60年前，一家名叫仙童的公司造出了一個包含四個晶體管的新產(chǎn)品。60年后，這個名叫『芯片』的東西已經(jīng)徹底改變了世界，而它其中包含的晶體管的數(shù)量已經(jīng)超過1000億。

　　《芯片戰(zhàn)爭》這本書里寫到：2021年，芯片行業(yè)生產(chǎn)晶體管的數(shù)量，已經(jīng)超過了人類歷史上所有其他行業(yè)的公司生產(chǎn)所有產(chǎn)品的總和。

　　為了支持如此大的規(guī)模，芯片設(shè)計的方法也經(jīng)歷了很多階段。早年間，芯片里所有的電路和晶體管都是用手畫出來的；但隨著芯片的規(guī)模和復(fù)雜度的指數(shù)級增長，芯片工程師開始使用計算機(jī)和EDA軟件來輔助進(jìn)行芯片設(shè)計。EDA這種工業(yè)軟件，也成為了芯片產(chǎn)業(yè)至關(guān)重要的核心環(huán)節(jié)。

　　現(xiàn)在人工智能大爆發(fā)，那我是不是可以用AI來幫我設(shè)計芯片呢？如果可以的話，AI能用在哪些芯片設(shè)計環(huán)節(jié)？每次產(chǎn)業(yè)發(fā)生變革，都將帶來洗牌的機(jī)會，那么對于普通人來說，AI和EDA的結(jié)合又帶來了我們能抓住的新機(jī)遇？今天這篇文章，就帶大家一起來看看這幾個問題；全都是硬核干貨，記得點(diǎn)贊收藏，保存起來慢慢看。

　　芯片設(shè)計的一般流程

　　為了說清楚AI如何幫助芯片設(shè)計，我們就得先說清楚芯片設(shè)計的流程和步驟。雖然芯片的功能五花八門，但設(shè)計一顆芯片通常遵循著非常類似的流程和步驟。像蘋果、高通、英偉達(dá)這些公司，基本都是按照我接下來介紹的步驟來設(shè)計一顆芯片的。

　　總體來看，芯片可以分成前端設(shè)計和后端設(shè)計兩個部分。前端說的是這個芯片是什么、它有哪些部分，后端說的是這個芯片的各個部分長什么樣。

　　具體來說，前端負(fù)責(zé)芯片的邏輯電路設(shè)計，包括系統(tǒng)架構(gòu)定義、RTL編碼、邏輯綜合，在這個過程中會進(jìn)行多次的仿真驗(yàn)證，最終得到門級的網(wǎng)表；后端主要負(fù)責(zé)芯片的物理設(shè)計，包括布局布線、性能優(yōu)化、功能測試等等步驟，最終會得到一個芯片電路的物理版圖，提供給晶圓廠制造。

　　其實(shí)設(shè)計芯片和蓋房子很像，前端設(shè)計就是做出房子的設(shè)計圖，比如包含幾個房間，每個房間的功能是什么、餐廳還是臥室。而后端設(shè)計就是按設(shè)計圖畫出這個房子的施工圖紙，包括建筑施工的步驟，用鋼結(jié)構(gòu)還是磚混，怎么拉網(wǎng)線走水電等等。這樣建筑隊(duì)，也就是晶圓代工廠，就可以拿施工圖紙去把芯片造出來了。

　　在前面說的這些步驟中，AI已經(jīng)幾乎無處不在了，我們一個一個來看。

　　用AI生成RTL代碼

　　編寫RTL代碼，是芯片設(shè)計萬里長征的第一步，它主要目的是定義芯片的功能和結(jié)構(gòu)。

　　RTL是一種硬件描述語言，它能精確的描述組成芯片電路的各種信號、邏輯操作、數(shù)據(jù)傳輸和電路結(jié)構(gòu)。就像寫軟件的編程語言有C、C++、Python一樣，常見的RTL語言也有很多，比如Verilog、VHDL、SystemVerilog，還有最近幾年比較流行的Chisel等等。通常芯片工程師都是人肉寫RTL，非常痛苦，但大語言模型出來之后，人們就開始探索使用ChatGPT這樣的大模型來直接生成RTL代碼，我的課題組也做過一些這樣的嘗試。

