今天小编分享的科技经验：DeepSeek能否爆改EDA？那些改变的与不变的，欢迎阅读。
文 | 半导体产业纵横
DeepSeek 激起了资本的热情，点燃了市场的希望。科技产业，人人都想 " 沾光 "。下游市场来看，各路厂商都在适配 DeepSeek 模型。有人用它办公，也有人用它算命。
如此热情之中，半导体行业的上游会受到怎样的影响？DeepSeek 的旋风，是否掀起半导体产业的一场革命呢？
随着摩尔定律的持续演进，当下大规模芯片所集成的晶体管数量已超过 100 亿个。鉴于芯片设计流程与设计本身的高度复杂性，几乎所有设计团队均需借助商业 EDA 工具来辅助完成整个芯片设计任务。
芯片的设计与实现涉及一套极为复杂的流程体系。以数字芯片为例，当设计团队基于已完成的 Verilog/VHDL 代码开展后续工作时，标准设计流程至少涵盖逻辑综合（logic synthesis）、布局规划（floorplan）、时钟树综合（CTS）、布局布线（placement & routing）等关键步骤。此外，还需开展大量的仿真与验证工作。在此过程中，工程师需综合权衡功耗、频率、面积等多项设计目标，同时确保制造完成的芯片能够正确实现各类功能。
自动化是人类发展的最大驱动力。在 EDA 行业领網域，AI 技术的融合已并非新兴议题，AI 到底能改变什么，一直是 EDA 产业探索的命题。
是生成式 EDA，还是高级搜索？
在芯片设计领網域，随着设计规模不断扩大，要在短时间内找到最优解决方案变得越发困难。比如当芯片中集成的晶体管数量增多，电路连接关系变得错综复杂，各种设计参数相互影响，想要找到一个能同时满足所有性能指标的完美设计方案，是很大的挑战，但 AI 能够在相对合理的时间内，给出 " 足够好 " 的结果，满足实际应用的需求。
在芯片设计的预测类工作中，ML 模型通过对大量历史数据和设计经验的学习，可以在设计的早期阶段快速对芯片优化后的效果进行预测。举例来说，在设计一款新的手机芯片时，ML 模型可以根据给定的设计参数，如芯片的架构、晶体管数量、功耗限制等，快速预测出芯片在运行特定应用程式时的性能表现，比如运行速度、发热情况等。基于这些预测结果，芯片设计师可以减少对那些耗时较长的 EDA 工具的依赖，直接了解 EDA 工具运行后的大致效果。这样一来，设计师就能及时对设计参数进行调整，避免在后续的设计过程中出现不必要的错误和重复工作。简单来说，ML 模型就像是一个 " 智能预测助手 "，通过快速预测 EDA 工具的运行结果，减少了实际运行 EDA 工具的次数，大大提高了设计效率。
与预测类工作不同，优化类工作的要求更高。这里所说的优化，涵盖的范围比较广泛，主要是指直接解决一些 EDA 问题。实际上，很多 EDA 问题从本质上讲，都是在一定条件限制下对芯片进行优化。多年来，人们积累了许多传统的 EDA 算法，这些算法都是解决这些问题的优秀启发式方法。例如，在芯片布局布线问题中，传统的 EDA 算法可以根据芯片的功能需求和性能指标，合理安排各个元器件的位置，并规划出最优的电路连接线路。而现在，基于机器学习的优化方法可以寻找比传统 EDA 算法更优或者更快的解决方案。
EDA 軟體基于机器学习已经有所积累，机器学习是大语言模型的基础，为生成式 AI 提供资料库。但对于 EDA 来讲，距离提出需求直接出芯片设计的距离还有很远的距离。
