血常规可以查出什么病

从5月29日美国政府颁布对华EDA禁令到7月2日宣布解除，33天时间里中美之间的博弈从未停止，但对于EDA公司来说，左右不了的是政治禁令，真正赢得客户的还是要靠自身产品的实力。作为芯片设计最前沿的工具，EDA厂商需要深刻理解并精准把握未来芯片设计的关键。 

人工智能正在渗透到整个半导体生态系统中，迫使 AI 芯片、用于创建它们的设计工具以及用于确保它们可靠工作的方法发生根本性的变化。这是一场全球性的竞赛，将在未来十年内重新定义几乎每个领域。在过去几个月美国四家EDA公司的高管聚焦了三大趋势，这些趋势将成为可预见的未来关注的焦点：

• AI 本身正在从严格控制的机器学习扩展到AI助手、生成式AI和代理AI。

• 这种转变需要处理大量数据，以便创建大型语言模型和算法。由于芯片尺寸规模的限制，它正在推动向多晶粒组件的转变。最好的选择是 3D-IC。

• 芯片和系统需要在其整个生命周期内进行监控，以确保可靠性。AI容易产生幻觉，而充满小芯片的复杂系统会以意想不到的方式随着时间的推移而退化，从而导致无声数据损坏、软件更新不兼容以及基于工作负载变化的加速老化。 

AI在EDA中的用例已经从简单的模式识别发展到辅助设计和广泛的知识共享，使初级工程师能够更快地上手，使资深工程师能够扩展到新领域并提高工作效率。 

EDA大佬谈AI 

“按照我们的描述方式，你有一个副驾驶，你有'协助'，你有'创意'，”Synopsys 总裁兼首席执行官 Sassine Ghazi，“[辅助]拥有工作流助手、知识助手、调试助手，以便您可以更快地提升初级工程师和专家工程师的技能。他们能够以更现代化、更高效的方式与我们的产品交互。然后你有创意元素，而我们有很多例子，我们从 RTL 生成、测试平台生成、测试断言开始进行早期客户参与，其中你可以有一个副驾驶来帮助你创建RTL的一部分、测试平台文档、测试断言。”

Ghazi直言，使用创意工具可以让各种任务从几天缩短到几分钟。但所有这些都需要严格控制。“我们不能有产生幻觉的模型，”他说，“我们非常谨慎地考虑何时以及如何与客户互动，以确保我们提供的服务的成熟度是可以接受的，而不会使他们工作流程的任何部分面临风险。随着AI的不断发展，工作流程也将不断发展。我们的投资人经常问我一个问题，即我们何时看到EDA市场因为应用AI产生了变化。我不相信情况会如此，除非他们的工作流程发生变化，这意味着您能够以非常不同的方式做某些事情，以便用更快、更有效、更高效的方式交付产品路线图。现在，随着代理AI时代的到来，代理工程师将与人类工程师合作，以消除这种复杂性并改变工作流程。“

如果AI兑现其承诺，这一变化的规模怎么强调都不为过。但所有这些都发展得如此之快，以至于它产生了许多今天没有明确答案的问题。时间会证明AI可以做得好，需要密切监控什么，以及风险在哪里。自 1950 年代后期以来，对 AI 变革能力的预测被证明过于乐观。但在过去的几年里，从ChatGPT的推出开始，它似乎终于兑现了它的承诺。Agentic AI 是下一个大目标。 

“如果我们有足够的信心相信 AI 具有一定程度的自主性，可以经常自行做出主动决策，那么Agentic AI是一个有趣的概念，”Siemens Digital Industries Software 首席执行官 Mike Ellow 说。“在设计领域，当我们开始讨论代理AI（Agent AI）与代理式AI（Agentic AI） 时，这取决于你与谁交谈，以及他们希望如何划分不同的表述方式。从我们的角度来看，使用代理 AI，我们定义了一个具有一组边界条件的任务，然后让 AI 在该盒子内运行，以便找到解决方案。当你面对代理式AI 时，基本上你会说，'这就是问题所在。你想想执行它的最佳方式是什么。你想出那个解决方案。从 EDA 的角度来看，你可以朝着预期的结果前进。这就是我们如何看待AI演变为我们的工具的方式。AI的采用率将是前所未有的。在芯片设计中，很难找到AI不会直接或间接发挥至少一些作用的领域。 