　　我們目前的結(jié)論是，大模型肯定可以幫助提升寫RTL代碼的效率，用它來寫一些比較常見或者規(guī)模比較小的電路模塊是沒問題的；但是，當(dāng)前的效率提升還比較有限。

　　為什么這么說呢？我們都知道，大模型的表現(xiàn)很依賴于訓(xùn)練語料的數(shù)量和質(zhì)量。對于軟件來說它有很多高質(zhì)量的開源代碼，所以就出現(xiàn)了像copilot這樣的殺手級應(yīng)用，極大提升了軟件工程師的開發(fā)效率。

　　但芯片硬件的RTL代碼是各家芯片公司最核心的技術(shù)機(jī)密，我們從來也沒看到英偉達(dá)蘋果開源他們的芯片設(shè)計吧。缺少高質(zhì)量的硬件代碼做訓(xùn)練數(shù)據(jù)，那大模型的能力自然就會比較弱了，這也是使用AI輔助芯片設(shè)計的一個比較大的問題。

　　我們組做過一個定量的評測，看大模型生成的芯片電路到底有多能打，回頭單獨(dú)寫一下，感興趣的朋友別忘了給我一個免費(fèi)的贊，點(diǎn)贊越多更新越快。

　　AI輔助芯片驗(yàn)證

　　接下來再來說功能驗(yàn)證，這其實(shí)是整個芯片設(shè)計環(huán)節(jié)中最重要、但最容易被初學(xué)者忽視的環(huán)節(jié)。驗(yàn)證顧名思義就是要確保芯片的功能是正確的。比如你做了一個加法電路a+b=c，就需要驗(yàn)證當(dāng)a=1、b=1的時候，c=2.

　　驗(yàn)證之所以非常重要，是因?yàn)樗呀?jīng)成為整個芯片開發(fā)周期中最耗時、消耗算力最多的環(huán)節(jié)。說個數(shù)據(jù)大家就知道了。全球最大的EDA公司Synopsys新思科技發(fā)過一個技術(shù)報告，里面說驗(yàn)證已經(jīng)占據(jù)了整個芯片開發(fā)周期高達(dá)70%的時間。做一次芯片的流片、也就是去制造一次的成本要上億美元，如果因?yàn)橐粋�bug導(dǎo)致整個芯片報廢，那損失就大了。

　　這個事情不是沒發(fā)生過，1994年美國林奇堡學(xué)院的一位數(shù)學(xué)系教授Thomas Nicely發(fā)現(xiàn)，使用奔騰處理器做特定的浮點(diǎn)數(shù)除法的時候，總會出現(xiàn)錯誤的答案。比如他用一個數(shù)字去除以824,633,702,441時，答案一直是錯誤的。后來藍(lán)廠證實(shí)是因?yàn)楸简v處理器的一個用于浮點(diǎn)運(yùn)算的預(yù)編程算法存在bug，平均每做90億次長除法就會出現(xiàn)一次錯誤結(jié)果，相當(dāng)于七百年一遇。后來藍(lán)廠召回了所有受到影響的奔騰處理器，并且損失了5億美元。

　　30年過去了，現(xiàn)在的芯片變的越來越復(fù)雜，那要在驗(yàn)證上花的力氣就越多了。比如驗(yàn)證一個Arm處理器核，就需要10的15次方個驗(yàn)證周期。什么概念呢？如果用軟件仿真器的話，需要15000年才能跑完、做到完全驗(yàn)證，這顯然是不現(xiàn)實(shí)的。

