電子設(shè)計自動化工具會產(chǎn)生海量數(shù)據(jù)，但這些數(shù)據(jù)對人工智能的實際價值幾何？行業(yè)正探尋新方法，助力人工智能發(fā)揮更佳效能。

半導(dǎo)體設(shè)計過程會產(chǎn)生海量數(shù)據(jù)，但其中有多少能被人工智能工具利用、又有多少具備實際價值？若能獲取更優(yōu)質(zhì)、更易訪問的數(shù)據(jù)，人工智能的工作效率又能提升多少？這些都是半導(dǎo)體企業(yè)和 EDA 工具廠商一直在探索的開放性問題。

已有報告顯示，將智能體人工智能（Agentic AI）應(yīng)用于現(xiàn)有工具和數(shù)據(jù)，已取得顯著成效，能為重復(fù)性任務(wù)或優(yōu)化工作構(gòu)建高效的反饋循環(huán)。但要充分發(fā)揮智能體工作流的價值，行業(yè)或許需要先沉下心來解決基礎(chǔ)問題 —— 半導(dǎo)體研發(fā)流程中的數(shù)據(jù)會持續(xù)變化，而不同設(shè)計階段、不同設(shè)計項目之間的數(shù)據(jù)關(guān)聯(lián)性，目前尚未得到充分考量。

實現(xiàn)左移設(shè)計的前期工作已為解決這一問題奠定基礎(chǔ)。左移設(shè)計即利用后期流程的近似仿真結(jié)果，在設(shè)計初期做出科學(xué)決策，這一過程往往需要對數(shù)據(jù)進行抽象處理或構(gòu)建降階模型（ROM），而這些工作都需要實現(xiàn)自動化，這也可能需要借助人工智能技術(shù)。

當(dāng)下的行業(yè)數(shù)據(jù)現(xiàn)狀

工程師們目前正借助 EDA 工具生成的信息，順利完成芯片的設(shè)計與驗證工作。南安普頓大學(xué)人工智能與 EDA 領(lǐng)域研究員西蒙?戴維曼表示：“我們獲取的幾乎所有數(shù)據(jù)，我都稱之為‘以人為核心’的產(chǎn)物 —— 這些數(shù)據(jù)都是為工程師查看、研究而設(shè)計的。無論是日志文件還是波形圖，其語義性都十分薄弱。我們手握海量數(shù)據(jù)，卻無法通過這些數(shù)據(jù)清晰知曉其實際作用。多數(shù)工作流都將數(shù)據(jù)視為副產(chǎn)品，而非可調(diào)控的抓手，而數(shù)據(jù)本應(yīng)成為指導(dǎo)設(shè)計工作的核心服務(wù)?！?/p>

大語言模型雖能讀取這類數(shù)據(jù)，但部分內(nèi)容的解讀存在主觀性。Vtool 公司首席技術(shù)官奧利韋拉?斯托亞諾維奇稱：“理論上我們可以生成更多數(shù)據(jù)，但最大的機遇在于從現(xiàn)有數(shù)據(jù)中挖掘更大價值。我們的目標(biāo)并非追求數(shù)據(jù)量，而是數(shù)據(jù)質(zhì)量。智能代理能夠挖掘日志文件和波形圖的價值，更全面地呈現(xiàn)驗證工作的進展。優(yōu)化日志記錄方式已能提升分析深度，而人工智能輔助的日志生成技術(shù)將進一步突破這一上限。行業(yè)的工作重點應(yīng)是通過數(shù)據(jù)分析，將現(xiàn)有數(shù)據(jù)轉(zhuǎn)化為具有實際意義的設(shè)計指導(dǎo)。許多團隊在發(fā)現(xiàn)智能代理能從日志中提取大量關(guān)鍵信息后，都會主動優(yōu)化自身的日志記錄體系?！?/p>

