芯片设计左移成趋势：Synopsys等四家高管谈信任与推理差距

《半导体工程》杂志请来四位业内人士聊左移：Synopsys战略项目与系统解决方案执行总监Frank Schirrmeister、Hiveware业务发展与战略合作副总裁Ronen Laviv、Silvaco业务发展副总裁Jack Berg，以及Axiomise创始人兼首席执行官Ashish Darbari。讨论的话题是，芯片从设计到使用再到更新的流程一直在变，左移技术会带来哪些好处、又有哪些麻烦。

以下为此次对话节选：

SE：设计制造流程左移这件事，大家已经谈了十多年。不过为了提升可靠性和良率、让芯片更快产出，越来越多的功能被塞进流程里。您观察到了哪些变化？

Schirrmeister：数字孪生技术如今也被加了进来，这一步迈得相当靠左。

Berg：确实。眼下的难点是怎么处理多物理场模型。拿这些数据去搭代理模型，很关键。我们越往不同材料的不同技术里钻，就越得回到材料科学求解器和物理求解器上，才能拿到设计人员能用的模型。这种情况眼下出现在部分非数字设计领域，等我们做到CFET层面，它也会用上去。

Schirrmeister：变化有三点。第一，计算、智能体这些手段现在都有了，左移能走得比以往任何时候都远。问题是左移靠不靠得住。代理模型能不能可靠地反映真实发生的情况？这事不能交给智能体去判断。以前做虚拟原型设计，会安排一个人盯着，确保模型准确反映实际情况。这是第一点，信任在变。第二点，你得相信左移模型能预测你正在做的事。不然左移会让你后悔，因为还得再迭代一轮。高通有一次主题演讲，演讲者提到新的推理差距。他说过去是生产力差距，现在是推理差距。他们希望工程师能对产品做推理，进而改进产品。可现有工具还处理不了推理。第三点是左移选项迭代飞快。只要我能信任这些模型，就能开展一些新业务。在架构层面，我可以先做决定，再启动多个选项去测，看模型的预测能力够不够强。

Darbari：左移的讨论至少15年前就开始了。真正变的是人工智能和智能体使用模型。可人工智能智能体里还没建立起来的信任机制，依然摆在那里。我们和客户都在用各种不错的智能体使用模型去解读规范。现在不少讨论转向“从规范到芯片”的流程，因为大家觉得可以从规范文档里提取需求——前提是你手上有规范文档。可多数时候你并没有，这正是问题之一。我在形式化验证工作里看到的另一个大变化是，功能验证如今被当成一个问题，跟安全性、功能安全、功耗问题一样重要，因为所有硬件都依赖人工智能生态系统，而那是投资最大的领域。很多公司从一开始就投资源做功耗、性能和功耗（PPA）分析。比如我知道有客户把设计拿出来，甚至是老一代的设计，说：“让人工智能智能体重写它，优化功耗、性能和功耗。”可我怎么能确定它是对的？我能证明它跟别的东西等价吗？半导体领域十大公司预算雄厚、团队庞大，正在采用智能体人工智能流程，它们很在意的就是这些流程能不能信任。这种信任差距，通常靠尽早采用形式化证明来补。技术本身未必是最大障碍，关键是工具能不能更无缝地集成进系统。

不过仔细看是什么促成了更多左移，答案是调试时间减少。做架构分析时碰上故障，你可以把故障信息回喂给代理。代理会吐出一大堆数据，我们得从中挖出更多洞察。这些时间你利用得有效吗？不管结果对不对，只要需要人工审核，就可能成为左移早期应用的一大障碍。更早采用代理，会不会带来更好的设计、少漏缺陷？这还不好说，而且我认为光靠左移本身解决不了这个问题。

Laviv：左移说的是找出行业里的瓶颈，再研究怎么把尽可能多的工作和排期提前到设计和验证周期的前段。眼下代理商都在积极帮忙，可这些举措又会让我们撞上新的瓶颈或旧瓶颈，而这些瓶颈必须解决。

SE：要同时检查和验证的东西太多了，把这么多活往前挪就成了问题，多芯片组装和生命周期管理还会让事情更复杂。这些部件怎么才能协同工作、保持连接？

Schirrmeister：左移真的是对的吗？左移的前提是，我对最终要做的事心里有数，能提前半年、九个月甚至一年把目标定下来。也许我们想错了。或许我们需要的是一个大方向，然后能根据实现过程中拿到的信息去调整。左移隐含的意思是，只要预先定好某个目标，就能在某个神奇的未来世界里达到

SE 提出，这类设计最大的难题在于芯片上市时的实际工作负载根本没法预判，而眼下这条路更通用，也更看重适应性。

Schirrmeister 回应说，以前不敢这么干，是因为每一步都得按部就班往前走；现在流程更像一个循环。过去产品经理摸清市场就拍板“我来开发这个产品”，18 个月后才发现走不通；如今数据源源不断进来，工作方式可以灵活调整。Darbari 也认同敏捷开发里选择多、变数多，不可能事事事先敲定，做任何东西都是这个现实。不过他并不觉得局面有那么模糊：开发新的机器学习芯片、GPU 或 CPU 时，对之前的衍生设计总归有些底。总体架构用什么，这是清楚的；不清楚的是功耗、功能以及人工智能带来的训练或推理等挑战上，具体实现有哪些选项，这些都是全新的难题。所以不管用不用智能体，每一步都得做多种选择，智能体能把选择做得更高效。他没把握的是，这些敏捷智能体的输出能不能很快被验证、被信任。

Schirrmeister 强调，决策不能交给人工智能，人工智能也不能轻信，这时候就得靠经过验证的模型。Berg 认为这一点很关键：AI 代理不会取代人，它们其实是初级工程师，得由懂行的人来审核。敏捷开发这个概念，以及它变得越来越敏捷，是很现实的。有种说法是流程可以逆向设计，可如果这种逆向设计建立在多物理场求解器之上呢？你搭一个代理模型、数字孪生，然后说“给我一个晶体管或一个芯片——到这个阶段甚至是 RTL 实现的芯片——满足这些约束条件和正在发生的情况”，结果突然得到一个空集，约束过紧了。接下来怎么办？这正是敏捷开发之所以重要的原因。

Laviv 以数字流程为例：如今有虚拟平台、形式化设计、软件仿真、仿真、FPGA，还有工程师和人工智能引擎，需要做些调整。设计 CPU 或其他有形产品时，如果形式化设计能让你更快完成、方案更稳，那么仿真和 FPGA 就能在验证流程里更早跑起来，仿真同样如此。形式化设计、仿真、虚拟原型设计乃至流程本身的瓶颈一旦解决，所有环节都能前移，项目早期就能做出更明智的决策，需要改的时候也来得及调整。

Darbari 说验证这块确实麻烦。他看到一些客户就碰上了这种情况，不得不推倒重来，从零搭建架构，好让芯片应付不同使用阶段的需求。他们可能要造 CPU、GPU、机器学习芯片，就得认真评估自己的方案能不能覆盖所有应用场景。这不容易，软件也掺和在里面，而今天的软件早已不是从前那样。从训练、推理到计算能力，整条流程都牵涉架构层面，最后都得做出相应选择。