在设计、验证和确认的不同阶段进行智能体编排,将需要新的方法以及跨工具的协同。工程经验仍然不可或缺,专有数据依然处于孤岛状态。成本和复杂性可能限制采用,使大型企业获得优势。
圆桌专家:据海外媒体报道,AI智能体正在进入芯片设计流程的更多环节,但要在不同工具和流程之间实现互联仍然是一项挑战。如何沉淀数十年的工程经验、保护专有设计数据,以及将成本控制在可承受范围内,也仍存在疑问。行业专家近日就这些问题进行了讨论,参与人士包括新思科技战略项目与系统解决方案执行总监Frank Schirrmeister、Hiveware业务发展与战略合作副总裁Ronen Laviv、Silvaco业务发展副总裁Jack Berg,以及Axiomise创始人兼首席执行官Ashish Darbari。以下为讨论内容摘录。
从左至右:Silvaco的Berg;新思科技的Schirrmeister;Axiomise的Darbari;Hiveware的Laviv。
问:如果AI智能体在修改代码,而你们又不断更新AI模型和智能体,那么究竟能在多大程度上实现左移?
Darbari:这将是一个新的方法论方向,行业会朝这个方向前进,很像UVM,把不同的流程结合在一起。如何把所有智能体结合在一起?我认为今天没有人真正知道这种组合会如何运作。从我看到的不同演讲来看,他们仍在观察这些事情如何展开。许多智能体AI公司缺乏亲眼目睹这些问题的现场经验,所以他们构建的东西并不是用户想要的。在很多情况下,大型用户正在自建方案,因为他们知道自己想要什么。他们有现场经验,有多年积累的数据。那么大型EDA供应商会从哪里着手来简化这一过程,又将如何塑造最终应用?我不知道。
Laviv:硬件仿真的挑战之一是,当在协同仿真模式下运行时,仿真会变慢。也许,与其使用UVM或其他会拖慢速度的语言,不如让AI拥有自己的语言,并获得可综合的SystemVerilog RTL代码,然后放入机器中。这样所需软件更少,在硬件仿真中运行更快。我还不确定方法是否会很快改变,但UVM可能不会永远存在。
Darbari:这就是英伟达GPU负责人在DVCon U.S.会议上说的,不是吗?形式验证正在取代仿真,或将取代仿真。我对这些单独技术如何彼此协作兴趣较小,但我非常关心这些采用是否会带来一个连贯的故事。
Schirrmeister:你有生命周期、制造、数字实现、功能验证,还有规格工程。理解这些就是那个“灯泡”——确保它能工作,完成布局,进入实际物理硅片和3D,然后在生命周期中观察它。每个流程都有许多子组件。功能验证到硬件仿真只是五个环节之一。还有虚拟原型、形式验证、仿真、硬件仿真、原型。每个人都有自己的智能体。所以你会有一个智能体在局部做一些事情。现在你开始得到一个智能体,把这些东西作为一个功能整体编排起来,然后又有一个智能体连接到前端。这是一个层层叠加的智能体“洋葱”,上面有越来越多的层级。EDA供应商都在说自己有5级能力,在其运行领域范围内,这种说法是成立的。
Berg:这在很大程度上与层级有关。
Darbari:但谁来为这一切买单?小公司是否有预算将其数据银行词元化并运行所有这些?
Schirrmeister:你是指构建产品的人,还是构建工具的人?
Darbari:运行产品的人。这些是用户。他们需要为词元付费。我感觉只有大公司才能负担得起。他们一直在全力运行,并声称没有编写任何代码。所有这些都是智能体。但如果完成这一切的成本能够显著降低,情况就会变得非常有趣。
Schirrmeister:令人兴奋的是,所有那些过去因为必须经历所有这些流程而困难的小型设计都将从中受益。如果你想成为英伟达的竞争对手,仍然不能从车库里做到这一点。那仍然必须是一家大公司。
Berg:目前你已经拥有多个层级的智能体,以及一个编排整个流程的5级智能体。行业将着手构建其中每一个层级,然后迭代和改进它们。这是让智能体学习并取代大批工程师承担这里必要的繁琐工作的唯一途径。
问:但这个层级结构需要从任何左移并纳入这些不同模块的内容开始,对吧?你至少需要大致定义将要做什么。
Berg:你会有信息反馈回来,以确保当他们进入功能规格时,这里已经设置了约束。这样可以提高可制造性的概率。
Schirrmeister:我能否用一个智能体来建模并预测这条路径?
Berg:是的,你可以。
Schirrmeister:但你需要检查,对吧?你需要尽早确认你所做的事情会产生哪些多物理场效应。
Berg:是的,没有这一点,它在制造阶段就会胎死腹中。
Schirrmeister:那么现在的问题就变成了:“你究竟能在多大程度上进行抽象?”
Laviv:AI在比如80%的挑战上表现出色。但随后你会遇到一些在行业工作了30年的个人经验,他们拥有AI所不具备的独特技能。我们曾讨论过,在功耗、硬件仿真、格式和验证方面有250种不同技能。AI今天并不具备这些技能。行业需要弄清楚如何收集这些技能,才能真正实现一个智能体与另一个智能体对话、并拥有隐藏在苹果、高通和英特尔内部数十年经验的流程。
Berg:花了50年,但在2024年,诺贝尔化学奖部分授予了名为AlphaFold的软件,它以惊人的确定性预测蛋白质如何折叠。蛋白质比我们日常处理的晶体结构复杂得多。但达到这一步花了50年。尽管如此,这是一个概念验证。无论你是否相信它能在半导体领域实现,它都会发生。
Laviv:区别在于,蛋白质领域的一切都是开放的。
Schirrmeister:是的。数据从哪里来?Simon Davidmann(现任南安普顿大学教授)将其概括为:“我们有三大巨头。他们拥有基础工具,并在其上构建智能体栈。这就是为什么会有芯片栈、超级栈或其他类似概念。”我们在新思科技也在做同样的事情,并将看看谁拥有最好的传统EDA。熟悉AI的人发现了EDA,但他们需要先学习EDA,而不是反过来,而且他们无法获得所需的数据。用户可以获得数据。三星谈到优化片上网络的服务质量。他们有一个快速经典引擎、一个SoC仿真器、一个硬件仿真器,并构建了自己的LLM,将所有数据输入其中。那是他们的公司数据,不会外流给任何人。这就是他们自己这样做的原因。Cognichip表示,你需要用真实芯片设计和人员来训练的LLM,这就是他们雇用芯片设计人员并构建芯片的原因。
问:他们也是将这种智能用于LLM,而不是智能体,对吧?
Schirrmeister:正是如此。这就是你需要的平衡。
来源: 海外媒体
登录后即可参与技术讨论与同行交流
免费注册