驗證等流程會產(chǎn)生海量日志文件和各類信息，而梳理這些信息正是人工智能的核心應(yīng)用場景。IC Manage 公司首席執(zhí)行官迪恩?德拉科表示：“我旗下的企業(yè)已在多個環(huán)節(jié)應(yīng)用人工智能，其中調(diào)試環(huán)節(jié)的應(yīng)用尤為深入。芯片設(shè)計過程中會運行大量流程，涉及眾多芯粒、芯片組件和知識產(chǎn)權(quán)模塊，一旦某個環(huán)節(jié)出現(xiàn)問題，我們能通過仿真檢測到異常，卻需要耗費大量精力排查問題根源。而人工智能在梳理海量日志、數(shù)據(jù)集和各類信息，以及定位問題方面，效率極高、表現(xiàn)出色?！?/p>

不過，目前仍有大量 EDA 工具生成的數(shù)據(jù)未對用戶開放。新思科技首席產(chǎn)品經(jīng)理吉姆?舒爾茨指出：“EDA 工具會產(chǎn)生大量數(shù)據(jù)，但大部分都未向用戶開放，這些數(shù)據(jù)僅由工具的核心引擎用于信息交互和糾錯調(diào)整。多數(shù)用戶也并不需要這些數(shù)據(jù)，因為他們無法將其有效利用于設(shè)計優(yōu)化。”

但這是否意味著行業(yè)還需要更多數(shù)據(jù)？戴維曼給出了否定答案：“我認為并非如此，我們需要做的是優(yōu)化數(shù)據(jù)監(jiān)測方式，讓數(shù)據(jù)以標(biāo)準(zhǔn)化的形式呈現(xiàn)。這是行業(yè)面臨的核心監(jiān)測難題，關(guān)鍵在于實現(xiàn)數(shù)據(jù)的可觀測性、語義化，以及對數(shù)據(jù)的管控與治理。當(dāng)下的問題是，EDA 工具生成的數(shù)據(jù)都是面向人類的‘冗余產(chǎn)物’，并非能被機器直接利用的有效依據(jù)，只是單純的信息輸出，工程師需要耗費大量精力去梳理分析?！?/p>

并非所有人都認同這一觀點。ChipAgents 公司首席執(zhí)行官威廉?王表示：“EDA 行業(yè)一直存在一個固有認知，即工具輸出的數(shù)據(jù)是‘為人類服務(wù)的’，但事實上這一觀點早已過時。一次簡單的回歸測試就能生成數(shù)百萬行日志和海量波形文件，沒有工程師能逐字逐句看完所有內(nèi)容，他們最多只能通過關(guān)鍵詞檢索、查看少量波形片段，對疑似異常的內(nèi)容進行分析，其余絕大部分數(shù)據(jù)，實際上都成了機器產(chǎn)生的‘冗余信息’。”

EDA 數(shù)據(jù)的體量極為龐大，單次設(shè)計快照的數(shù)據(jù)量往往就能達到數(shù)太字節(jié)。新思科技資深院士比爾?馬倫稱：“數(shù)據(jù)存儲需兼顧存儲空間最小化和訪問高效性，人類可讀性不應(yīng)成為首要考量，但必須保證能對數(shù)據(jù)進行提取和可視化，方便工程師理解?！?/p>

要實現(xiàn)實質(zhì)性突破，行業(yè)必須重視對管控數(shù)據(jù)的研究。西門子 EDA 產(chǎn)品負責(zé)人薩蒂什庫馬爾?巴拉蘇布拉馬尼亞表示：“目前我們擁有的數(shù)據(jù)量已足夠支撐人工智能的應(yīng)用，只是在數(shù)據(jù)構(gòu)建方式上仍需優(yōu)化，以提升其可推導(dǎo)性。核心問題在于如何對數(shù)據(jù)湖中的數(shù)據(jù)進行標(biāo)注、如何將數(shù)據(jù)庫向量化、如何對接所有相關(guān)數(shù)據(jù)源，以及如何讓數(shù)據(jù)湖與團隊的工作需求保持同步。在構(gòu)建數(shù)據(jù)湖時，我們會為每一份數(shù)據(jù)標(biāo)注信號類型、標(biāo)簽、來源，同時明確其適用場景、禁用場景，以及可適配的軟件版本。當(dāng)我們將數(shù)據(jù)開放至數(shù)據(jù)湖時，能為其添加大量相關(guān)標(biāo)注信息?！?/p>

