半导体产业 沉浸阅读 · 约 9 分钟
全文 3,695 字

AI智能体能否成为新的半导体IP?

核心导读 AI智能体正作为可复用设计能力进入半导体设计流程,可加快定制化并降低成本,但也给编排、验证与工具集成带来挑战。按用量计费或重塑EDA商业模式,但信任与专有数据仍是障碍。

要点:AI智能体可使定制化设计工作流更快,且开发成本更低。多智能体系统为编排、验证和工具集成带来新挑战。按使用量计费可能重塑EDA商业模式,但信任和专有数据仍是障碍。

AI智能体正在成为一类新的可复用设计能力,但有所不同。智能体并非提供定义严格的设计模块,而是可用于探索不同选项、整合这些选项,并利用这些变化改进设计。

在先进工艺节点,软IP开发商十多年来一直为大型客户定制代码,以提升性能和/或降低功耗。但这种定制通常范围有限且成本高昂,针对某一设计的优化可能无法直接转移到衍生芯片,尤其是先进工艺节点的多裸片组件。

相比之下,智能体可用于在很少或没有人工干预的情况下定制不同功能,并可针对不同工作负载和使用场景进行自我优化,一些智能体甚至能针对老化硬件进行调整。它们完成这些工作的速度远快于人类,尽管仍需要经验丰富的工程团队验证这些结果和建议。

ChipAgents首席执行官William Wang表示:“我们拥有内部专用AI智能体,可完成不同任务,包括规格分析、用于设计的RTL生成、形式验证和功能验证,以及CDC连接和布局布线。我们向客户提供优化后的智能体,有时客户会构建自己的AI智能体。但这与IP业务有一些相似之处。有时我们会专为某一客户的特定流程构建一个智能体,这与IP业务中的情况类似。不同之处在于,我们能在非常短的时间内完成。IP需要10个月,我们的周期要短得多,因为AI智能体非常容易定制。在某些情况下,我们当天就能向客户提供解决方案。”

这些解决方案仍需验证和调试。但快速梳理众多不同选项的能力是一个具有吸引力的模式,尤其是在AI快速演进的情况下。

Movellus首席执行官Mo Faisal表示:“我会把它与21世纪初的千兆赫兹竞赛相提并论,当时一切突然都变成了多核。现在我们已经从‘一切都将是GPU’转变为‘不,是CPU和GPU,而且这是一对一比例’。因此,实际上我们正在经历每10到15年就会经历一次的同样架构变动。”

智能体的商业

围绕智能体的商业模式仍需定型,但也需要足够灵活,能够以与技术相同的速度演进。

楷登电子战略与新业务高级集团总监Rob Knoth表示:“如果回顾EDA行业如何演进,我们已经不再销售永久许可证。多年前我们就转向了基于时间的许可证。现在随着智能体出现,我们看到了类似情况。它们进一步推高了工具使用量,因为它们希望快速找到答案,并尝试大量实验。因此,构建更多基于使用量的模式非常有益,因为客户知道如何使用这种模式。”

不过,这并非简单的转变。尽管智能体的前景可观,但它们在芯片设计中的采用仍需时间。此外,安全和权限并不总是定义明确。

Silvaco首席执行官Wally Rhines表示:“有些事情上,你实际上更愿意销售智能体,而不是销售软件。人们正在试图弄清楚,EDA领域是否真的有人在基于token计价,而不是传统定价模式。目前似乎还没有人这样做,但他们的客户都在谈论这件事。我非常愿意销售一个能够自动完成制造设备校准的智能体,然后返回我的合成仿真数据库,与物理数据进行对照。我们看不到物理数据,但我们知道智能体消耗了多少token。这是EDA销售产品、获得收益的一种方式,同时任何人都不会看到企业希望保持专有的底层数据。”

分而治之,但有注意事项

从生成式AI转向智能体AI的一个重大变化是需要编排,这具有广泛的商业影响。编排基本上是一张蓝图,定义任务如何分配、智能体如何访问工具和数据,以及工作如何协调。但如果多个智能体同时执行且动作相互重叠,这将尤其具有挑战性。

安谋云AI客户工程副总裁Robbie Williamson表示:“传统AI与智能体AI的不同之处,在于多个并行工作但执行不同类型工作的智能体之间的协调。这并不是说出现了一种我们以前从未见过的独特工作负载。更多问题在于如何在CPU层面协调所有这些任务,并拥有足够带宽、内存等,以大规模完成这些工作。过去是个人发出请求并驱动AI,现在计算机可以更快地完成。我们与超大规模云服务商交流时看到的转变,是他们现在需要从CPU获得什么。在训练中,这一点不那么重要,因为你只是批量提交任务并等待结果返回。”

