的一部分。EDA 領域的初創公司確實很難,因為只有兩家公司佔據了主導地位。他們長期以來一直在收購和淘汰初創公司和競爭對手。這阻礙了創新。”
通過展望未來,可以識別和處理一些壓力。“什麼是顛覆周期?”Rabaey 問道。“地平線上有很多這樣的周期。路線圖的好處在於,你可以識別出未來 10 年可能出現的問題。這就是學術界擅長的地方——研究這些路線圖,並識別出可能由此出現的新範式。例如,擴展將持續 5 年,甚至 10 年。我們該怎麼做?顛覆是你無法選擇的。唯一走上顛覆之路的時候是你遇到障礙的時候,當你突然意識到‘我無法再前進了’的時候。我們必須重新思考我們的設計方式。一種可能性是開始思考第三個維度,在那裡你將不同的技術層層疊加。最簡單的方法是將舊架構對應到這個。但這不會給你帶來很多好處。你必須重新思考如何使用它。”
有時,改變是外部強制的。“設計正在從晶片轉向系統,” Banerjee 說。“如果目標是設計一款電動汽車,我的要求就不僅僅是 RTL 輸入。我的設計要求是一輛電動汽車,它能在一秒鐘內從 0 加速到 60 英里,續航里程為 500 英里,而且必須達到五級。這些就是我的要求。EDA 行業專注於設計晶片。你必須設計電力電子,這是一種電力電子模擬,結合電池、電機設計,然後是空氣動力學工作量。這是一個多物理世界,非常複雜。然後你有軟體,它必鬚根據系統級規範編寫和自動編譯,然後進行驗證。”
EDA 公司已經迅速在其工具中採用了某些形式的人工智慧。“強化學習正被用於解決最佳化問題,”新思科技人工智慧解決方案高級總監 Stelios Diamantidis 說。“人們現在使用強化學習進行實驗、收集資料、建立更好的指標來推動最佳化,並自動執行這些最佳化。這項技術本身可以應用於其他問題。我們從最佳化物理佈局和平面圖、某些拓撲中的時鐘、DTCO 和其他物理類型的應用開始。從那時起,我們將這一原理應用於驗證等問題,其中重新排序測試或更改種子可以幫助您加速覆蓋率或追蹤錯誤,以測試重新排序向量可以幫助您更快地實現製造測試的覆蓋率。”
但人工智慧不太可能取代現有的 EDA 工具。“我認為,我們擁有優秀的 EDA 產品,我們的客戶正在使用這些產品,因此現狀很低,”Alpert 說。“如果我們決定使用人工智慧製造新產品,我們將付出巨大的代價。也許從長遠來看,我們會得到一些好處。如果我們讓整個產品團隊都說,讓我們重新開始,打造一些新的東西,那將是非常痛苦的。最終,你可能會成功,但與此同時,你將付出巨大的代價。”
EDA 行業的關鍵在於保持連續性,確保為客戶提供推出下一款產品所需的工具。“我們必須保護我們價值 20 億美元的業務,”Banerjee 說。“一家初創公司從零開始。但客戶仍然很難接受新技術來解決他們的問題。這不僅僅是 EDA 的挑戰,而是整個行業的挑戰,這就是為什麼我看到了第三個前景——願景,與初創公司合作,然後收購已經證明這些技術的初創公司。”
Alpert 對此表示同意。“顛覆性技術對幾乎所有行業來說都是難以應對的,不僅僅是 EDA。他們可以投入一些資源,但不要太多。或者他們可以等待其他人創新並購買它。這是另一種策略。”
但是創業公司都去那了呢?“在過去的 10 年或 20 年裡,現有的生態系統已經崩潰,”Rabaey 說。“曾經有一段時間,EDA 有一個充滿活力的研究空間。去所有頂尖大學看看,他們都在研究工具。你再也找不到它們了。它們不存在了。也許你有一個好主意,學者們可以發表論文,但他們不會製造出那個產品。創業公司的作用確實很重要,在 90 年代,這是一個充滿活力的世界。正是這些小公司想出了主意並加以嘗試。這也已經崩潰了。但生態系統可能會再次崛起。”
大量投資湧入 GenAI,但在 EDA 領域卻少得多。“GenAI 是真實存在的,將為我們帶來真正的成果,”Scapa 說道。“但炒作太多,投資金額與我們今天看到的回報不符。GenAI 將會先出現下滑,然後出現典型的緩慢上升,因為 GenAI 是真正的大生意。我們也在用傳統機器學習做一些有趣的事情,這也具有巨大的潛力。”
但 GenAI 在 EDA 中的真正潛力似乎有些不切題。“EDA 不會創造設計,”Rabaey 說。“但它是由設計考慮驅動的。AI 將成為設計流程中顛覆性的一部分。AI 將成為一種設計工具,幫助我們探索巨大的選擇空間。”
第二波生成式人工智慧正在解決自動化問題。“具體來說,是一些關鍵的工業挑戰,”Synopsys 的 Diamantidis 說。“這更多地與經濟、地緣政治壓力、人才可用性以及用更少的資源做更多事情的能力有關。在第二波中,我們能夠獲取資料或設計環境。我們能夠利用這些資料在非常大的範圍內訓練模型。然後,我們能夠將它們情境化,以適應特定於設計師活動的不同任務。我們當然正在解決人機介面問題。我們現在可以探索巨大的複雜性。”
也許 GenAI 最大的投資回報就是生產力。“我們致力於指導人們完成開發過程,幫助他們利用生成式人工智慧提高解決問題的能力,”微軟高級首席工程師 Erik Berg 表示。“這些資料從何而來?我相信我們擁有的最豐富的資料來源就在我們工程師的頭腦中。我正在建構的工具不僅為我們的工程師提供解決方案,還同時從他們的頭腦中抓取結果、其他資料和結果。”
設計界的許多領域都出現了這種情況。亞利桑那州立大學助理教授 Vidya Chhabria 表示:“GenAI 絕對可以幫助非專家使用者變得更好。它可以幫助非專家使用者提出正確的問題——更具有智力的問題。它可以幫助非專家使用者快速掌握新設計和新 EDA 工具。也許它可以幫助專家使用者提高工作效率或加快工作速度。”
但這些會造成顛覆嗎?“儘管有這麼多技術,但將晶片放入插槽仍然需要四年時間,”Diamantidis 說。“我指的是收集需求、架構探索、設計輸入、驗證、插入測試、準備用於硅診斷和資料探勘的儀器——整個過程。這需要大量的人力、金錢和時間,這意味著它並沒有真正改變半導體領域的基本面或經濟狀況。”
顛覆很難,而且往往在它變得明顯之前不會被發現。許多人一直在關注技術的進步、設計實踐的變化以及從晶片到系統的格局變化。此外,每個人都相信所有形式的人工智慧都可能有助於解決這些問題。從今天的形勢來看,似乎沒有什麼是顛覆性的。 (半導體行業觀察)