摘要：AI需要优化目标。功耗有多重要？它与尺寸如何关联？与上市时间如何权衡？这些均是开发与验证流程中人类非常难以相互权衡的目标。若无法以某种形式将其编码化，AI便无法锁定它们。

AI若无法衡量目标进展，便无法进行优化——但定义这些目标并不容易，尤其是在审视完整开发流程时。

本文专家

Synopsys系统设计组产品线管理高级总监Johannes Stahl

Cadence产品营销总监Michael Young

加州大学圣巴巴拉分校教授兼ChipAgents创始人兼CEO William Wang

推动相关发展的验证专家Theodore Wilson

西门子数字工业软件半导体行业副总裁Michael Munsey。

AI需要优化目标。功耗有多重要？它与尺寸如何关联？与上市时间如何权衡？这些均是开发与验证流程中人类非常难以相互权衡的目标。若无法以某种形式将其编码化，AI便无法锁定它们。

Wilson：AI系统的一个优势是它不会感到厌倦。我们可以构建优质仪表盘，单个项目团队或中央工程团队皆可实现。但AI不会因紧盯这些仪表盘而分心，反而能帮助集中注意力。AI可执行那些因成本问题无人开展的统计分析——毕竟无需为此支付人力费用。AI有机会处理所有这些枯燥事务。我不确定你是否愿继续付钱让工程师做这些——他们似乎已投入大量时间。一个能回答琐碎问题或以琐碎方式辅助的解决方案将被广泛采用。这将直接保障进度与质量，并改善个体贡献者的工作体验。通过统计分析，你正逐步消除他们的干扰或烦恼。例如，当设计架构规范更新时，系统级和子系统级会因接口变更未清晰传递而出现各类编译失败。这类问题频发且破坏性强，投入精力解决后混乱自会消失。或者，找到分阶段实施架构或基础变更的更优方式。此类平凡事务比比皆是：新工程师在挣扎什么？他们是在耗时编译代码，还是在解决硬件与更新固件的兼容性问题？EDA工具在最基础层面提供了惊人的报告功能——X传播报告、竞争条件报告、设计调试访问报告等——能拥有这些令我深感幸运。这些丰富的数据集可直接挖掘出影响日常工作的洞见，助力当前执行的项目。

Stahl：用“丰富的数据集”形容再贴切不过，因为设计验证涉及设计属性的多样性。每个小团队（尤其是大型设计组织）都有从EDA工具提取数据的独有方法。这些环境差异巨大，协调统一的可能性极低。各公司经多年发展形成了自身视角与方法，虽均有改进空间，但因数据集广博且复杂，全行业协调异常困难。

Munsey：需考虑两个因素。其一，单一目标优化相对容易。例如，若某人需满足功耗规格与目标，这即成单一目标。但如何做得更好？此问题极难回答，因需兼顾多目标优化。这正是AI发挥关键作用之处——必须超越单一目标，以更广视角审视问题。这回归到数字孪生的重要性：多目标优化需跨所有目标综合考量，且这些目标并非孤立存在。

Wang：以功耗为例，第一步或许是准确定义何为“良好的功耗指标”——能耗、峰值功耗、平均功耗、毛刺功耗等参数均与之相关，但业界对垂直领域内如何衡量功耗尚无共识。一旦明确优化目标，AI方能有方向。指标需从工具、工程师、用户和客户处获得反馈，进而通过AI优化。但对某些指标（如功耗）缺乏共识：PPA（性能、功耗、面积）的现状如何？因开发流程中不同阶段（系统级、RTL级、门级）均可测量功耗，究竟哪个层级真正关键？如何整合信息？虽拥有大量测量数据，但哪些指标真正影响客户？

关键是不追求定义单一方法或流程，而应让每家公司基于其设计与工程知识开发和优化自身流程与迭代循环。

Munsey：问题不在于统一方法论，而需灵活引入合适工具、设计团队或验证团队应对具体问题。这再次指向数字孪生的价值：虚拟环境中的灵活性允许你在开发流程中即插即用最佳工具、方法和人员。如何决策？首先需基于更宏观的目标背景。人们总试图简化问题（如“功能验证就该这么做”或“时序收敛必须遵循此路径”），但现实世界并非如此运作——需根据具体情境选择最佳解决方案。虚拟化使你得以尝试不同方案、优化输出，最终形成能实现最佳结果的方法与工具组合。

Wang：理解企业特定工作流的用例确实存在。有些公司仍在使用十年前的Perl脚本，新工程师需耗时学习如何用其生成RTL代码。如何整合资源？企业集体知识如何传承？有些公司文档完善、知识库丰富，有些则用PDF、HTML等分散存储。如何将这些知识融入数字孪生语境以帮助新工程师理解代码？此类用例广泛存在。如何帮助新工程师理解公司现有的设计或验证流程？工程师更替本就困难。我们演示芯片代理（ChipAgents）时，观察设计和验证工程师的表情可知：他们担忧AI取代工作，因某些特定GDS循环AI表现出色，但复杂系统级漏洞的发现仍极具挑战。机遇与挑战并存。

Young：关于“人在环验证”的讨论——尽管我们期望数字孪生处理所有琐事，但当工程师首次发现问题时会兴奋，重复百次后则渴望自动化或AI代理介入。但至少在当前业务领域，人在环机制永远不会消失。许多名人预言AI将取代所有工程师岗位，程序员终将消失，但工程师仍将存在——可能转向更高抽象层级（如AI层级）进行设计。

Wilson：我不认为这是岗位摧毁工具。它保障团队生产力，只会提升其价值。更多项目可因此获得资助，因其能合理预期在时限内完成架构升级以满足市场需求。这些工具只会增加就业。当长期从事维持性琐事时，申请加薪或奖金总显无力。当这些事务消失后，工程师的工作体验与价值主张将同步提升。当AI基于大量项目训练后提示“此改动可能影响重大”，即便周五疲惫不堪，工程师也会着手清理。这是该工具或数字孪生的初级形态。若能证明真正制约进度的是工程师的艰难调试过程，或设计表达方式未优化，或测试层级选择不当，或执行速度未达最优，数字孪生将释放巨大价值。当故障发生时，工程师不必在自有工作区复现（这成本高昂），这种时间常数的可视化将极具价值。我预测团队不仅能小幅提升生产力与把握市场窗口的能力，更将实现质的飞跃。若这些工具能协调有限计算集群资源，以一致且可理解的方式满足各团队需求，其价值不可估量。例如，某团队20年间积累的40,000个定向测试虽能有效发现漏洞，却占用庞大算力。回归测试是否需每三天全量运行？数字孪生若能解答此类问题，让项目管理者和预算决策者权衡各团队诉求、化解矛盾，其力量将无可限量。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。

想要获取半导体产业的前沿洞见、技术速递、趋势解析，关注我们！

来源：半导体产业纵横一点号