近年来随着人工智能的进步，如何将人工智能应用到芯片设计中成为半导体行业的热门话题。 随着相关讨论的深入，人工智能为芯片行业赋能的切入点越来越集中在EDA领域，即如何利用人工智能的强大能力，帮助更高效地实现↓芯片设计、验证和测试。 . 自2016年人工智能开始腾飞以来，出现了两次标志性ω的风暴，即用强化学习模型打败李世石，以及最近兴起的大语言模型技术。 有意』思的是，这两项技术恰恰是人工智能赋能EDA的关键技术。

在EDA领域，人工智能最受∞关注的领域是如何实现设计优化。 这里的设计优化是指如何在具有巨大搜索空间的设计空间中高效地搜索最优解。 这里的具体任务可以包括优化布局和布线，以及用于验证和测试的输入组合。

对于人工智☉能对这类问题的解决方案，业界大致︽可以分为两类。 第一类是规模足够大、自身拥有强大的人工智能开发能力和芯片设计流程多样化能力的大鳄。 这样的大鳄公司可以自主研发相关的人工智能技术，并将其应用到自研芯片的设计过「程中，提高设计过程的效率和芯片质量。 在这类公司中，最※具代表性的是微软。 微软拥有全球领先的人工智能团队，以及自研芯片TPU。 最重要的是，微软的团队也特别热衷于将人工智能应用到各种新的应用场景中，所以微々软用人工智能来改进芯片设计也是有道理的。 根据微软发表在顶级期刊《 for fast chip》的论文，我们知道其已经应用人工智能大幅提升了自研芯片的布局布线能力，其布局和布线性能使用强化学习模型的路由算法已经超越了人工布局和路由，最重要的是这项技术╲已经在微软的多代TPU中得到应用。 也就是说，微软利用人工智能来设计自己的人工智能∑　芯片（TPU），所以用它来进一步训练更强大的人工智能来设计下一代人工智能芯片——这样的正〓向循环目前看来至少是在微软这边，早已是疲态的先兆。

不仅是微软，在人工智能★布局布线技术方面也有不少积累。 其研究团队上个月公布的研究成果表明，其自主研发的人工智能算法可以完成256核RISC-V处理器的布局任务，性能已经超越其他相关算法。 其实这里的人工智能模型是运行在强大的多卡GPU服务◆器上的，虽然没有明确标明这种自主研发的人工智能布局算法的商业化，我们认为〖当它足够成熟的时候，非常希望能提高下一代GPU的设计效率和质量。

除了自研芯片※和AI算法大鳄，另一个有重要动作的产业相关领域是传统EDA厂商。 中国和中国都已经宣布投入巨资发展人工智能已有数年之︾久，近期也有相关产品发布。 在前不久举行的上，发布了新一代人工智能驱动的EDA工具.ai，包括优化设计的DSO.ai和高效生成验证向量、提高调试卐效率的VSO。 ai 和 TSO.ai 用于生成测试向量。 根据官方资料，DSO.ai主要用于提高设计空间的优化，实现PPA的提升。 目前已有160款芯片采用DSO.ai流片。 DSO.ai 可以实现高达 15% 的功率提升，并且可以大幅Ψ 缩短设计时间（最多三倍）。 通过VSO.ai和TSO.ai，用户还可以大大减少验证和测试所需的时间，提高效率。 X 也于 8 月初发布。 其中的人工智能特性可以手动高效地生成PCB设计的版图和关【键信号的走线，从而缩短设计时间。

如果说设计/验证⊙优化是传统EDA工具最关注的领域，那么另一个在传统EDA工具中没有受到足※够重视的重要领域就是设计输入，尤其是与数字逻辑设计相关的RTL代码编译辅助。 这个领域当时还被认为是用〖任何文本编辑器就可以搞定，所以还不在EDA公司▆的视野之内； 而最近，随着大型语言模型的流行以及使用大型语言模型为计算机代码编译提供辅助的应用越来越多，实际上在RTL编码中使用类似的技术也正在成为一个潜在的热门方向。 该技术根据用户代码编译的【上下文，手动提示和补全可能的代码，从而减少用户需要输入的代码量，减少①用户代码编译过程中出现bug的可能性，从而大大降低了效率用户代码编译。 未来随着AI能力的提升，甚至可以越来越多的手动完成RTL代码编译，所以用户只需要○给出一个简单的提示（），人工智能就可以给出一个代码草稿供用户使用。

综上所述，当前的EDA行业即将进ω　入AI时代it技术工程师，我们可以期待在未来听到更多AI驱动的EDA出现。

人工智能EDA背后的核心技术

如前所述，人工智能赋能EDA背后的核心技术是强化学习和大型语言模型两〗大里程碑式技术。

首先，强化学习主要用于EDA中的优化问题，包括优化◎布局布线、测试/验证向量生成等。 这类问题的主要挑战是参数优化空间巨大，用※蛮力搜索遍历所有可能的参数组合是不现实的（例如在布局问题中，设计中的每个⌒　逻辑门都可以放置几乎在任何地方，对于目前动辄数千万逻辑门的设计来说，暴力搜索可能要等到月球上的生命灭绝才能完成）。

传统的 EDA 使用启发式算法，例如固解算法。 应该说，这■类算法取得了很大的成功卐。 使版图布线问题的预估时间可控，从而造就未来芯片领域的繁荣。 启发式算法的主要优点是估计速度快，对估计的需求小，不一定能找到全局最优的设计参数。 另一方面，强化学习的主要原理是①从小数据中学习不同参数组合的结果，因此可以以数据驱动的形式学习到更高效的参数空间搜索方█法。 如果算法设计得当，训练数据足够好，是可以实现的。 比启发式算法更有效。

