ChatGPT爆火以來，引發了全球新一輪生成式人工智能的浪潮，全球科技巨頭先后展開人工智能大模型的軍備競賽。可以預見，多模態大模型時代，AI開始像人類一樣思考和工作，傳統的交互方式、內容生成方式徹底顛覆，新的業態和商業模式將出現，諸多產業乃至人類生活也將被重構。
大模型競爭的白熱化，引發了對算力基礎設施的需求飆升，而作為算力基礎的高性能芯片，其設計日益復雜且充滿挑戰，相應地對設計芯片所用的EDA工具也提出了全新的要求。在GPT引領的新一代生成式AI浪潮下，芯片設計行業將如何利用AI+EDA工具來應對這些變革？
大模型時代，算力成制約AI發展最大障礙
(相關資料圖)
作為人工智能時代的基礎設施，大模型所需的巨額算力就如同工業生產中的所需的電力，并且，隨著ChatGPT迅速演進至GPT-4以上版本，對圖片、語音、視頻等多模態的支持使得訓練任務中使用的算力呈指數級增長，催生了對算力更大的需求。
“隨著AI算法和模型的規模和復雜度不斷增加，AI運行所需的能耗和算力都呈指數級增長，包括訓練成本和后續運營成本，尤其是目前的運營成本與使用者數量緊密相關的現狀下，需要的算力相當于超1.5萬顆當下最先進的GPU芯片。”新思科技資深產品經理莊定錚判斷，“在AIGC時代，未來對算力的需求將每6-7個月翻倍，AI芯片成為驅動人工智能發展的核心動力。”
“更大、更復雜的AI模型和算法仍在日新月異地進化中，帶來龐大的高性能AI芯片需求。預計到2030年，AI市場規模有望達到15970億美元，相比2021年的870億美元，復合年均增長率高達38.1%。”隨著需求飆升，在莊定錚看來，算力儼然已成為當前限制AI發展的最大障礙。例如，隨著模型參數越來越大，當前應用最廣泛的GPU在提供算力支持上也存在瓶頸。在GPT-2之前，GPU內存還能滿足AI大模型的需求，Transformer模型大小每兩年平均增長240倍，實際上GPT-3等大模型的參數增長已經超過了GPU內存的增長。
“傳統的設計趨勢已經不能適應當前的需求，芯片內部、芯片之間或AI加速器之間的通信成了AI計算的瓶頸。”他指出，包括GPU、NPU、HPC等在內的高性能AI算力芯片性能提升，主要依靠芯片架構優化、制造工藝進步、算法優化等方面提升來實現。與此同時，在算力提升的過程中也面臨著一些挑戰，包括能耗優化、設計復雜度不斷增加，以及日益激烈的市場競爭壓力等等。
然而，摩爾定律逼近極限，傳統芯片的性能提升幅度已遠遠跟不上AI所需的性能增長速度。傳統的芯片設計過程是一項高度復雜且挑戰艱巨的工作，通常需要經過數月的反復探索和調試，在此過程中不僅需要用到物理實現、仿真、驗證、測試等多種EDA工具和軟件，而且要求芯片設計工程師具備熟練的技能和經驗。不僅如此，設計一顆芯片需要花費大量的時間和人力成本，設計過程中的任何一個錯誤都可能導致大量時間和資源的浪費，甚至可能導致整個項目的失敗。
幸運的是，盡管摩爾定律逐步放緩，但市場需求的爆發正在激發芯片設計領域的持續創新。“在AI技術的發展對芯片設計帶來巨大挑戰的同時，我們也可以將AI應用于芯片設計過程中，正所謂‘用AI幫助AI’。”莊定錚強調，“AI與EDA的雙向奔赴，將開啟芯片設計的下一場革命。”
AI引領芯片設計的下一場革命
隨著芯片設計和制造的復雜度與日俱增，AI正在給半導體行業各領域都帶來新的變革，AI在設計工具的應用也在呈指數級增長。
