西门子：半导体奇点，AI开始加速AI芯片

2026-11-12 18:42 创芯观察来源：海外媒体

1 阅读参与讨论

核心导读 AI正进入半导体工程内部循环，降低软件开发、工具操作和工程分析所需工作量。西门子白皮书提出半导体奇点：更强计算改进设计与制造工具，工具再推动下一代计算。生成式AI与智能体扩展工程能力，物理证据和可信验证持续加速工程闭环。

AI正通过降低开发软件、操作软件工具和开展工程分析所需的工作量，进入半导体工程的内部循环。

雷·库兹韦尔将这种更广泛模式描述为“加速回报定律”：积累的技术能力有助于创建下一个计算范式。在笔者最近的白皮书《半导体奇点：以AI加速集成电路创新》中，笔者将这一理念应用于半导体工程。更好的计算改进用于设计和制造半导体的工具，而这些工具有助于创建下一代计算。

图1将这一循环置于更长的计算历史中。技术不断变化，但每一代都会贡献工具、知识和能力，以帮助创建下一代。

图1：连续的计算范式构建了用于创建下一代的技术能力。

降低下一次实验所需的工作量

半导体工程领域的进步从不遵循平滑的指数曲线。当瓶颈被充分克服，使工程师能够尝试过去在资金、时间、计算或组织成本上过高的事情时，它才会前进。

笔者在计算光刻中的机器学习中亲眼看到了这一点。早期演示令人兴奋，但生产采用需要同时理解机器学习和半导体应用的开发人员、具有代表性的数据、模型管理、知识产权控制和客户信心。只有在模型、数据、部署环境和客户要求共同成熟之后，生产采用才会随之而来。

生成式AI缓解了EDA流程中许多具有代表性的用户复杂性瓶颈。当笔者创建最初面向光刻的SPIE机器学习课程时，原型工作大约花费了200到300小时，其中包括一些生成训练数据方面的帮助。在后来的一次实验中，笔者使用生成式AI在大约30小时内重现并扩展了该原型中数量惊人的功能。这些都是笔记本级原型，而不是生产级计算光刻工具，但探索工作量的变化十分显著。

实际效果是在相同时间表内进行更多工程探索。经验丰富的芯片工程师可以考察更多替代方案并产出更多可用结果，同时减少花在软件和工作流机制上的时间。

扩展工程专家能力的作用范围

智能体AI将这一效果从提供预测或分析扩展到执行一系列工程工作。大语言模型解释意图、组装工作流、检索相关上下文并协调专用工具。工程权威仍保留在EDA工具、模型、合格数据和确定性分析中。

半导体工作流传统上依赖经验丰富的工程师，他们知道该运行哪种分析、哪些数据重要、结果何时可信，以及何时需要更仔细检查。这种专业能力需要多年培养，无法像计算能力或工程需求那样快速扩展。

智能体系统可以扩大这种专业能力的作用范围。在计算光刻中，智能体可以收集近期SEM数据、配置模型校准、调用适当分析、检查收敛性和运行时间，并将异常返回给工程师判断。更多的计算、数据和工具活动可以在每位专家的指导下运行。

西门子Fuse EDA AI通过将AI模型连接到EDA工具、工程知识、专用语言和数据格式来实现这一架构。

制造将模型与物理证据连接起来

计算光刻展示了这一机制。晶圆厂收集晶圆和量测数据、校准模型、使用这些模型驱动校正、测量最终硅片，并将所学内容反馈到下一次校准和工艺变更中。模型通过与物理证据的反复比较得到改进。

这一循环的不同部分需要不同的计算方法。基于物理的仿真预测物理行为。合格模型、规则套件和确定性验证建立工程和签核权威。专用机器学习支持预测、分类和优化。生成式AI改善对知识和工具的访问。智能体协调工作流。加速计算扩展了可在实际时间表内完成的分析。

这些工作流的结果通常是将物理理解和制造观察结果转化为有证据支持的工程干预。仿真指导探索，量测记录发生的事情，模型调和预测与观察，工程行动改变设计或工艺。

随着EDA工具、制造系统和数字孪生可被智能体访问，这一循环可以在更多工作流中运行。智能体可以探索设计与技术之间的权衡，运行仿真和计算量测流程，评估替代方案，并为下一个工程决策整理证据。

信任是工程基础设施

随着工程周期加速，信任的价值不断提高。AI可以快速生成假设、组装工作流并探索替代方案。半导体开发通过工程师能够负责任地采取行动的证据推进：经过验证的设计、合格模型、实测硅片，以及来源和适用性均已明确的数据。

智能体EDA需要工程上下文、安全的数据访问、可追溯的操作、确定性权威，以及人类对重大决策的控制。这些属性属于工作流内部，并提供信任基础。

Calibre nmOPC模型通过与物理量测数据校准并持续比较晶圆上的实际结果来获得信任。模型、校准数据、工艺条件和物理证据共同确定该模型在哪些情况下可以依赖。随着条件变化，模型会重新校准，证据基础也随之扩大。Canopus等AI增强量测工具可以通过增加可用于校准的SEM数据的数量和质量来加强这一基础。

Calibre与晶圆厂认证的规则套件和验证流程一起，确立设计符合制造的物理要求。智能体可以编排更多工作并探索更多可能性，而可信工程工具决定哪些结果允许继续推进。

在设计良好的可信软件基础中访问更多工具后，工程分析可能会在更大的组织或生态系统中遇到瓶颈。建立数据访问、保护知识产权或批准生产变更所需的时间可能成为加速的限制因素。减少建立访问、保护和权威所需的时间将成为下一个工程问题。

图2总结了随着工程工作流加速，限制约束如何转移。物理证据、确定性权威、数据访问、知识产权保护、验证和人类控制占剩余周期时间的更大份额。

图2：随着开发和分析加速，物理证据、确定性权威、数据访问、知识产权保护、验证和人类控制在剩余端到端周期时间中占更大比例。

奇点是不断加速的工程循环

更好的硬件扩展AI能力。AI扩展工程师能够探索和自动化的范围。制造提供物理证据，验证确定哪些结果可以继续推进。

每一次改进都会改变限制约束。半导体奇点是这一工程循环的持续加速：识别下一个约束，在物理和签核需要的地方保留权威，并利用来自硅片的证据来改进创建下一代硬件的工具和决策。