　　通常來說，芯片驗(yàn)證并不是要窮舉驗(yàn)證所有的功能，而是要定義最關(guān)鍵的功能和代碼，確保這些內(nèi)容要被充分驗(yàn)證到。這其實(shí)就是在定義一個驗(yàn)證的狀態(tài)空間。也就是說，我們把汪洋大�？s小到一個大明湖，這樣就能在有限的時間、人力、算力的情況下，保證芯片的功能正確。而覆蓋率就是用來評估驗(yàn)證完成度的指標(biāo)。

　　但在實(shí)際的驗(yàn)證過程中，達(dá)成100%的覆蓋率是很困難的，它主要面臨三個問題。第一，如何定義覆蓋率本身。通常要覆蓋的內(nèi)容是由經(jīng)驗(yàn)豐富的工程師人工定義的，并不一定全面。第二，覆蓋率在收斂的過程中會越來越難。在做驗(yàn)證的過程中，需要上千次的仿真測試。隨著覆蓋率的提升，簡單的隨機(jī)測試就不夠用了——這是因?yàn)榈吞幍墓颖徽貌畈欢嗔耍绻胍礁叩墓樱鸵罡叩奶葑�、用更專業(yè)的工具、有時候也要靠運(yùn)氣才行。第三，如何確定驗(yàn)證已經(jīng)完成。達(dá)到100%的覆蓋率并不代表芯片功能100%正確，可能是你設(shè)置的標(biāo)準(zhǔn)太低了。所以需要對仿真中收集到的海量數(shù)據(jù)進(jìn)行分析，并且判斷到底是不是真正實(shí)現(xiàn)了最終的驗(yàn)證收斂。

　　所以，芯片工程師這幫大聰明們就想用人工智能來幫助做芯片驗(yàn)證。比如Synopsys新思科技就提出了一個VSO.ai工具，使用AI來優(yōu)化驗(yàn)證空間，從而加快覆蓋率的收斂速度。比如，針對定義覆蓋率目標(biāo)的難題，VSO.ai就能夠推斷出一些不同的覆蓋率類型，不再拘泥于傳統(tǒng)的代碼覆蓋率，而是和芯片工程師指定的覆蓋率形成互補(bǔ)。AI還能從驗(yàn)證的經(jīng)驗(yàn)中不斷學(xué)習(xí)，然后不斷優(yōu)化覆蓋率的目標(biāo)。

　　為了加快覆蓋率的收斂速度，AI可以解放驗(yàn)證工程師，不用做手動優(yōu)化，而是自動去學(xué)習(xí)和調(diào)整各種測試，同時消除那些重復(fù)勞動，在加快覆蓋率收斂的同時節(jié)省計算資源。

　　AI還能自動分析覆蓋結(jié)果，分析導(dǎo)致bug的根本原因，或者嘗試推理為什么沒有達(dá)到某些特定的覆蓋點(diǎn)，這樣幫助驗(yàn)證工程師更快的判斷驗(yàn)證是否完成。

　　有了AI之后，就會大大縮短覆蓋率的收斂時間。比如在驗(yàn)證OpenTitan HMAC這個IP的時候，使用了VSO.ai就能將測試次數(shù)縮減到之前的1/3，覆蓋率結(jié)果的質(zhì)量也提升了10%。瑞薩電子在減少功能覆蓋盲區(qū)方面實(shí)現(xiàn)了10倍優(yōu)化，并將IP驗(yàn)證效率提高了30%。對于一個動輒需要幾周甚至幾個月才能跑完的驗(yàn)證工程來說，縮短1/3的時間帶來的效率提升是巨大的。

