人工智能進入芯片設計，用技術反哺技術
發布時間：2022-06-17 作者：www.xstr.xyz
當前，芯片已經成為數字時代的靈魂所在，也是信息產業的三要素之一，芯片起則科技起，科技興則國家興。小到日常生活的洗衣機、移動手機、計算機等，還是大到傳統工業的各類數控機床和國防工業的導彈、衛星、火箭、軍艦等，都離不開芯片。芯片市場也從1987年的330億美元增長到2020年的4330億美元。
然而，當前，芯片發展的最新趨勢，似乎已很難像摩爾定律所規定的那樣：“集成電路上可容納的晶體管數目大約每隔 18 個月便會增加一倍，性能也增加一倍。”伴隨人著人們對于算力的要求的提高，芯片的發展越顯吃力，尤其是在芯片設計方面。在這樣的背景下，人工智能“反哺”芯片設計成為了芯片設計的新出路，這對我們國家的發展也具有重要意義。
芯片設計之重
從核心產業鏈的角度，芯片產業雖然復雜繁瑣，但終究脫離不了三個步驟：設計、制造、封測。其中，芯片核心實力的重心就在于芯片設計。
要知道，對于芯片來說，設計和工藝同樣復雜，八十年代EDA技術誕生——芯片自動化設計，使得芯片設計以及超大規模集成電路的難度大為降低，工程師只需將芯片的功能用芯片設計語言描述并輸入電腦，再由EDA工具軟件將語言編譯成邏輯電路，然后再進行調試即可。正如編輯文檔需要微軟的office，圖片編輯需要photoshop一樣，芯片開發者利用EDA軟件平臺來進行電路設計、性能分析到生成芯片電路版圖。
具體來看，設計一款芯片，開發者先要明確需求，確定芯片“規范”，定義諸如指令集、功能、輸入輸出管腳、性能與功耗等關鍵信息，將電路劃分成多個小模塊，清晰地描述出對每個模塊的要求。然后由“前端”開發者根據每個模塊功能設計出“電路”，運用計算機語言建立模型并驗證其功能準確無誤。“后端”開發者則要根據電路設計出“版圖”，將數以億計的電路按其連接關系，有規律地翻印到一個硅片上。至此，芯片設計才算完成。
與此同時，還需要考慮許多變量，比如，信號干擾、發熱分布等，而芯片的物理特性，如磁場、信號干擾，在不同制程下又有很大不同，沒有數學公式可以直接計算，也沒有可套用的經驗數據直接填入，只能依靠EDA工具一步步設計，一步步模擬，不斷取舍。
當然，設計過后的驗證也不是一件簡單的事情。芯片驗證目標是在芯片制造之前，通過檢查、仿真、原型平臺等手段反復迭代驗證，提前發現系統軟硬件功能錯誤、優化性能和功耗，使設計精準、可靠，且符合最初規劃的芯片規格。每一次模擬之后，如果效果不理想，就要重新設計一次，這對芯片開發者的智慧、精力、耐心都是極大考驗。
如果說芯片的架構設計和驗證都還停留在技術層面，那么流片就直接進入了“燒錢”的階段。流片就是試生產，設計完后，由芯片代工廠小批量生產一些，供測試用。按照市場報價，以業內裸芯面積最小的處理器高通驍龍855為例，用28納米制程流片一次的標準價格為499，072.5歐元，也就是近400萬元人民幣。
最重要的是，這么復雜的設計，不能有任何缺陷，否則無法修補，就必須從頭再來。而如果重新設計加工，一般至少需要一年時間，再投入上千萬美元的經費，有時候甚至需要上億。這也是為什么芯片通常需要數年時間來設計的原因。
然而，如果說過去的芯片設計還趕得及摩爾定律，那么現在，但伴隨人工智能技術的進步，人們對于算力的要求越來越高，這種需求的變化是以周或天記的。相較之下，芯片設計需要的時間明顯長得多，這就意味著新微處理器的設計速度已不能滿足算法的迭代發展，這就產生了供需的不匹配。
摩爾定律正在失效，如何縮短芯片設計周期成為半導體行業亟待解決的問題。
人工智能反哺芯片設計
實際上，雖然芯片設計是一個復雜而漫長的過程，但分解來看，芯片設計則主要由兩個主要元素組成：布局和布線，布局指的是使用設計軟件繪制出不同元件的位置，布線則是用線將元件虛擬地連接起來。
以芯片布局為例，芯片布局之所以復雜且耗時，是因為該過程涉及到邏輯和內存模塊，或者集群設置要兼顧功耗、性能、面積等，應用、IP和其他組件都是可能制約芯片設計的因素，工程師對不同工具和方法的熟悉程度也不盡相同。
比如，同樣的設計目標既可以用更大的處理器實現更高性能，也可以用更小、更專業的處理元件更緊密的結合軟件來實現。因此，即使在相同領域和相同的功率設計目標下，也會有許多不同的方法可以實現相同的目標。并且方案優劣的評價標準也是因領域和供應商的具體需求而異的。
過去，當摩爾定律有效時，這個流程只需要根據實際情況進行微調即可—— 隨著芯片的迭代，晶體管數量已經從幾千個增加到了數十億個，這使得芯片上晶體管排布設計的異構性越來越高。與之前只需要考慮如何將更多的晶體管排列在同一空間不同，現在芯片設計中還需要考慮到功率密度、熱預算需求、各種類型的機械和電氣應力、鄰近效應以及工作環境等復雜因素。這使得設計過程耗時大大增加，同時也堆高了設計成本。
另外，由于對芯片安全性的需求不斷增加，優化過程變得愈加復雜。根據設備使用場景的重要性，其安全需求也各不相同。與此同時，芯片布局還需要遵守布線密度、互連的原則。