当下来看，AI 可以驱动工作流程优化和数据分析解决方案，以及借助生成 AI 功能协助工程师创新。但就实际落地来看，许多自诩接入 AI 大模型的平台其实提供的只是高级客服服务，并没有真正地让 AI 从 0 到 1 的去创造内容。同样的问题也出现在 EDA 行业中，虽然许多 EDA 公司声称集合了 AI/ML 功能，但在使用中更像是高级助手。即将过去需要查阅文档找到答案的过程，省略为与 AI 助手的对话。
三巨头都已布局 AI
Cadence Design 和瑞萨电子一起合作，打造出了基于 AI 的解决方案。该方案使用了 Cadence 的 Verisium Platform 和 Xcelium ML App。借助 Xcelium App 中的机器学习技术，瑞萨电子的验证团队能够生成精简的回归结果。还可以利用现有的随机化仿真平台去跑一些边界用例来帮助瑞萨电子及早发现错误。Verisium AI 驱动的应用使瑞萨电子的整体调试效率提高了 6 倍，并缩短了整个验证周期。
具体来看，Verisium SimAI 是一个平台，它运用机器学习技术，从模拟器 Xcelium 运行的回归测试里构建模型。利用这些模型，能够生成带有特定目标的全新回归测试，比如浸泡测试，这样就能更高效地对整个设计、特定区網域进行测试，提升回归测试的效率。
这个平台还具备同类错误搜索功能，它会借助那些难以察觉的故障信息，把同类错误找出来。通过这项技术，设计验证（DV）工程师可以如何运用它来提升工作效率，减少返工。
新思科技推出了名为 Synopsys.ai 的工具，Synopsys.ai 通过对话智能的方式，具备协作、生成和自主这几种功能。在大语言模型（LLM）的支持下，它的生成式人工智能功能既可以在本地环境中使用，也能部署到云环境里。
对于芯片开发者而言，这个套件集成了生成式人工智能后，能带来很多便利。协作功能让开发者们可以更好地合作；生成功能可以用于创建 RTL 设计、验证以及其他辅助资料；自主功能则允许用自然语言的方式来创建工作流程。
新思表示 Synopsys.ai 是全栈式由 AI 驱动的 EDA 解决方案套件。从系统架构到设计和制造的整个流程中，它都能充分发挥 AI 的强大作用。它能够快速应对设计中的复杂情况，还能接手一些重复性的工作，像设计优化空间探索、验证覆盖率和回归分析，还有测试程式生成等。同时，它有助于优化芯片的功耗、性能和面积。如果芯片设计团队需要把芯片设计从一家代工厂转到另一家代工厂，或者从一个制程节点迁移到另一个制程节点，AI 功能可以帮助团队快速完成这个过程。
另外，Synopsys.ai 率先给出了连续数据集解决方案，能够加快芯片设计、验证和大批量制造的进程。这个由 AI 驱动的数据分析解决方案，能让团队对在设计、验证、制造、测试以及应用场景中收集到的大量数据进行解锁、连接和分析。它独特的芯片监控技术可以对芯片的功耗、性能、质量、良率和吞吐量进行优化。并且，它提供了综合的可视化功能，开发者在集成电路（IC）生命周期的任何阶段，都能更快地完成根本原因分析。
西门子的 EDA 解决方案也已经发展数年。AI 技术在西门子 EDA 解决方案里，主要应用在三个关键领網域：核心技术、流程优化以及提供可扩展的开放平台。比如设计方面，AI 能深入分析，帮助找出问题的根本原因，还能提前预防未来可能出现的潜在问题。在使用 AI 实现自动化以及验证 AI 得出的结果，这两方面的能力非常关键。
西门子 EDA 解决方案中，可验证引擎是基于准确性、稳定性、专业领網域知识以及易用性构建的，以此保证在处理数据时，AI 算法给出的结果是可预测、可重复且有实际价值的。不过西门子也表示，有时候验证没办法完全自动化，就需要专业人士介入，对 AI 给出的结果进行评估，确保其准确无误 。2024 年末，西门子 106 亿美元收购 EDA 公司 Altair。西门子的在线数字平台 Xcelerator 与 Altair 的结合 " 将打造全球最完整的人工智能设计和仿真产品组合 "。
