人工智能会颠覆 EDA行业吗？

生成式人工智能已经颠覆了搜索领域，正在改变计算领域的格局，现在它还声称要颠覆 EDA 领域。但是，尽管人们议论纷纷，纷纷宣称即将发生根本性变革，但人工智能将在哪些领域产生影响以及这些变化的程度有多深，目前仍不清楚。

EDA 主要有两个作用：自动化和优化。许多优化问题都是 NP 难题，这意味着在多项式时间内无法找到最优解，尤其是随着设计规模的扩大。随着时间的推移，人们已经开发出了一些启发式方法，这些方法可以在合理的时间内得到「足够好」的结果。虽然可以想象人工智能可以提供与之相当甚至更接近最优的结果，但这对设计来说可能更多是一种进化而非颠覆。

颠覆性创新通常会导致市场发生变化。一个假设性的问题可能是：「如果 EDA 能够在零时间内提供最优结果，那么半导体行业将受到怎样的影响？」上市时间将加快，设计将具有略好的性能、功耗和面积（PPA）。但是，这是否足以导致设计启动数量显著增加或开辟新市场，目前尚不清楚。

在这些假设条件下，设计创建和验证仍会成为限制因素。生成式人工智能或许能够改善这一点，而且有令人鼓舞的迹象表明它可以做到这一点。如果设计和验证时间显著减少，几乎肯定会创造新的市场。

在过去的几十年里，EDA 领域也曾经历过颠覆性的变革，但问题在于，这些变革往往在发生后才变得明显。「在某些情况下，人们知道变革即将到来，就像柯达知道数字打印一样，但他们就是无法将其推向市场，」Ansys 的首席技术官 Prith Banerjee 说。「创新有三个层次。第一层是短期创新。工具的下一个版本应该有哪些功能？我们知道这些功能，因为它们已经存在于市场上。你正在向市场推销，你在观察竞争对手——大公司内部 70% 到 80% 的投资都集中在第一层。」

「第二层」涉及相邻领域。「例如，你正在销售一款设计为现场部署的产品，并希望将其迁移到云端，」Banerjee 补充道。「创新是必要的，但我们会想出办法并取得成功。」

许多基于计算的颠覆性变革都属于这一类别。「计算机的内存曾经很小，后来内存越来越大，」Altair 的创始人兼首席执行官 James Scapa 说。「我们改变了其中一种工具的工作方式，这种创新对市场产生了颠覆性的影响。从本质上讲，我们将所有模型都放入内存中。这种变化意味着我们的速度比竞争对手快 30 倍左右。HPC 也发生了类似的变化。与云计算相关的商业模式将成为 EDA 领域的重大变革之一。与之相伴的商业模式也将带来一定的颠覆性。重要的是要认识到计算领域的发展，了解计算领域的发展方向，以及如何利用计算资源。」

另一种类似的变革仍在进行中。「想想并行计算，」加州大学伯克利分校电子工程与计算机科学系研究生院的荣誉教授、IMEC 系统技术协同优化部门首席技术官 Jan Rabaey 说。「人们过去常说并行计算是个坏主意，因为我们不知道如何编译它。相反，我们应该采用单个处理器并使其尽可能快。然后，功耗问题出现了，我们无法让处理器更快。所以突然之间，并行计算变成了一个好主意，这就是一场变革。」

剩余 10% 的投资用于「第三层」创新。「这不是你当前研发的一部分，也不是针对现有市场的，」Ansys 的 Banerjee 说。「一个经典的例子是苹果推出了 iPhone，那是颠覆性的。亚马逊推出了 AWS，他们的网络服务，那也是颠覆性的。大公司如何实现颠覆性创新？因为这不是偶然的，这需要一个过程，你需要挖掘出那些能引发创新的地方。这些地方在学术界，在初创公司。你应该不断监控初创公司的动态，然后组建一个中央研发团队，试图自己发明一些东西。但这个中央团队不必发明一切。一部分是有机地进行的，一部分是将技术引入你的公司。」