于是，為了縷清這些因素，EDA供應商開始尋求人工智能和機器學習技術的幫助。實際上，芯片設計中布線過程的90%已經實現了自動化，僅最后10%的工作需要人工完成，而人工智能的參與又可以將這最后10%的時間進一步縮短。本質上，不論是人類智能還是人工智能，目的都是為了實現芯片優化，但人工智能顯然在這一過程中更有效率。
人工智能的“智能”來自于其在數據集中進行大量嘗試和策略調整而得到的不同情況下的最優解。在實際生產遇到的新場景中AI將這些最優解策略與實際情況進行匹配，從而得出相對實際場景最優的答案。此外，人工智能還可利用強化學習方法(RL)來指導訓練結果。
具體來看，人工智能可以將芯片布局建模為強化學習問題，強化學習系統的目標是降低功率、改善性能和減少面積。2020年4 月，谷歌的一個團隊就發表了利用強化學習(RL)實現自動布局的研究。在設計電路布局時，RL算法的優勢體現在可以使用更少的電線、更有效地利用空間，或者功耗更低。在最初的實驗中，相比人類設計師 6 至 8 周內找到的解決方案，算法 24 小時就能實現，而且算法的設計成功減少了芯片所需的總布線，從而提高了效率。
可以說，在芯片設計流程中引入人工智能來提高效率現在已是大勢所趨，至少對主要芯片供應商而言應該是這樣的。
中國芯片正追趕
實際上，如今的半導體產業鏈其實是以美國為主導的一種壟斷模式。美國半導體行業幾乎占了全球市場份額的一半，雖然在1980年代，美國半導體產業在全球市場份額中遭受了重大損失。在1980年代初期，總部位于美國的生產商占據了全球半導體銷售量的50%以上。但由于來自日本公司的激烈競爭，非法“傾銷”的影響以及1985年至1986年的嚴重產業衰退，美國半導體產業失去了全球19個市場份額，并將全球市場份額的領導地位讓給了日本。
但在接下來的10年中，美國半導體行業開始反彈，到1997年，它以超過50%的全球市場份額重新獲得了領導地位，這一地位一直保持到今天。美國半導體公司在微處理器和其他領先設備中保持了競爭優勢，并在其他產品領域繼續保持領先地位。此外，美國半導體公司在研發，設計和工藝技術方面保持領先地位。
其中，全球前五大芯片設計巨頭營收斷層已現——高通、博通、聯發科、英偉達四大芯片巨頭已經連續十年進入前五大芯片設計公司，AMD則在十年里7次名列TOP5。而高通、博通、英偉達以及AMD皆為美國公司。
五大芯片巨頭中，高通為智能手機SoC與射頻前端龍頭，也擁有大量的通信專利;英偉達是全球GPU市場的絕對龍頭，其2022財年營收達269.1億美元，為全球第二大芯片設計公司;博通是美國老牌半導體巨頭，在機頂盒SoC、有線網絡芯片、射頻前端、Wi-Fi芯片等各類半導體產品和相應軟件服務領域占有較高的市場份額;聯發科是高通的主要競爭對手，在智能手機SoC、TWS耳機芯片、物聯網芯片等領域均有布局。
根據IC Insights排名，2012年，全球前十大芯片設計公司分別為高通、博通、AMD、英偉達、聯發科、美滿電子、艾薩華、賽靈思(于2022年被AMD收購)、Altera(于2015年被英特爾收購)和安華高。
彼時，第五名聯發科與第六名美滿電子的營收分別為33億美元和31億美元，僅相差2億美元。2021年，第五名AMD和第六名聯詠科技的營收差距已拉開到116億美元，第六名聯詠科技+第七名美滿電子+第八名瑞昱+第九名賽靈思的年營收之和，僅為165億美元，較AMD多1億美元。
此外，在疫情背景下，為了保證自身技術實力和產品競爭力，這些芯片設計巨頭還在開辟新的產品線：高通開始加強汽車、AR/VR業務;英偉達推GPU+CPU+DPU的數據中心戰略，還要收購Arm;AMD收購賽靈思加強FPGA等。
相較之下，國內芯片設計總體來說體量尚小，芯片設計企業與全球主要對標企業的營收差距較大，大部分企業不到對標企業營收規模5%，而國外細分領域的芯片設計龍頭公司收入基本都在上百億美金的水平。相關企業則主要包括華為的海思半導體、紫光展銳、北京豪威、中興微電子等。
畢竟，與美國當前半導體行業的先進相比，中國在半導體行業仍呈加速追趕之勢。畢竟在美國從立法、產業政策、直接干預、貿易戰等多個角度來確立其半導體的全球領先地位時，中國正深陷運動之中。世界半導體行業日新月異下，待中國再次回到世界，已經落后20-30年。
面前這道積年累月長成的天塹，盡管中國已經花費了數百億美元，試圖在半導體、更快速的計算機和智能手機以及更尖端設備的競爭中脫穎而出，但從目前來看，中國的半導體追趕之路依舊遙遠。核心芯片國產化率低是個不爭的事實。
好在中國在芯片技術方面雖然落后于美國多年，但現實中，憑借國家力量，統一方向，后來居上，依然是中國不可比擬的巨大優勢。
一方面，我們在支持半導體產業發展的頂層設計上，不僅要進行資金的投入，以及人才的投入，更重要的是要在體制機制上進行改革。支持高端的科技人才開展產學研合作，或者是支持高端科研人才帶技術進行創業，允許其以更市場化的方式進行試錯。另一方面，則是要把握技術脈絡。如前所述，已經有很多領域顯示出人工智能的優勢，并且未來人工智能會在更多領域中顯現出這種優勢。
站在一個技術的時代，用技術回應技術，向著底層技術深耕下去，或許就是這條路上應該豎起的路標。