當掌舵者們齊聚一堂，交流想法，探討未來的可能性，不同的觀點相互碰撞，新的創(chuàng)意和解決方案便由此誕生，為整個行業(yè)掀起變革。

在今年于美國硅谷舉辦的 CadenceLIVE Silicon Valley 2023 用戶大會的生成式 AI 小組討論會上，幾位與會者便借此機會暢所欲言，碰撞出了思想的火花。此次小組討論共分為四個部分，本文是該系列文章中的第二篇。

在本系列第一篇文章《一場產(chǎn)品開發(fā)和用戶體驗的雙重變革》中，我們介紹了小組討論中各方的觀點：將生成式 AI 功能集成到 EDA 工具中將如何革新芯片設計。

對此，來自 TECHnalysis Research 的主持人 Bob O’Donnell 指出：

“如果ChatGPT 在某處產(chǎn)生了‘幻覺（Hallucination）’，也許再人工檢查一遍就萬事大吉。但若 ChatGPT 對一個電路的組成要素產(chǎn)生了幻覺，問題就大了?！?/p>

基于此，Bob 提出了第二個問題 ：

“生成式 AI 能夠處理哪些可能的錯誤，這將對芯片開發(fā)有何影響？”

以下為小組各方代表的回答總結。

1. AI的應用與概率有關

Cadence 公司

我們認為這依舊屬于概率 (Probability) 的問題。AI 在很多情況下能夠顯著提升生產(chǎn)力。例如，AI 可以優(yōu)化布局布線工具的設置，改善功率、性能和面積 (PPA)，但不建議用它進行邏輯門綜合，因為 AI 沒辦法實現(xiàn)高達90%的準確度。另一個用例是，AI 還可以輔助分析錯誤的根本原因?？偟膩碚f，AI 在入門級應用的適用范圍很廣。

另外，IP 這一點值得深入討論。在訓練模型上，使用公開可用的數(shù)據(jù)，還是某個 IP 的專有知識或數(shù)據(jù)觀點，這二者有很大的區(qū)別。有兩個方面需要考慮。首先，可以提供經(jīng)過部分或初級訓練的技術，讓客戶根據(jù)自己的需求和專有信息，進一步訓練。這種方法可以讓客戶掌握訓練知識，有效滿足他們的特定用例和操作需求。

數(shù)據(jù)依靠工具的運行逐漸積累，Cadence 目前將數(shù)據(jù)匯總在 AI 驅動的大數(shù)據(jù)分析平臺 Cadence JedAI Platform 中，為客戶提供有價值的訓練數(shù)據(jù)。我們開發(fā)了多個內部測試用例和設計，用于產(chǎn)品開發(fā)和完善。我們使用內部的工具套件，進行內部測試和算法優(yōu)化。利用內部工具，再加上生態(tài)系統(tǒng)的優(yōu)勢，Cadence 能夠預先訓練默認的 AI 系統(tǒng)，將其作為 1.0 版提供給客戶。在此基礎之上，客戶可以根據(jù)自己的具體需求不斷構建和完善成自己的版本。

Cadence 已推出新一代 AI 驅動的 OrCAD X 平臺，支持 Cadence OnCloud，助力 PCB 設計速度提速5倍！快來點擊下方視頻，一探究竟！

2. 大語言模型在數(shù)據(jù)分析上獨具優(yōu)勢

Cisco 公司

大型語言模型 (large language models，即 LLM) 提供了獨特的機會，能夠以不同的方式分析數(shù)據(jù)。它們不僅可以勝任與語言相關的任務，還能夠從大型數(shù)據(jù)集中學習結構、抽象和內部語法，從而提供有價值的觀點和推理結果。

雖然 GPT-4 可能無法直接用于芯片數(shù)據(jù)庫或其他非語言環(huán)境，但大型數(shù)據(jù)集訓練這種模式，可以讓 AI 模型有能力理解并捕獲從語法到敘事的內在結構。這種理解能力可用于構建大型序列、二維或高維模型，讓它們具備高度可預測性，并有助于根據(jù)特定數(shù)據(jù)特征去進行推理。因此，大型模型的應用價值不僅僅局限于語言本身。