　　近年來驗(yàn)證對于芯片行業(yè)來說越來越重要了，也是普通人進(jìn)入芯片行業(yè)值得考慮的方向。我對驗(yàn)證算是略懂，因?yàn)槲椰F(xiàn)在就在做芯片驗(yàn)證相關(guān)的學(xué)術(shù)研究，目標(biāo)也是通過人工智能和硬件加速這些方法，讓芯片驗(yàn)證的過程更快、更高效。這里打個小廣告，我的研究團(tuán)隊(duì)一直招收工程師和實(shí)習(xí)同學(xué)，我每年也有研究生指標(biāo)，歡迎感興趣的同學(xué)和朋友加入我們，一起搞有意思的事情。

　　AI輔助芯片布局布線

　　2021年，谷歌在自然雜志上發(fā)表了一篇工作，介紹了谷歌使用深度強(qiáng)化學(xué)習(xí)方法，把芯片布局設(shè)計從原來的數(shù)周縮短到了6個小時。

　　布局布線指的是，芯片上有各種各樣的組件和模塊，需要把他們合理的放置在芯片上有限的空間內(nèi)，并且用導(dǎo)線連接起來，在滿足各種電氣規(guī)則和限制的前提下，盡可能的達(dá)到最好的功率、性能和面積。

　　通常來說，這個工作是由EDA工具完成的，但為了性能的最優(yōu)化，需要芯片工程師不斷進(jìn)行手工調(diào)整。調(diào)整之后再給EDA工具再做一版，然后不斷循環(huán)這個過程。這就像家里軟裝的時候放各種家具，看怎么擺放才能達(dá)到空間利用率最優(yōu)、動線最合理，只不過每調(diào)整一次就要把家具都拿出去然后重新來一遍，非常費(fèi)時費(fèi)力。

　　于是谷歌就想，能不能像做游戲一樣去做芯片的布局布線呢？比如把性能優(yōu)化的條件看成是游戲的獲勝條件，用包含狀態(tài)、動作、狀態(tài)轉(zhuǎn)移、獎勵四個關(guān)鍵要素的強(qiáng)化學(xué)習(xí)方法，通過訓(xùn)練一個智能體，用累計獎勵最大化，讓AI優(yōu)化芯片布局的能力持續(xù)增強(qiáng)。于是他們開了10000局游戲，讓AI在1萬個芯片上練習(xí)布局布線并收集數(shù)據(jù)，同時不斷學(xué)習(xí)優(yōu)化。最終他們發(fā)現(xiàn)和人類工程師相比，而AI在面積、功率和電線長度方面優(yōu)于或媲美手動布局，同時滿足設(shè)計標(biāo)準(zhǔn)所需的時間要少得多。

　　為了得到一個最優(yōu)的芯片設(shè)計，核心其實(shí)是優(yōu)化芯片的功耗（Power）、性能（Performance）和面積（Area）這三個衡量芯片設(shè)計質(zhì)量的關(guān)鍵指標(biāo)。這個問題也叫做設(shè)計空間探索。

　　功耗優(yōu)化指的是減少芯片在運(yùn)行時消耗的能量，這意味著更長的電池壽命和更低的運(yùn)行成本。功耗優(yōu)化可以通過多種方式實(shí)現(xiàn)，包括低功耗電路設(shè)計技術(shù)、先進(jìn)的電源管理技術(shù)等等。性能優(yōu)化更關(guān)注提高芯片的處理速度和響應(yīng)能力，可以通過改進(jìn)處理器架構(gòu)、增加核心數(shù)量、增加流水線級數(shù)等方式實(shí)現(xiàn)。面積優(yōu)化就是要減少芯片所占的物理空間，從而減少制造成本、提高芯片集成度。面積優(yōu)化通常通過更緊湊的布局設(shè)計、或者采用更先進(jìn)的制造工藝來實(shí)現(xiàn)。