回顾过去，我们可以看到 EDA 领域内已经发生的颠覆性变革。「如果我回到 20 世纪 80 年代，我们看到了一系列最初由学术界和初创公司提出的想法，这些想法改变了我们的设计方式，」加州大学伯克利分校的 Rabaey 说。「EDA 开始使用标准单元来驱动设计。当你第一次看到它时，它似乎是个坏主意。因为它非常受限，你要把单元放在行里，诸如此类。但它使自动化成为可能。这基本上引导了逻辑综合，我们可以开始思考逻辑功能，优化它们，拥有一套工具来帮助我们将高级描述转化为某种形式，并实现自动化。我们今天认为这是理所当然的。还有其他领域——仿真、验证、行为综合——这些领域最终都产生了某种形式的颠覆。」

在过去的 20 年里，EDA 领域几乎没有发生过颠覆性变革，因为该行业基本上一直沿着一条线性道路发展。但随着摩尔定律从平面设计转向封装中的多个小芯片堆叠，这种情况正在迅速改变。

「当现状不佳时，颠覆性变革更容易发生，」Cadence 研发汽车研究员 Chuck Alpert 说。「想想设计团队。他们可能知道出了什么问题。也许工程预算失控了，或者他们正在尝试新设计但没有工程技术。他们必须做一些颠覆性的事情。今天，我们看到设计复杂性激增、缺乏可扩展性。设计团队会遇到一些事情，迫使它们进行创新。这些都是现状不佳或正在走下坡路的情况。对于 EDA 公司来说，这种情况可能发生在你不是市场领导者的时候。你落后了，必须做一些颠覆性的事情来赶上。或者你可能一直是市场领导者，但代码库是用 COBOL 编写的，现在已经没人知道了。你将不得不做出改变，因为趋势正在下降，你处于不创新就灭亡的境地。」

创新的机会就在那里，尤其是在一种创新文化中。「人工智能和大型语言模型的出现能够带来很多变革，云计算也是如此，以实现快速扩展，」Altair 的 Scapa 说。「商业模式——而不仅仅是技术——是你颠覆的一部分。对于 EDA 领域的初创公司来说，这真的很难，因为仅有两家公司占据了过大的主导地位。它们长期以来一直在收购和淘汰初创公司和竞争对手。这阻碍了创新。」

通过展望未来，可以识别和处理一些压力。「什么是颠覆周期？」Rabaey 问道。「很多这样的周期已初现端倪。路线图的好处在于，你可以识别出未来 10 年可能出现的问题。这就是学术界擅长的地方——研究这些路线图，并识别出可能由此出现的新范式。例如，扩张将持续 5 年，甚至 10 年。我们该怎么做？颠覆是你无法选择的。唯一走上颠覆之路的时候是你碰壁的时候，当你突然意识到『我无法再前进了』的时候。我们必须重新思考我们的设计方式。一种可能性是开始思考第三个维度，在那里你将不同的技术层层叠加。最简单的方法是将旧架构映射到这个。但这不会给你带来太多好处。你必须重新思考如何使用它。」

有时，改变是外部强制的。「设计正在从芯片转向系统，」Banerjee 说。「如果目标是设计一款电动汽车，我的要求就不仅仅是 RTL 输入。我的设计要求是一辆电动汽车，它能在一秒钟内从 0 加速到 60 英里，续航里程为 500 英里，而且必须达到五级。这些就是我的要求。EDA 行业专注于设计芯片。你必须设计电力电子，这是一种电力电子模拟，结合电池、电机设计，然后是空气动力学工作量。这是一个多物理世界，非常复杂。之后你还需要软件，它必须从系统级规范中编写并自动编译，然后进行验证。」

EDA 中的人工智能

EDA 公司已迅速在其工具中采用某些形式的人工智能。「强化学习正被用于解决优化问题，」Synopsys 人工智能解决方案高级总监 Stelios Diamantidis 说。「人们现在使用强化学习进行实验、收集数据、建立更好的指标来推动优化，并自动执行这些优化。该技术本身可以应用于其他问题。我们从优化物理布局和平面图、某些拓扑中的时钟、DTCO 和其他物理类型的应用程序开始。从那时起，我们将这一原则应用于验证等问题，其中重新排序测试或更改种子可以帮助你加速覆盖或追踪错误，而在测试中重新排序向量可以帮助你更快地实现制造测试的覆盖率。」