工欲善其事，必先利其器。AI與EDA的雙向奔赴，使得眾多芯片開發團隊能夠深入和廣泛地利用AI工具的優勢，開發者因此能夠創造出更加復雜的芯片，成為大算力時代的必然之“器”。
莊定錚告訴集微網，實際上新思科技從幾年前就開始大力投入對AI工具的研究。一方面將AI技術持續引入到當前的各種EDA工具中，以提高生產力；另一方面，通過AI來幫助人類提高決策效率。將AI技術與EDA工具結合帶來兩個核心價值，首先是使EDA更加智能，減少芯片設計流程中一部分重復且繁雜的工作，讓開發者可以在相同甚至更短時間內設計出功耗、性能和面積（PPA）更好的芯片；其次是大幅降低使用門檻，解決人才短缺的挑戰。
目前，新思科技已經構建了三大王牌“利器”，幫助芯片開發者應對嚴峻的設計挑戰：Fusion Compiler, DSO.ai和DesignDash，莊定錚將其描述為“數智時代護航芯片設計生產力最大化的‘三駕馬車’”。利用這三大王牌工具，開發者無論是在RTL早期開發、中期迭代，還是后期PPA沖刺階段，都可以最大化提升效率，結合人類智慧和機器智能以釋放設計潛力，開拓開發者的設計思維，實現更好的芯片設計、更快的上市周期。
其中，DSO.ai新思科技于2020年推出的行業內第一個用自主AI系統幫助客戶進行芯片設計的解決方案。藉由融合設計+DSO.ai，讓開發者用AI系統做芯片開發設計，達成最佳效果，并縮短芯片設計流程和推向市場的時間。DSO.ai面市短短一年內，由AI設計的商業芯片在數量上至少增加了一個數量級，新思科技預測其客戶利用AI幫助流片的設計將從今年的數百個增加到2023年的數千個。DSO.ai的第一批用戶對這一工具的實際使用效果紛紛點贊。在今年3月份召開的新思科技全球用戶大會（SNUG）上，英特爾就重點介紹了 DSO.ai 如何成功協助其最新至強XEON微處理器芯片將總功耗降低6%， 微軟也分享了將DSO.ai 應用到從早期設計探索到最終優化的整個設計流程中之后，總功耗比最佳專家流程還低了3%。在DSO.ai的協助下，意法半導體在其首個Cortex-A510 的早期設計探索期間實現 3 倍的生產力提升，有效地覆蓋了1025種不同組合的搜索空間。
隨著DSO.ai在越來越多的AI芯片設計開發中得到實踐，新思科技在今年四月進一步推出了全球首個全棧式AI驅動型EDA解決方案Synopsys.ai，讓開發者第一次從系統架構到設計和制造、在芯片開發的每一個階段都可以采用AI技術，并從云端訪問這些解決方案，最終達到降本增效，并縮短產品開發周期的優異成果。
據莊定錚介紹，完整的Synopsys.ai解決方案將覆蓋先進數字與模擬芯片的設計、驗證、測試和制造環節，現已搭載物理實現解決方案（DSO.ai）、功能驗證解決方案（VSO.ai）和芯片測試解決方案（TSO.ai），未來還將推出更多功能，并針對模擬電路設計進行優化，目標到2024年覆蓋全流程，最終“讓IC設計每階段都能用上AI不是夢”。
目前，全球十大半導體企業中已有9家公司采用了Synopsys.ai解決方案，持續夯實新思科技在AI驅動芯片設計的全球領導者地位。在每個芯片開發項目中，該解決方案的AI引擎持續在不同的數據集上進行訓練，隨著時間推移，其優化結果的能力將持續提升。
據瑞薩電子、聯發科、臺積電等首批客戶反饋，Synopsys.ai成功幫助其提高芯片性能并降低成本，并將產品開發周期縮短了數周；在協助客戶執行定制級模擬模塊的工藝制程設計遷移時，提高生產效率并加快設計收斂；幫助客戶在減少功能覆蓋盲區方面實現了高達10倍的優化，并將IP驗證效率提高了30%等。