3. AI 擅長推理結果與表現(xiàn)形式

加州大學伯克利分校

機器學習工具讓我們可以理解數(shù)據(jù)集內的映射過程，發(fā)現(xiàn)其中的結構和表現(xiàn)方式。比如說，我們很難摸清楚某個畫家創(chuàng)作的方法和過程。但是，借助機器學習工具，我們有可能通過分析作品數(shù)據(jù)，來呈現(xiàn)復雜的繪制過程，這正關乎推理結構和表現(xiàn)形式。

有趣的是，如果可以訪問足夠廣泛的語料庫，無論是內部語料庫，還是（理想情況下）涵蓋全世界語言的語料庫，就可以實現(xiàn)超線性學習。換言之，AI 可以融合最出色的人類創(chuàng)意，媲美頂級設計人員，生成水平相近的芯片設計。盡管有關知識產(chǎn)權還尚存顧慮，但這方面的潛力是巨大的。

4. AI 成功應用于五種數(shù)據(jù)類型

Meta 公司

到目前為止，AI 最成功的應用集中于五種數(shù)據(jù)類型：文本、圖像、視頻、聲音和代碼。如果客戶的應用基于這幾種，那么 AI 成功的可能性就大大提高。只要證實了結果，即使驗證不是很詳細，方向上也不會出什么岔子。比如說，修改電路時，使用可以快速評估等效是否存在的等效檢查工具是非常有價值的；即使10次結果里對了1次，也無可厚非。

但如果是處理不同的數(shù)據(jù)或涉及到物理方面，就必須考慮采用遷移學習。即使一些物理效應可以用文本描述，但如果向ChatGPT提出一個物理問題，它很可能會給出錯誤的回答，因為這需要使用物理模型。

我們預計，未來兩年內將出現(xiàn)更多驗證技術，用來評估生成式 AI 在 EDA 領域之內或之外的使用效果。這一范疇將不僅限于 EDA ，而是拓展到各種技術堆棧層，成為一種普遍趨勢。

5. AI 可以帶來前所未有的改變

Cadence 公司

AI 其實能夠使競爭環(huán)境更加公平，篩選出真正經(jīng)驗豐富以及更有才能的人。與經(jīng)驗少的人相比，經(jīng)驗豐富的人懂得如何利用 AI 來提升認知，從而真正提升自己的水準。他們會關注到以往那些難以發(fā)現(xiàn)的復雜問題，或探索新的設計架構。經(jīng)驗豐富的人最終會借助 AI 這一利器，上升到新的高度和水平，達到質變。在未來，我們將與現(xiàn)在大有不同——以 AI 為工具，獲得新的啟蒙，重塑自我。

但 AI 不會取代人類。相反，AI 將增強人類的能力，讓我們做出有意義的進步。AI 可以讓我們創(chuàng)造出以前無法制造的芯片，達到前所未有的性能水平和可持續(xù)發(fā)展目標。AI 相當于是催化劑，為人類賦能，讓我們能夠完成以前無法企及的任務，取得突破性的進步。

6. AI 模型助力工程設計格局的完善

Arm 公司

AI 模型可以讓當前的工程設計格局不斷完善。這些工具將專注于優(yōu)化設計周期，實現(xiàn)高效分析，并基于特定的指標有效衡量成功結果。設計通常通過布局布線來實現(xiàn)，以此考慮改善 PPA，但現(xiàn)在還需要考慮其他方面。

利用微架構方面的知識，我們現(xiàn)在可以探索各種技術，如存儲器放置和蝶式連接，這是單憑演算法無法捕獲的。我們要關注來自數(shù)據(jù)庫的線長和其他指標，確保實現(xiàn)最佳結果。雖然機器學習重視了 PPA 的幾個關鍵方面，但它無法保證實現(xiàn)最佳結果，因為還需要確定最佳內存延遲、連接性和其他參數(shù)，而這需要更多分析。

這些工具將提供更大的靈活性，幫助我們開發(fā)新的分析方法，并基于特定的標準來衡量成功。設計互連連接器和 CPU 面臨的挑戰(zhàn)是截然不同的，訓練 AI 來理解這些挑戰(zhàn)不僅僅是比較性能指標那么簡單。

本文的討論就此結束。下一個問題是：

“基于生成式人工智能的工具能否啟發(fā)感興趣的人從事電路或芯片設計，進而解決業(yè)內的人才短缺問題？”

此外，“這些工具是否有助于打造多種多樣的芯片，擴大芯片設計的可能性？”

在之后的文章中我們將繼續(xù)討論。