此外，數(shù)據(jù)的覆蓋范圍也需要進一步拓展。穆爾實驗室人工智能公司創(chuàng)始人兼首席執(zhí)行官謝莉?亨利表示：“當(dāng)前的 EDA 工具并未充分利用所有可用數(shù)據(jù)，主要原因有兩點：一是支撐智能體人工智能有效運行的大部分數(shù)據(jù)，都分散在各工具專屬的數(shù)倉中，尚無標(biāo)準(zhǔn)化方式實現(xiàn)跨工具的數(shù)據(jù)關(guān)聯(lián)；二是這些數(shù)據(jù)大多‘被困’在人類可讀的日志、報告和工具專屬數(shù)據(jù)庫中，并非為機器解析設(shè)計的結(jié)構(gòu)化數(shù)據(jù)。”

一旦解決上述問題，當(dāng)下 EDA 工具生成的大量數(shù)據(jù)甚至可能不再需要。Normal Computing 公司產(chǎn)品工程負責(zé)人阿爾溫德?斯里尼瓦桑稱：“在原生人工智能工作流中，EDA 工具目前生成的大部分數(shù)據(jù)最終都會變得多余。這些數(shù)據(jù)中很大一部分都是中間產(chǎn)物，其生成的唯一目的，是讓工程師確認某個設(shè)計步驟已正確完成。但這類中間產(chǎn)物大多可以直接舍棄，因為它們的存在只是為最終產(chǎn)品服務(wù)?！?/p>

這也意味著 EDA 工作流需要做出變革。亨利補充道：“事實上，從整個 EDA 生態(tài)來看，我們能找到所有目前已知的、可利用的數(shù)據(jù) —— 這也是各類 EDA 工具被研發(fā)出來的初衷。設(shè)計遙測模式的研發(fā)，有望將設(shè)計和工藝狀態(tài)轉(zhuǎn)化為可查詢的圖譜，并通過極簡的應(yīng)用程序接口（API）實現(xiàn)跨工具的數(shù)據(jù)共享。未來可根據(jù)實際需求，對這一模式進行優(yōu)化，以提供更多維度的數(shù)據(jù)?！?/p>

未來的 EDA 發(fā)展，需要與當(dāng)下截然不同的數(shù)據(jù)體系。斯里尼瓦桑表示：“從長遠來看，芯片設(shè)計將實現(xiàn)從需求規(guī)格到物理設(shè)計的端到端直接落地，那么只要我們擁有能驗證設(shè)計評審結(jié)論的模型 —— 這些結(jié)論原本需要通過中間產(chǎn)物讓工程師確認，我們又為何需要 EDA 工具生成的中間輸出？行業(yè)真正需要思考的問題，并非‘我們生成的數(shù)據(jù)是否足夠’，而是‘我們是否為真正重要的工作流，生成了合適的數(shù)據(jù)’?！?/p>

人工智能智能代理技術(shù)

如今，多數(shù)人工智能智能代理只能讀取單個 EDA 工具生成的數(shù)據(jù)（可能包含多次運行結(jié)果），并試圖從中推導(dǎo)有效信息，最終可能會對設(shè)計方案或工具運行參數(shù)做出調(diào)整。Normal Computing 公司人工智能工程師金道潤表示：“工程師會根據(jù)仿真結(jié)果反復(fù)優(yōu)化參數(shù)，在少量迭代后收斂至預(yù)期的性能目標(biāo)，人工智能智能代理的工作模式與之相似 —— 它會持續(xù)從仿真和其他流程生成的數(shù)據(jù)中提取洞察，為后續(xù)決策提供依據(jù)，而這類工作模式的落地，需要標(biāo)準(zhǔn)化程度較高的數(shù)據(jù)支撐?！?/p>