AI成為耗電大戶，如何實現雙碳目標？
隨著“百模大戰”開打，也有一些聲音在探討AI大模型的所需的能源消耗，已經堪比加密貨幣挖礦。數據顯示，過去十年，我國數據中心整體用電量以每年超過10%的速度遞增。而IDC預計，到2024年數據中心耗電量將占到全社會耗電量的5%以上；到2025年，全球數據中心占整個全球用電量將要提升到全球的20%。
隨著AI領域實現突破性進展的深度學習模型，其規模越大，能耗水平也迅速攀升。華為AI首席科學家田奇在近日一場AI大模型技術論壇上強調，大模型訓練成本中60%是電費。根據斯坦福人工智能研究所（HAI）發布的《2023年人工智能指數報告》，訓練像OpenAI的GPT-3這樣規模的人工智能模型所需消耗的電力，足可以讓一個普通美國家庭用上數百年了。GPT-3是目前大模型中有據可查的第一大“電老虎”，耗電量高達1287兆瓦時。
如何解決發展AI與雙碳目標之間的矛盾？莊定錚看來，AI既是一個問題，也是一個解決方案。AI設計工具可以更好地優化AI處理器芯片來提高能效，從而直接幫助全球為實現凈零排放而努力。
“如今新建的超大規模數據中心所使用的服務器相比以往越來越省電，《Nature》上發表的一份報告顯示，傳統數據中心的電源使用效率（PUE）（即所需的總能量除以用于計算的能量）約為2.0，而超大規模數據中心則約為1.2。在此趨勢下，我們還可以通過在能源輸送、電子系統設計、芯片技術、供應鏈運營幾個關鍵領域采用更可持續的做法，來實現更好的節能成果。”
即通過更節能的方式，更低碳的過程，來設計、制造更低能耗的芯片及系統，以實現整個半導體生命周期的雙碳目標。
莊定錚提出，首先，AI專用芯片相比CPU、GPU等芯片在處理AI運算的功耗表現上遠勝于后者，因此，AI專用芯片的大規模使用，將有助于降低數據中心的能耗水平。諸如新思科技的AI設計工具有助于幫助這樣的AI專用芯片提升PPA（性能、功耗和面積）表現；其次，EDA工具在AI技術的加持下，大幅縮短了芯片開發流程、周期和人員投入，也就意味著整體消耗能源的降低。
對此，新思科技最近開展的一項非正式研究表明，利用AI設計工具優化AI芯片，整體上平均可以節省約8%的能源。例如，DSO.ai自主AI芯片設計應用等技術使用強化學習來從功耗、性能和面積方面改善芯片；結合使用低功耗IP解決方案組合還可以幫助降低芯片功耗，同時加快產品上市；芯片生命周期管理（SLM）提供用于監控和分析的片上傳感器，可以在功耗方面生成切實可行的見解。
具體到細節，新思科技的數據顯示，通過利用新思科技從架構到簽核的整體性軟件驅動方法，芯片開發者們能夠實現超過50%的能效提升。其中，通過動態電壓頻率調整（DVFS）、電源域和電壓島等電源管理策略選擇可以帶來顯著的節能效果。除了這些策略外，功耗與性能的宏架構權衡，以及IP選擇和權衡，可以節省30%至50%的電能；通過時鐘、數據、內存和毛刺功耗的微架構權衡有助于實現節能，查找和修復RTL電源塊以及使用工具引導的時鐘門控、數據門控和內存大小調整也是如此，可實現15%至30%的節能效果；通過在動態和泄漏功耗、電源完整性與PPA的權衡，以及功耗感知測試碼生成等領域采用自動優化技術，可實現10%至15%的節能效果；通過采用以簽核為中心的方法實現功耗和電源完整性目標，再加上動態和泄露功耗回收以及非常精確的工程變更命令（ECO）更改，可實現5%至10%的節能效果等等。