“这对我们行业来说是一个深刻的变化，”是德科技 EDA 软件副总裁兼总经理 Niels Faché 说。“当你在仿真域和物理域中移动时，所有这些步骤中都会生成数据，并收集一些见解。这就是人工智能可以帮上大忙的地方。当我们从仿真角度考虑它时，它可以帮助我们进行建模。它可以帮助我们加快模拟速度。它可以帮助我们为产品添加更多专业知识，以帮助设计团队。它可以帮助设计师生成设计。它非常强大和具有变革性。几年前，一位客户告诉我，'我有一个设计团队，但他们花了很多时间在了解我们的产品的模拟原理方面。我真的希望他们成为设计师，而不是模拟器。产品设计团队不想了解模拟器的工作原理。他们不想花费大量时间设置模拟。他们想要考虑需求，以及如何根据这些需求创建设计。这就是AI的力量。它确实可以将客户从做事的方式转变为他们真正想做的事情。AI 可以帮助您在印刷电路板上进行布线或提出新的拓扑。 

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。（译者注：AI解决方案构建了三层架构：底层利用现有引擎进一步加速AI 部署；中层通过代理式AI，针对数字、模拟及仿真领域，提供多样化 Optimization AI 解决方案；顶层Cadence Copilot，借助大语言模型（LLM）等先进技术，升级基于LLM的AI解决方案。）“部署应用要成功，他们需要具备所有这三个部分，”他说。“有AI代理和编排。有原理层面的仿真模拟，有时人们会忘记这有多重要。它是真正的晶体管行为、分子行为、流体动力学、热学。这是无可替代的，然后你就有了运行它的计算能力。 

从计算的角度来看，AI 似乎更像是进化而不是革命性的。“刚开始时，AI是一种密集的计算，”Devgan说。“但物理世界并不密集，AI也不密集。所有的神经网络都不是密集的。因此，由于设计和需求的复杂性，我们在所有这些算法中进行了创新。然后是延迟、分区和层次结构。你可以在移动抽象层的顶部看到一些，在纯算法的底部看到一些。但现在，有了AI，我们可以从自然语言和优化的角度在软件方面进行更高水平的创新。AI非常擅长优化，这就是我们多年来一直致力于优化的原因。我们拥有五大AI平台——数字、验证、定制、包装和系统分析。结果实际上是相当惊人的......AI 可以彻底改变芯片设计，这就是我们在这五个平台上投入巨资的原因。 

EDA 供应商利用AI的方式因起点而异。但LLM的优点之一是它们能够跨越不同的数据类型，基本上提高了整个流程的抽象级别。因此，起点并不像乍一看那么重要。关键是他们如何获取和利用数据，以及他们可以在设计阶段之外扩展数据的能力，这在很大程度上取决于未来如何共享和保护数据，以及公司从何处看到机会。 

正如西门子的 Ellow 所解释的那样，“它从生成式AI领域开始作为基础，因为这是第一个阶段，你可以从我们那里获得一堆经过验证的数据源及其客户数据。它进入数据池，您可以在其中训练LLM。我们有能力使用各种LLM，或者客户可以使用他们自己的LLM。然后，您可以将其整合到基础设施中，并在其上使用我们的所有工具。 

鉴于这个全新领域机会的广度，选择合适的机会是一项艰巨的任务。这就是为什么初始起点需要具有相关性。“成为射频工程师需要多长时间？这是一门艺术，“Keysight的Faché说。“这不是你在六个月内就能学会的。这通常需要数年时间。但借助AI，我们可以让设计人员更容易获得和获取信息，并且我们可以真正缩小非常有经验的RF设计人员和新手工程师之间的生产力差距。聊天机器人是在正确的时间以更好的形式向客户提供服务的一个例子。 

3D-IC 芯片 

AI 需要大量数据，尤其是用于训练模型。问题在于，由于标线限制，平面芯片无法快速有效地处理所有这些数据，这就是为什么许多数据中心使用某种多晶片组件（扇出或 2.5D）来提高性能并降低功耗的原因。

图3D-IC 概念模型。来源：Intel Foundry/Semiconductor Engineering 

但这些在很大程度上是渐进式的收益。要在性能和功耗方面实现数量级的提升，需要真正的 3D-IC、混合键合和小芯片阵列。“使用 2.5D，您可以在如何构建芯片方面获得更大的灵活性，使其对正在运行的软件更加柔韧，”Ellow 说。“当你使用完整的 3D-IC 时，你能够在不同的芯片之间更离散地进行分区，并利用不同的工艺来优化不同的功能，这为如何更好地适应软件工作负载提供了更多有趣的可能性。它旨在优化。但这仍然有点令人向往。

两个关键挑战是如何管理散热，以及如何确保不同层能够正确粘合在一起，以便密集封装的互连完美排列。3D-IC 中的一些小芯片将使用最先进的工艺开发，而另一些小芯片可能采用成熟的工艺开发，这一事实使情况变得更加复杂。

Ghazi 说：“客户已经在谈论数万亿个晶体管，将它们整合到一个封装中，而他们的时间表是从18个月流片到16个月、12个月或更短的时间，以便为智能系统提供定制芯片。“你怎么处理呢？单个芯片上的技术的复杂性 — 我们谈论的是 GAA、埃米级以设计该芯片 — 然后将它们整合到一个先进的封装中。