但人工智能不太可能取代现有的 EDA 工具。「我认为，我们拥有优秀的 EDA 产品，我们的客户正在使用这些产品，因此现状是积极的，」Alpert 说。「如果我们决定使用人工智能制造新产品，我们将付出巨大的代价。也许从长远来看，我们会得到一些好处。如果我们让整个产品团队都说，让我们重新开始，打造一些新的东西，那将是非常痛苦的。最终，你可能会成功，但与此同时，你将付出巨大的代价。」

EDA 行业的关键在于保持连续性，确保为客户提供他们推出下一款产品所需的工具。「我们必须保护我们价值 20 亿美元的业务，」Banerjee 说。「一家初创公司从零开始，但客户仍然很难接受新技术来解决他们的问题。这不仅仅是 EDA 的挑战，而是整个行业的挑战，这就是为什么我看到了第三个愿景——与初创公司合作，然后收购已经拥有这类技术的初创公司。」

Alpert 对此表示同意。「颠覆性技术对几乎所有行业来说都是难以应对的，不仅仅是 EDA。他们可以投入一些资源，但不要太多。或者他们可以等待其他人创新并购买它，这是另一种策略。」

但是创业公司都去哪了呢？「在过去的 10 年或 20 年里，现有的生态系统都已经崩溃，」Rabaey 说。「曾经有一段时间，EDA 有一个充满活力的研究空间。去所有顶尖大学看看，他们都在研究工具。如今你再也找不到它们了，它们不存在了。也许你会想，学者们可以发表论文，但他们不会制造出那个产品。创业公司的作用确实很重要。在 90 年代，这是一个充满活力的世界，正是这些小公司想出了主意并加以尝试，但这也已经崩溃了。不过，生态系统可能会再次崛起。」

GenAI 的影响

大量投资涌入 GenAI，但在 EDA 领域却少得多。「GenAI 是真实存在的，将为我们带来实实在在的成果，」Scapa 说道。「但炒作太多，投资金额与我们今天看到的回报不符。GenAI 将会先出现下滑，然后出现典型的缓慢上升，因为 GenAI 是真正的大生意。我们也在用传统机器学习做一些有趣的事情，这也具有巨大的潜力。」

但 GenAI 在 EDA 中的真正潜力似乎有些不切题。「EDA 不会创造设计，」Rabaey 说。「但它是由设计考虑驱动的。AI 将成为设计流程中颠覆性的一部分。AI 将成为一种设计工具，帮助我们探索巨大的选择空间。」

第二代生成式人工智能正在解决自动化问题。「具体来说，是一些关键的工业挑战，」Synopsys 的 Diamantidis 说。「这更多地与经济、地缘政治压力、人才可用性以及用更少的资源做更多事情的能力有关。在第二波浪潮中，我们能够获取数据或设计环境，我们能够利用这些数据在非常大的范围内训练模型。然后，我们能够将它们情境化，以适应特定于设计师活动的不同任务。我们确实正在解决人机交互问题。我们现在可以探索极大的复杂性。」

也许 GenAI 最大的投资回报就是生产力。「我们致力于指导人们完成开发过程，帮助他们利用生成式人工智能提高解决问题的能力，」微软高级首席工程师 Erik Berg 表示。「这些数据从何而来？我相信我们拥有的最丰富的数据来源就在我们工程师的头脑中。我正在构建的工具不仅为我们的工程师提供解决方案，还同时从他们的头脑中抓取其他数据和结果。」

设计界的许多领域都出现了这种情况。亚利桑那州立大学助理教授 Vidya Chhabria 表示：「GenAI 绝对可以帮助非专家用户变得更好。它可以帮助非专家用户提出正确的问题——更具有思想性的问题。它可以帮助非专家用户快速掌握新设计和新 EDA 工具。也许它还可以帮助专家用户提高工作效率或加快工作速度。」

但这些会造成颠覆吗？「尽管有这么多技术，但将芯片放入插槽仍然需要四年时间，」Diamantidis 说。「我指的是收集需求、架构探索、设计输入、验证、插入测试、准备用于硅诊断和数据挖掘的仪器——整个过程。这需要大量的人力、金钱和时间，这意味着它并没有真正改变半导体领域的基本原理或经济状况。」

结论

颠覆很难，而且往往在它变得明显之前不会被发现。许多人一直在关注技术的进步、设计实践的变化以及从芯片到系统的格局变化。此外，每个人都相信所有形式的人工智能都可能有助于解决这些问题。从今天的形势来看，似乎没有什么是颠覆性的。