这在设计流程中形成了新的层级结构。新思科技创新高级副总裁Prith Banerjee表示:“在这种多智能体工作流中发生的情况是,在一个组织里,你正在尝试设计一颗芯片。当PPA出现问题时,一些工程师会说他们完全知道要做哪些改动来降低功耗。他们会做时钟门控。但当你对功耗进行时钟门控时,它会改变其他东西,会增加面积。因此会增加一些面积——这正是现实世界中多人协作设计系统时因协调而发生的情况。在多智能体框架的世界里,人类经理正在协调人类代理的活动。我们有用于EDA工具的智能体,也有用于CAE(计算机辅助工程)工具的智能体。我们有采用三个核心求解器的仿真,分别是用于计算流体力学的CFD、用于电磁的高频结构仿真HFSS,以及用于结构部分的机械仿真。在EDA世界中,我们有用于实现的内容,也有用于签核的内容。这些工具中的每一个都有子领域,我们也有智能体来做这些事情。但过去由人类经理协调的一组工程师完成的工作,现在正由该框架下的一个智能体层级结构完成。”

这以并不微妙的方式改变了芯片设计中的一些动态。软IP通常可跨工艺技术移植,但通常需要优化和验证。AI智能体可以通过协调EDA工具并权衡替代方案来自动完成这些任务,它们还可以与传统IP配合,在更大设计的背景下优化特定功能。

是德科技设计工程软件业务高级副总裁Niels Faché表示:“智能体化工作流的关键影响之一是解耦。我们相信平台。现在我们必须观察所有人将如何应对,因为平台是一个非常具有粘性的概念。我们的许多客户都在投资定制我们的平台以满足自身需求,很难离开它。楷登电子和新思科技也是如此,但我们相信客户最终想要这种灵活性。我们对此采取开放态度,接受解耦将会发生。我们需要发挥仿真能力和应用理解方面的优势。仍希望与我们合作创建其工作流的客户将需要编排方面的帮助,因此我们需要成为该领域的专家,而最成熟的客户则会自己完成。”

这要求EDA公司进行一些根本性变化。Faché表示:“在AI下,这是一种不同的模式,人类工程师与数字工程师或智能体协同工作。因此,我们现在必须重新设计产品。你听说过MCP(Model Context Protocol,模型上下文协议)服务器;我们会审视一个产品并问:‘好吧,我们如何将其模块化,以通过合适的API访问不同能力?’这些编码通常用Python完成。这将使智能体能够把基于代码的工作流拼接起来。我们的工作是确保客户获得这种MCP功能。我们还提供示例,使智能体可以从这些示例中学习,并表示:‘好吧,基于这些示例,我理解了它如何工作。现在我收到一个新设计请求,我可以根据所学内容组织这项工作。’这就是我们正在走向的世界,我们已经从领先客户那里看到了这一点。他们已经在构建这些智能体化工作流。这意味着我们需要MCP服务器,也需要所有合适的文档,以便训练这些智能体。”

智能体还能做什么?

应给予智能体多少自由度并不完全清楚。AI是不透明的,而且与传统IP不同,它需要从外部观察。随着更多智能体被分配到不同但相互关联的工作,这变得更加复杂。

Cognichip首席产品官Stelios Diamantidis表示:“编排将是一个巨大挑战,而且将成为更大的挑战。随着智能体变得更聪明,它们可以交付一些结果,这也已在许多其他领域被证明有效。但把所有这些智能体放在一起,将它们作为一个群体推向某个问题的答案,也可能带来一些有趣的挑战。我们仍在使用通常不理解芯片设计问题深层物理的模型,这意味着很多逻辑被内置到智能体中。但当这些智能体开始产生分歧时会发生什么?EDA中是否会出现乒乓效应和收敛问题?我们对这些效应并不陌生。”

对于多裸片组件而言尤其如此。Diamantidis表示:“堆栈非常异构。你面对的是一个使用我们通常不太了解的来源训练出的模型。你有一些智能体,它们已从足够多不同人那里获得了关于某个问题的足够逻辑,以至于智能体与模型的组合现在是一个相当混沌的模型。你把它们全部放在一起,就会得到混沌乘以混沌。”

这些挑战有助于解释为什么IP和EDA公司正在努力将智能体紧密集成到现有工具中。

楷登电子的Knoth表示:“当你看到我们如何将智能体应用于数据中心设计和运营工具时,智能体AI与基于物理的仿真相结合,非常擅长整合大量不同来源的数据、提出问题、运行实验、评估这些实验的输出,然后再次循环。我们这个领域的独特之处在于,与其他行业不同,我们不需要一个人查看结果并判断其对错。EDA拥有我们几十年来用于评估决策的工具。‘那个布局规划效果更好,降低了功耗。’或者‘那个布局规划更差,功耗上升,发热更严重。’”

阅读全文,请访问:https://semiengineering.com/are-ai-agents-the-new-semiconductor-ip/

来源: 海外媒体

相关推荐
评论区

登录后即可参与技术讨论与同行交流

免费注册