传统EDA触碰到天花板

在过去的几十年当中, 芯片设计效率得以提升这个情况, 几乎全部是依赖EDA工具所取得的进步结果。工程师将数量众多且丰富的经验全部写成规则, 借以使软件能够自动去完成复杂的任务。这样的一种方式, 在以往的时候是非常具备效果成效的, 它促进了芯片设计从手工操作的时代成功迈入自动化的时代。

但是, 随着工艺节点持续不断地演进, 芯片复杂度呈现出指数级的增长态势。传统方法正在逐渐逼近自身的界限——仅仅依靠增加规则以及算法, 已然没有办法应对日益庞大的设计空间了。

新范式的本质区别

传统AI方案从本质上来说依旧是辅助工具, 像是自动生成代码，辅助进行调试, 提供相关建议。这些仅仅能够提升个人的效率, 却解决不了芯片行业的根本问题。

实际的变革在于将芯片设计塑造成为一个由众多智能体构成的团体, 这个体系能够自我运行, 能够自我协作, 甚至能够自我进化, 它并非更为强大的优化工具, 而是一套新型的生产模式。

高维空间的搜索困境

假定电路含有100个晶体管, 每个晶体管都要对W与L这两个参数予以调整, 那么搜索空间便是200维的连续空间。要是再增添工艺、温度、电压以及匹配约束, 维度将会急剧上升。

按照传统的做法, 工程师会预先介入, 加入数量众多的规则, 以此来缩减搜索的范围, 之后再运用诸如贝叶斯优化等别的方法, 去寻觅那个最优的解答。这种方法是依靠人类的经验得出规则来施行的, 然而规则在密度方面, 是没有办法跟得上复杂度的不断增长情况的。

Agent协作的组织架构

芯片设计之时, 需要模拟方面的专家, 数字方面的专家, 工艺方面的专家, 验证方面的专家, 物理实现方面的专家等诸多不同类型的专业人才。在将来的时候, 系统同样会运用类似这般的多Agent架构: 架构Agent去规划系统, 模拟Agent对电路予以优化, 验证Agent找出问题, 工艺Agent处理制造当中的约束。

这跟软件工程从单体程序朝着微服务架构演进相类似, 当单模块没办法承受复杂度之际, 就只能借助组织化达成扩展, 芯片设计天生拥有多专业一同协作、长流程以及高知识密度这些特性, 是多Agent系统里最具价值的应用场景当中的一个。

从规则定义到空间定义

重点的改变并非是对算法自身进行优化, 而是在于哪一方具备界定问题范围的本事。传统的途径是工程师先确定规则, 随后让算法展开搜寻, 在未来有可能演变成人工智能知晓物理规律之后, 动态地判定有效范围, 接着自行开展搜索, 并且总结经验去更新策略。

近几年来，大模型已然呈现出长链路推理、知识迁移以及工具调用等能力。复杂任务并非需要单一的超级模型, 而是能够借助多个具备不同能力的智能体协同加以完成。定制化芯片的设计周期有希望从以工程师的速度作为基准, 转变成为以AI系统的迭代速度作为基准。

产业链的智能化升级

正在成为现实的, 是基于 AI 系统的路线。图表显示, 在完成版图设计任务这方面, 启发式规则方法有着结果, 那智能体工作流方法也有其成果, 而完全自主智能体系统方法亦存在相应情况, 它们之间的效果呈现出明显的差距, 这种差距反映了技术的进步轨迹。

终极目标在于使得超级智能能够径直去执行那些真实的芯片订单, 其范围要实现从设计一直到验证交付的全流程覆盖标点。未来的竞争并非再是关于工程师数量方面的竞争, 而是考量谁能够拥有那种可以持续进行进化的芯片设计智能系统标点。芯片设计超级智能并非是简单的软件工具, 而是一种能够重塑产业链的工程生产方式标点。

你认为由AI所主导的芯片设计在多少年之内能够达成商业化落地, 欢迎于评论区去分享你的观点！