生成式人工智能已經顛覆了搜索領域，正在改變計算領域的格局，現在它還聲稱要顛覆 EDA 領域。但是，盡管人們議論紛紛，紛紛宣稱即將發生根本性變革，但人工智能將在哪些領域產生影響以及這些變化的程度有多深，目前仍不清楚。

EDA 主要有兩個作用：自動化和優化。許多優化問題都是 NP 難題，這意味著在多項式時間內無法找到最優解，尤其是隨著設計規模的擴大。隨著時間的推移，人們已經開發出了一些啟發式方法，這些方法可以在合理的時間內得到「足夠好」的結果。雖然可以想象人工智能可以提供與之相當甚至更接近最優的結果，但這對設計來說可能更多是一種進化而非顛覆。

顛覆性創新通常會導致市場發生變化。一個假設性的問題可能是：「如果 EDA 能夠在零時間內提供最優結果，那么半導體行業將受到怎樣的影響？」上市時間將加快，設計將具有略好的性能、功耗和面積（PPA）。但是，這是否足以導致設計啟動數量顯著增加或開辟新市場，目前尚不清楚。

在這些假設條件下，設計創建和驗證仍會成為限制因素。生成式人工智能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。

在過去的幾十年里，EDA 領域也曾經歷過顛覆性的變革，但問題在于，這些變革往往在發生后才變得明顯。「在某些情況下，人們知道變革即將到來，就像柯達知道數字打印一樣，但他們就是無法將其推向市場，」Ansys 的首席技術官 Prith Banerjee 說。「創新有三個層次。第一層是短期創新。工具的下一個版本應該有哪些功能？我們知道這些功能，因為它們已經存在于市場上。你正在向市場推銷，你在觀察競爭對手——大公司內部 70% 到 80% 的投資都集中在第一層。」

「第二層」涉及相鄰領域。「例如，你正在銷售一款設計為現場部署的產品，并希望將其遷移到云端，」Banerjee 補充道。「創新是必要的，但我們會想出辦法并取得成功。」

許多基于計算的顛覆性變革都屬于這一類別。「計算機的內存曾經很小，后來內存越來越大，」Altair 的創始人兼首席執行官 James Scapa 說。「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內存中。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。與云計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也將帶來一定的顛覆性。重要的是要認識到計算領域的發展，了解計算領域的發展方向，以及如何利用計算資源。」

另一種類似的變革仍在進行中。「想想并行計算，」加州大學伯克利分校電子工程與計算機科學系研究生院的榮譽教授、IMEC 系統技術協同優化部門首席技術官 Jan Rabaey 說。「人們過去常說并行計算是個壞主意，因為我們不知道如何編譯它。相反，我們應該采用單個處理器并使其盡可能快。然后，功耗問題出現了，我們無法讓處理器更快。所以突然之間，并行計算變成了一個好主意，這就是一場變革。」

剩余 10% 的投資用于「第三層」創新。「這不是你當前研發的一部分，也不是針對現有市場的，」Ansys 的 Banerjee 說。「一個經典的例子是蘋果推出了 iPhone，那是顛覆性的。亞馬遜推出了 AWS，他們的網絡服務，那也是顛覆性的。大公司如何實現顛覆性創新？因為這不是偶然的，這需要一個過程，你需要挖掘出那些能引發創新的地方。這些地方在學術界，在初創公司。你應該不斷監控初創公司的動態，然后組建一個中央研發團隊，試圖自己發明一些東西。但這個中央團隊不必發明一切。一部分是有機地進行的，一部分是將技術引入你的公司。」

回顧過去，我們可以看到 EDA 領域內已經發生的顛覆性變革。「如果我回到 20 世紀 80 年代，我們看到了一系列最初由學術界和初創公司提出的想法，這些想法改變了我們的設計方式，」加州大學伯克利分校的 Rabaey 說。「EDA 開始使用標準單元來驅動設計。當你第一次看到它時，它似乎是個壞主意。因為它非常受限，你要把單元放在行里，諸如此類。但它使自動化成為可能。這基本上引導了邏輯綜合，我們可以開始思考邏輯功能，優化它們，擁有一套工具來幫助我們將高級描述轉化為某種形式，并實現自動化。我們今天認為這是理所當然的。還有其他領域——仿真、驗證、行為綜合——這些領域最終都產生了某種形式的顛覆。」

在過去的 20 年里，EDA 領域幾乎沒有發生過顛覆性變革，因為該行業基本上一直沿著一條線性道路發展。但隨著摩爾定律從平面設計轉向封裝中的多個小芯片堆疊，這種情況正在迅速改變。