　　有位哲人（我）曾經(jīng)說過，高富帥易得，但PPA難得。在實(shí)際的芯片設(shè)計中，PPA三個因素往往相互制約，比如提升性能就會增加功耗和面積，這就需要根據(jù)具體的應(yīng)用在三個關(guān)鍵指標(biāo)中取得最佳的平衡。比如對于智能手機(jī)芯片，低功耗和小面積可能就是首先要考慮的因素；而對于高性能計算或者服務(wù)器芯片來說，性能就是最關(guān)鍵的。但是一個芯片的PPA參數(shù)不計其數(shù)，需要芯片工程師花費(fèi)大量的時間去探索和尋找最優(yōu)的組合，有點(diǎn)大海撈針的那個味兒了。

　　說到這里大家應(yīng)該也能想到了，這種不斷嘗試和搜索的問題，其實(shí)都可以用AI來幫忙解決。比如把AI和用來做PPA探索的EDA工具結(jié)合，讓AI來自動找到最優(yōu)的芯片設(shè)計。AI還能把從一個項(xiàng)目里學(xué)到的經(jīng)驗(yàn)用在未來的項(xiàng)目，大幅提升了芯片的設(shè)計效率�；谶@些思路，工業(yè)界已經(jīng)在開發(fā)類似的產(chǎn)品了。比如Synopsys新思科技就在2020年推出了DSO.ai，它是業(yè)界首個AI+EDA的芯片設(shè)計解決方案，采用強(qiáng)化學(xué)習(xí)技術(shù)，通過AI來自主搜索設(shè)計空間的最佳平衡，不需要人工介入。

　　這個工具已經(jīng)在很多芯片大廠落地使用了。比如采用了DSO.ai之后，微軟將芯片模塊的功耗降低了10%-15%、但性能指標(biāo)沒有下降；意法半導(dǎo)體將PPA的探索效率提升3倍以上；存儲芯片大廠SK海力士將芯片面積減小了5%。根據(jù)Synopsys的數(shù)據(jù)，現(xiàn)在DSO.ai已經(jīng)成功實(shí)現(xiàn)超過300次商業(yè)流片，這其實(shí)也標(biāo)志著AI能夠幫助真正的芯片設(shè)計與生產(chǎn)。

　　除了工業(yè)界的工具之外，學(xué)術(shù)界也有很多探索PPA和設(shè)計空間探索的研究工作和開源工具，比如UCLA的叢京生教授團(tuán)隊(duì)開發(fā)了面向深度學(xué)習(xí)加速器的AutoDSE和GNNDSE工具等等。這其實(shí)也是一個非常熱的研究領(lǐng)域，推薦大家關(guān)注。

　　AI輔助芯片測試

　　芯片完成設(shè)計并生產(chǎn)之后，并不是大功告成了。芯片開發(fā)者還需要把foundry制造的有缺陷的芯片篩出來。這通常需要把芯片插到特定的測試器設(shè)備里，然后運(yùn)行大量的測試程序。測試的方法就是給芯片輸入大量的測試輸入，然后看輸出是否符合預(yù)期。測試輸入的數(shù)量越多，意味著測試更加全面，但也可能帶來更高的測試時間和成本。所以，測試向量的數(shù)量不是越多越好，而是在測試效率和各種場景的覆蓋率中間找到一個良好的平衡。

　　這時候AI的能力就又體現(xiàn)出來了，一方面AI可以根據(jù)測試的要求，更加精準(zhǔn)的自動產(chǎn)生輸入；另一方面AI可以不斷學(xué)習(xí)測試指標(biāo)、設(shè)計特性和已經(jīng)完成的測試之間的關(guān)系，對測試輸入進(jìn)行動態(tài)調(diào)整，用更少的測試向量實(shí)現(xiàn)更高的覆蓋率，從而減少測試時間和資源。比如Synopsys有一個名叫TSO.ai的工具，就實(shí)現(xiàn)了上面這些功能。根據(jù)他們的數(shù)據(jù)，可以將的平均數(shù)量減少20%到30%。