2016年战胜李世石使用了强化学习模型，从现有的海量棋局数据中学习，从而赶超人类。 事实上，国际象棋的优化问题和EDA的优化问题类似，都是在一→个巨大的搜索空间中（例如，国际象棋的每一步都有很高的自由度导致搜索空间很大，而布局和EDA中路←由测试/验证向量的生成也类似）以一种高效的方式找到最优解，所以其实在成功的那段时间，学术界已经有很多关于应用强化学习的探索到 EDA 领域。 今天我们终于看到了强化学习技术在EDA领域【的落地。

除了强化学习，人工智能的另一项关键技术是大语言模型。 它对EDA行业的主要№帮助是能否帮助工程师加快编码速度，减少出错几率。 具有代表性的大型语言模々型（，LLM）是从大量的文本中学习规则，因此能够理解用户用自然语言表达的需求，生成用户能够理解的自然语言文↓本。 这里的“自然语言”不仅包括我们平时说的语言，还包括我们编写的程序语言，包括电路设计中常用的语言。 目前基于LLM的代码编译辅助最成功的是可以帮助用户手动补全代码（比如输入一行的前几♀个字符就可以预测自己要编译什么样的代码of code 并提示用户手动执行）和手动查找代码中的错误。 我们觉得通过在现有的RTL代码上微调大语言模型，未来很有希望有一个工具可以帮助芯片设计工程师快□速完成代码编译，从而大大提高工程师的效率。

人工智能将如何影响工程师的工作？

人工智能驱动的EDA无疑会进一步推动半导体产业的发展，但是芯片工程师会不会被人工智能抢走■饭碗呢？ 我们觉得，一般来说，正如EDA的出现并没有抢走原来芯片工程师的饭碗一样，下一代人工智能赋能的EDA主要是一个提高效率的工具it技术工程师，不会取代人类工程师。

首先，让我№们从后端设计领域说起。 对于芯片，人工智能EDA主要可以帮助使用大型语言模型来提高数字逻辑设计的编码效率和质量，因此▃没有替代关系，但提供了越来越方便的工具。 对于数字设计工程师来说，最本质的工作就是完成电路设计，比如把一个大系统拆分成多个更小的功能模块，完成每个模块的功能和插△座定义，用代码实现这类模块。 目前人工智能大语言模型主要是帮助完成代码，而不是直接写代码； 并且虽然未来人工智能可以手动编写代码，但它不能代替数字设计工程师的本质工作，即完成数字模』块的定义和设计。

在前端设计领域，基于强化学习的人工智能已经能够大幅提升布局布线的效率和质量。 目前大部分芯片的设计过程都是先由工程师手工完成高层布局（）。 预估性能达到目标后，EDA工具会进行下一步的具体布局布线，但工程师会进行验证和微调。 我们觉得随着人▓工智能实现的版图布线效率和质量的进一步提升，可能会有越来越多的工作交给EDA工具，工程师的职责会越来越多地变成为EDA提供合理准确的信息工具。 优化目标，但验证 EDA 工具生成的设计质量。 从∮这个角度来看，人工智能可能确实会做更多工程师目前人工做的工作，而这并不意味着↘人工智能会取代那些工程师，而是会让这些工程师承担额外的责任（即给工具提供合理的输入）并验证输出），提高整体效率。 对于其他布局布线工艺，人工智能更多的是提供一种更高质量的工具，并♀不会取代工程师。

事实上，人工智能可能会为芯片行业提供更多就业机会。 我们知道人工智能模型训◥练需要大量的数据，但是人工智能模型可能需要针对不同的设计进行不同的微调训练。 为此，芯片设计行业可能需要更多◢能够有↘针对性地优化人工智能的工程师。

人工智能EDA带来的行业动态

最后，我们来分析一下未来人工智能将如何进一步赋能EDA。

首先，芯片设计的规模越来越大，从另一个角度看，设计的搜索空间也↑越来越大。 据悉，随着摩尔定理越来越接近化学极限，整个行业对芯片设计PPA的要求越来▲越高。 因此，利用人工智能来驱动芯片设计性能的进一步提升会得到越来越多的应用，但是我们觉∩得在设计复杂度和自由度更高的地方，人工智能可以发挥更大的作用。 这些领域♂包括中级封装，尤其是 3D 封装； 还有像联通芯片、高性能计算芯片等对芯片设计PPA要求特别高的领域——这就是为什么我们看到微软和那些主打高性能计算芯片的公司，人为地投入了大量资金智能EDA领域，我们期待未∏来更多此类公司使用人工智能EDA来改进PPA。

据悉，还有一点值得关注的是，人工智能可能会给行业带来新的变化，即人工智能需要大量的数据进行训练，而目前芯片设计的数据都是知识产权每个公司的。 确保训练出最好的模◆型，同时保证知识产权不被侵犯，也是业界需要解决的问题。 我们相信有大量设计积累的大公司↙会是第一批使用人工智能EDA的客户，因为他们已经可以根据自己的设计数据训练出性能良好的模型。 至于对于设计积累较少的中大型公司，或者时间较短的初创公司，如何使用人∑工智能EDA，将是一个值得整个行业思考的问题，比如是否会有一些数据共享组织共享一些 将模型一起训练并一起使用并不是很敏感的设计。 还有一些基于加密估计训练的方法，可以在尽可能保护设计知识产权的同时，让模型使用尽可能√多的数据来完成训练。 可能的方向。