「當現狀不佳時，顛覆性變革更容易發生，」Cadence 研發汽車研究員 Chuck Alpert 說。「想想設計團隊。他們可能知道出了什么問題。也許工程預算失控了，或者他們正在嘗試新設計但沒有工程技術。他們必須做一些顛覆性的事情。今天，我們看到設計復雜性激增、缺乏可擴展性。設計團隊會遇到一些事情，迫使它們進行創新。這些都是現狀不佳或正在走下坡路的情況。對于 EDA 公司來說，這種情況可能發生在你不是市場領導者的時候。你落后了，必須做一些顛覆性的事情來趕上。或者你可能一直是市場領導者，但代碼庫是用 COBOL 編寫的，現在已經沒人知道了。你將不得不做出改變，因為趨勢正在下降，你處于不創新就滅亡的境地。」

創新的機會就在那里，尤其是在一種創新文化中。「人工智能和大型語言模型的出現能夠帶來很多變革，云計算也是如此，以實現快速擴展，」Altair 的 Scapa 說。「商業模式——而不僅僅是技術——是你顛覆的一部分。對于 EDA 領域的初創公司來說，這真的很難，因為僅有兩家公司占據了過大的主導地位。它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。「什么是顛覆周期？」Rabaey 問道。「很多這樣的周期已初現端倪。路線圖的好處在于，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，并識別出可能由此出現的新范式。例如，擴張將持續 5 年，甚至 10 年。我們該怎么做？顛覆是你無法選擇的。唯一走上顛覆之路的時候是你碰壁的時候，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，在那里你將不同的技術層層疊加。最簡單的方法是將舊架構映射到這個。但這不會給你帶來太多好處。你必須重新思考如何使用它。」

有時，改變是外部強制的。「設計正在從芯片轉向系統，」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 行業專注于設計芯片。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，然后是空氣動力學工作量。這是一個多物理世界，非常復雜。之后你還需要軟件，它必須從系統級規范中編寫并自動編譯，然后進行驗證。」

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。「強化學習正被用于解決優化問題，」Synopsys 人工智能解決方案高級總監 Stelios Diamantidis 說。「人們現在使用強化學習進行實驗、收集數據、建立更好的指標來推動優化，并自動執行這些優化。該技術本身可以應用于其他問題。我們從優化物理布局和平面圖、某些拓撲中的時鐘、DTCO 和其他物理類型的應用程序開始。從那時起，我們將這一原則應用于驗證等問題，其中重新排序測試或更改種子可以幫助你加速覆蓋或追蹤錯誤，而在測試中重新排序向量可以幫助你更快地實現制造測試的覆蓋率。」

但人工智能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，因此現狀是積極的，」Alpert 說。「如果我們決定使用人工智能制造新產品，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 行業的關鍵在于保持連續性，確保為客戶提供他們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，這就是為什么我看到了第三個愿景——與初創公司合作，然后收購已經擁有這類技術的初創公司。」

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并購買它，這是另一種策略。」

但是創業公司都去哪了呢？「在過去的 10 年或 20 年里，現有的生態系統都已經崩潰，」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。如今你再也找不到它們了，它們不存在了。也許你會想，學者們可以發表論文，但他們不會制造出那個產品。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并加以嘗試，但這也已經崩潰了。不過，生態系統可能會再次崛起。」

GenAI 的影響

大量投資涌入 GenAI，但在 EDA 領域卻少得多。「GenAI 是真實存在的，將為我們帶來實實在在的成果，」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，然后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。」

第二代生成式人工智能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。在第二波浪潮中，我們能夠獲取數據或設計環境，我們能夠利用這些數據在非常大的范圍內訓練模型。然后，我們能夠將它們情境化，以適應特定于設計師活動的不同任務。我們確實正在解決人機交互問題。我們現在可以探索極大的復雜性。」

也許 GenAI 最大的投資回報就是生產力。「我們致力于指導人們完成開發過程，幫助他們利用生成式人工智能提高解決問題的能力，」微軟高級首席工程師 Erik Berg 表示。「這些數據從何而來？我相信我們擁有的最豐富的數據來源就在我們工程師的頭腦中。我正在構建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其他數據和結果。」

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用戶變得更好。它可以幫助非專家用戶提出正確的問題——更具有思想性的問題。它可以幫助非專家用戶快速掌握新設計和新 EDA 工具。也許它還可以幫助專家用戶提高工作效率或加快工作速度。」

但這些會造成顛覆嗎？「盡管有這么多技術，但將芯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、準備用于硅診斷和數據挖掘的儀器——整個過程。這需要大量的人力、金錢和時間，這意味著它并沒有真正改變半導體領域的基本原理或經濟狀況。」

結論

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芯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能都可能有助于解決這些問題。從今天的形勢來看，似乎沒有什么是顛覆性的。