在以底層技術推動芯片行業的“低碳化”的同時，另一方面，新思科技也正直接參與到能源行業的數字化轉型中，把芯片設計中的“降低能耗”的技術和思路遷移到傳統能源領域，直接投入到低碳化事業當中。
人類如何與AI一起擁抱未來？
AI正在給半導體行業帶來新的變革機遇，助力開發者創造出更加復雜芯片——這在沒有AI輔助的情況下是無法實現的。AI將開辟超乎想象的未來，讓我們能夠比現在走得更快，做得更多。當然，也帶來不同的聲音和質疑：AI是否將取代人類？
“就當前而言，AI不會取代人類，但是可以成為人類工作、生活的‘助手’，因而特別適用于那些需要大量重復、耗時的任務，具體到芯片設計流程中，就是數字實現、驗證和測試環節。”莊定錚指出，“至于最前端的系統架構創新，以及后端的簽核、檢查工作，前者需要更多的創意，也有更大的研發潛力，后者需要確保錯誤和bug能夠及時發現甚至零錯誤，這些流程仍將需要極大的人力工作，并不能走捷徑。”
由于芯片設計客戶對于數據隱私性與安全性考慮，新思科技提供的AI解決方案并非經過預訓練的模型，需要客戶使用自己的設計數據從0開始訓練。“基于新思科技的強化學習(Reinforcement Learning, RL)引擎，客戶只需執行一次完整流程就可得到一個基本可用的模型；執行第二次時就可沿用第一次執行時所產生的數據，并且算力相比第一次執行就能減少3~4倍。” 他解釋，“第二次運行后所需的算力就能降到一個平穩的水平，第三次就已經處于一個很低的水平，所以這個AI工具會越用越‘聰明’，越用越有效率。”
值得注意的是，驅動Synopsys.ai解決方案所需的算力本身并不高，但是在這個工具運行過程中會調用眾多的EDA產品，所以對于整體EDA軟件所需的算力在短期內是成倍增加的。“比如，客戶所需的EDA算力可能從以往需要三臺計算機運行半年，變為一次性需要30臺運行兩個星期，”莊定錚解釋，“雖然看起來提高了客戶前期的算力投入成本，但如果拉長到整個項目周期來看，客戶所獲得的收益遠遠大于投入。”
這樣的算力成本架構變化，使得新思科技正積極探索通過結合云服務的方式，讓全球廣大的中小芯片設計客戶也能享受到Synopsys.ai這一強大的工具帶來的生產力提升。
辯證來看，AI在替代掉一些重復性的工作的同時，也催生了新的工作崗位；在芯片領域，盡管它固然有能源與成本增加的問題，但我們也看到了在芯片設計和驗證流程中擴大AI使用可以為芯片成果和生產力帶來的顯著優勢，并最終能夠帶來極大的能耗和成本降低。
“當今充滿挑戰的宏觀經濟形勢下，人們對使用AI處理重復性更高的芯片設計任務的興趣不斷被激發，以便開發者可以專注于他們最擅長的事情——創新，包括應對不斷提高的PPA需求，控制芯片設計成本和供應鏈漏洞，推動芯片設計的持續創新等。”莊定錚強調，“變革總會以不同形式帶著創新的技術來改變當下的生活方式。我們可能會看到許多傳統行業被顛覆，但同時也會涌現出許多新的機會和行業。因此，企業和個人都需要具備適應力和創新力來應對、擁抱這種變革。”
未來，新思科技將繼續投資人工智能，助力芯片開發者提高生產力，并利用現有資源加快設計和驗證周期。新思科技將不斷開拓AI賦能EDA工具之路，加快芯片創新和AI技術的不斷進化，為人類帶來更智能的產品和生活，也讓世界更“綠色”，更美好。（校對/薩米）
標簽：