从这三巨头的行动可以看出，AI 在 EDA 领網域的应用正在不断深入，那么这又会给芯片设计工程师的工作带来哪些改变呢？
把枯燥的工作丢给 AI，让芯片工程师去创造
在芯片设计中，工程师们要检查查询计划是不是符合规范，还有查看像数据、控制和测试的 IP 连接这类设计和项目文档，以及 IP 和芯片级规范里规定的其他要求，都得自己手动去做。光是清理设计代码这些步骤，一个工程师或者一个团队往往要花上好几个星期的设计时间，还要开几百次会议，就是为了减少在项目模拟和实施阶段出现错误的数量。
上文中 EDA 三巨头的 AI 动作其实很多都是在优化设计流程，把重复性的工作简化、优化。
思路打开，借助第三方 AI 可以汇编一份与问题相关的所有 EDA 文档的简单易懂的摘要，而不必阅读一页又一页的用户指南来弄清楚如何让工具执行想要的操作。这节省了工程时间，而且已经很有用了。从这一角度来说大语言模型现在已经在 EDA 的流程中帮助工程师了。
基于此我们看到大模型的蓬勃发展对于使用 EDA 来说的确有直接影响。
首先，AI 可以帮助提升初级工程师能力。人工智能能帮助初级工程师表现得如同更有经验的设计师，初级工程师使用人工智能系统优化芯片实现时，系统会自动将高级工程知识融入流程，使其更快获得更好结果并积累经验。在年轻人才独立工作方面，若规范定义正确，人工智能虚拟助手可以为与它交流的人提供关于需要询问内容的指导，一定程度上解决年轻人才独立工作以及专家捕捉需求的问题。
其次，AI 可以优化工程师分工。人工智能的介入让初级工程师能力提升，使得高级工程师可以从基础工作中解放出来，专注于更大、更复杂的任务，有助于充分发挥不同工程经验水平的工程师的能力。
最后，促进跨领網域融合。在系统设计以及数字设计和模拟设计领網域，人工智能模糊了工作界限，打破孤岛式工作模式，促使人们关注端到端芯片设计，考虑签核要求等多方面因素。
但距离 AI 真的从底层改变 EDA 产业，还有相当长的路要走。华大九天刘伟平曾表示 "AI 对于 EDA 工具的影响，肯定不是颠覆性的，更多的是辅助性的。" 一位业内人士对半导体产业纵横表示，EDA 作为一个工程軟體输出的结果不能靠概率，要准确。AI 能力的体现需要大量数据训练，而 EDA 公司没有那么多数据，有限数据上微调的模型在客户实际应用中解决问题的能力并不比有经验的工程师强。
凯文 · 凯利在《5000 天后的世界》里曾说，" 未来的 AI 其实会更多地被应用在重复性较多、比较死板且追求效率的工作上。这种性质的工作人们完全可以丢给 AI，从而解放自己，多做一些有创造性的工作。" 这段话对于芯片产业也一样适合，即使有了 AI 技术，人的创新能力依旧是行业进步的根本。
芯片设计在发展历程中经历过多次技术变革，以往每次变革都有人预测工程类岗位会减少，可实际并非如此。如从原理图捕获过渡到寄存器传输级（RTL）综合时，工程师编译门电路的效率大幅提升，推动芯片规模扩大，进而需要更多芯片设计师。如今人工智能融入芯片设计，情况与之类似。人工智能能助力工程师完成更多工作，例如并行实现模块，设计出更大规模芯片，工程师工作方式将从编辑工具脚本转变为与人工智能系统互動，但工程师在芯片设计中依然不可或缺。
正如黄仁勋所说，" 人工智能只会取代那些不知道如何使用人工智能的人，这些人会被懂得使用人工智能的人所取代，但它不会取代人类。"AI 不会创造世界，是人类用 AI 去创造新世界。