　　能否用AI設(shè)計一顆完整芯片？

　　前面說的都是芯片設(shè)計開發(fā)的關(guān)鍵環(huán)節(jié)，以及他們?nèi)绾闻cAI進(jìn)行結(jié)合。那么有沒有用AI直接設(shè)計完整芯片的例子呢？這一步登天目前還有難度，但其實(shí)也有國內(nèi)外的團(tuán)隊(duì)在嘗試了。比如，紐約大學(xué)的學(xué)者就用ChatGPT、完全通過對話的方式設(shè)計了一顆非常簡單的8位處理器芯片。當(dāng)然從專業(yè)的角度來看，這可能只是一個比玩具還簡單的例子，計算機(jī)領(lǐng)域的大牛、杜克大學(xué)的陳怡然老師也說，這更像是一個prompt engineering的功能演示。

　　不過也有更復(fù)雜的AI設(shè)計芯片的例子，比如中科院計算所就用AI花了五個小時生成了一個RISC-V處理器芯片「啟蒙一號」，它有400萬個邏輯門，性能和英特爾的80486相當(dāng)�？傮w來看，AI設(shè)計完整芯片的能力還比較有限，但這或許也是芯片發(fā)展的下一波機(jī)遇。

　　對于各家芯片大廠來說，他們也在開始嘗試將AI引入芯片設(shè)計的全流程，比如AMD已經(jīng)在設(shè)計測試和驗(yàn)證階段采用AI，英偉達(dá)CEO老黃也表示，芯片制造會是AI的理想應(yīng)用。為此，EDA工具也在不斷進(jìn)化，再拿Synopsys舉例，他們也推出了面向芯片開發(fā)全流程的Synopsys.ai,它構(gòu)建了一個基于AI的全棧式EDA平臺，覆蓋從架構(gòu)設(shè)計到制造的整個設(shè)計流程，也集成了名叫Data Analytics.da的AI大數(shù)據(jù)分析功能。事實(shí)上，2020年發(fā)布首個AI驅(qū)動的芯片設(shè)計方案DSO.ai時，Synopsys的市值是200多億美元；三年之后，隨著Synopsys.ai的推出，Synopsys的市值一路突破八百億美元。

　　將EDA和AI進(jìn)行結(jié)合，已經(jīng)成為未來芯片設(shè)計的新范式。

　　回到一個很多人都很關(guān)心的問題，人工智能到底會不會取代芯片工程師？如果AI學(xué)會了設(shè)計芯片，未來會不會出現(xiàn)像天網(wǎng)那樣的超級智能呢？

　　從前面的介紹不難看到，人工智能主要用來幫助自動尋找和探索最優(yōu)解，簡化和加速重復(fù)的任務(wù)，并且主要適用于有明確規(guī)則的應(yīng)用領(lǐng)域。相比之下，人類工程師和科學(xué)家更擅長設(shè)計、創(chuàng)意，或者從微小甚至不相關(guān)的領(lǐng)域產(chǎn)生靈感。就像一個從樹上掉下來的蘋果，會啟發(fā)牛頓創(chuàng)造出物理學(xué)的基礎(chǔ)理論一樣，對于芯片來說，AI已經(jīng)帶來了一場新的革命。它幫助芯片工程師分擔(dān)了重復(fù)性的芯片設(shè)計、驗(yàn)證和測試任務(wù)，從而讓人們更專注于擅長的事情：創(chuàng)新。

　　當(dāng)AI開始設(shè)計芯片，閣下該如何應(yīng)對？其實(shí)AI和人會形成很好的互補(bǔ)，AI也會極大提升人們探索新知的能力和效率。而芯片，這個源自于沙子、又匯聚人類最先進(jìn)知識的小東西，未來或許將會是人類和AI聯(lián)合創(chuàng)作的藝術(shù)品。

　　關(guān)于AI造芯到底靠不靠譜你怎么看，也歡迎評論區(qū)說說你的看法。

　�。ㄗⅲ罕疚膬H代表作者個人觀點(diǎn)，與任職單位無關(guān)。）