这是扩展到数千亿或数万亿个晶体管的唯一方法，但将其整合起来将是一项工程壮举。“当你开始扩展到那个复杂程度的那一刻，你只能通过在互连级别保持高效来实现性能或功耗，”Ghazi 说。“Die可能来自不同的工艺技术和不同的晶圆厂。您如何验证和确认架构以交付给高级的封装？

这也为小芯片形式的软IP和硬IP打开了大门。Devgan 说：“存在新的机会，尤其是3D-IC和AI的积累，因此我们正在加倍投入IP投资。“我们提供的IP数量和进程节点的数量都显著增加。IP现在是 Cadence 最大的研发团队之一，我们将继续投资，不仅要投资物理IP和接口IP，还要投资被广泛用作嵌入式处理器的Tensilica。 

数字孪生（Digital Twins）

EDA 供应商敏锐地意识到AI 统的风险和3D-IC架构中的未知因素。 

“需要将设计和测试连接起来，并且要应对从设计到测试的验证中存在的数字威胁，”Faché 说。“有一些工具可以管理质量和可靠性。当然，对数据管理和分析的需求也越来越大。所有这些工具都需要存在，客户需要从自主开发的工具转向商业工具。但这些工具也是相互依赖的，因此需要一个中心辐射模型，其中不同的工具可以作用于数据。数据会随着时间的推移而变化。他们可能会消耗数据。他们可能会生成数据。IP是在产品生命周期中开发的。因此，如果我们想实现真正的数字化转型，我们需要一个背板基础设施，让客户能够做到这一点。数据管理过程至关重要。

这个概念仍在不断发展，术语也是如此。一些供应商称其为数字孪生，而另一些供应商则称其为虚拟孪生。但基本概念是实时监控系统以确保其按预期运行，根据工作负载尽可能对其进行优化，并在需要修复问题时采取行动。

Devgan 说：“对精确的数字孪生有巨大的需求，尤其是在物理和相应的芯片方面，这将推动这一需求。“这就是我们为数据中心投资数字孪生的原因，用于模拟整个数据中心。这是一个非传统产品，但它已经变得非常重要——应用CFD、仿真和AI来优化数据中心。我们甚至在内部将其应用于我们自己的数据中心。关于数据中心，要记住的是，不仅仅是这些大型云公司。企业中有很多数据中心。当我们将其应用于自己的数据中心时，我们获得了 10% 的功率提升，这是巨大的，因为没有太多的科学应用于数据中心的设计。芯片、机架和所有网络的设计都应用了大量的科学知识。但是，您如何放置数据中心呢？您使用多少池化？是过冷还是冷却不足？您是否定期维护它？这并不是通过像芯片设计那样多的科学来完成的。因此，一旦数据中心有了数字化趋势，您就可以进行更多的优化。

这个概念很好理解。但是，尽管取得了一些早期成功，离散数字孪生仍是一项正在进行的工作。“数字孪生还不是一个货币化的系统，”Ellow说。“这是一个作品的集合。它通过电子设备包含软件、半导体、封装和电路板元素。但还有电气效应， Mentor有线束和网络连接等东西。你有机械部分，以及与之相关的多物理场的更广泛的投资组合。然后是产品生命周期管理，因为所有这些事情都必须根据物料清单来构建。当您将整个产品组合引入制造流程仿真和类似内容时，仍然存在差距。您如何为最终产品的实际生产设置所有这些，其中所有这些系统都集成在一起？要解开的东西很多。“

数字孪生在EDA领域正在取得进展，但这不是一个按按钮、一刀切的解决方案。“作为一个行业，我们已经讨论了一段时间，但考虑到如何在系统层面进行实时仿真以及分析和优化的复杂性，这一点至关重要，”Ghazi指出数据中心和汽车等应用是这项技术的关键市场。“随着我们开始更深入地研究汽车和自动驾驶的复杂性，数字孪生需要对电子设备和周围环境进行建模。就汽车而言，我们必须与生态系统合作。他们还有其他部分需要加入芯片虚拟化和电子系统。“例如Synopsys与IPG的合作，后者提供汽车仿真技术。“我们能够对控制系统以及区域和计算ECU进行虚拟化和建模，以便相互通信，”Ghazi 说。“我们提供了电子虚拟化，而IPG则引入了周围的物理世界。在执行软件开发期间，测试团队可以观察该芯片在环境中针对他们正在构建的特定工作负载的行为。这不仅适用于汽车，无人机、数据中心等都从这种虚拟化中受益。如果我们让它更接近硅，那么3D-IC或高级封装是一个极为复杂的系统，您不仅需要考虑电子设计。你可以说在这种情况下的电子设计是被理解的。但是，当你开始将小芯片堆叠到这个先进的封装中时，你就面临着一系列其他挑战，无论是热、机械、流体还是结构。