人工智能智能代理的價值，要么是產(chǎn)出更優(yōu)的設(shè)計結(jié)果，要么是大幅節(jié)省工程師的工作精力。巴拉蘇布拉馬尼亞稱：“在同一問題的不同版本迭代中，實現(xiàn)跨運行過程的知識遷移，將成為核心關(guān)鍵，其能帶來的效益也十分可觀。一旦我們構(gòu)建起不犧牲精度的自驗證檢查循環(huán)，不僅能大幅節(jié)省計算資源和軟件許可證的使用時間，還能快速得到設(shè)計答案。而當(dāng)智能體工作流落地后，效率還將實現(xiàn)數(shù)量級的提升。針對特定任務(wù)優(yōu)化后的智能體工作流，能知曉設(shè)計的歷史版本，也能明確如何設(shè)計回歸測試才能實現(xiàn)產(chǎn)能最大化，并在后續(xù)的運行中直接落地這一策略?！?/p>

而識別設(shè)計中的變化，是實現(xiàn)這一目標(biāo)的核心。威廉?王表示：“工程師真正需要的并非更多的工具輸出，而是更高層級的工作流編排：哪些故障是新出現(xiàn)的？哪些是無意義的噪聲？哪些流程需要重新運行？設(shè)計發(fā)生了哪些變化？芯片是否已具備流片條件？我們應(yīng)將日志和波形圖視為智能控制層的遙測數(shù)據(jù)，人工智能智能代理能持續(xù)對回歸測試結(jié)果進行分類、聚類故障、挖掘根因，并驅(qū)動后續(xù)的工具運行。人類只需參與決策判斷和審批簽字，而工作流的實際運行則由智能代理完成。在當(dāng)下的芯片設(shè)計規(guī)模下，這并非錦上添花的功能，而是在流片前管控設(shè)計復(fù)雜性的唯一途徑?！?/p>

EDA 工具的智能體人工智能能力正在快速演進。馬倫表示：“這類能力能充分利用所有可用數(shù)據(jù)，無論是當(dāng)前設(shè)計產(chǎn)生的數(shù)據(jù)，還是過往同類、異類設(shè)計的運行數(shù)據(jù)，都能成為優(yōu)化依據(jù)，進而提升設(shè)計結(jié)果的質(zhì)量，讓優(yōu)化工作能基于歷史數(shù)據(jù)進行精準(zhǔn)調(diào)優(yōu)?！?/p>

行業(yè)需要在現(xiàn)有能力的基礎(chǔ)上持續(xù)突破。亨利稱：“EDA 行業(yè)正處于人工智能發(fā)展的關(guān)鍵拐點，要延續(xù)摩爾定律核心的性能和生產(chǎn)效率提升趨勢，關(guān)鍵在于利用智能體人工智能補充、增強（而非替代）工程師的能力。這一切都始于重新規(guī)劃 EDA 工具的數(shù)據(jù)需求，并利用人工智能構(gòu)建統(tǒng)一的‘設(shè)計遙測’模式，就像現(xiàn)代云系統(tǒng)對追蹤數(shù)據(jù)和指標(biāo)進行標(biāo)準(zhǔn)化那樣?！?/p>

目前已有部分問題的解決，需要整合多個工具、多次運行產(chǎn)生的數(shù)據(jù)。斯托亞諾維奇表示：“我們將驗證工作視為大數(shù)據(jù)問題來解決，通過數(shù)據(jù)分析和建模，將海量仿真輸出轉(zhuǎn)化為清晰、可落地的洞察，讓工程師獲得前所未有的設(shè)計可視性和管控能力。故障分類的核心，是檢測通過性測試中隱藏的異常、可視化設(shè)計的行為模式，并將設(shè)計或測試平臺的變更與故障進行關(guān)聯(lián)分析。這類可視化分析，能挖掘出那些原本被隱藏的設(shè)計規(guī)律和異常點?！?/p>

人工智能能為驗證工作節(jié)省的每一分鐘，都能為行業(yè)帶來巨大增益。德拉科舉例道：“比如在設(shè)計無實質(zhì)變更的仿真工作中，人工智能就能發(fā)揮巨大作用。它能基于 Verilog 設(shè)計或門級設(shè)計，高效生成虛擬或真實的測試用例，充分驗證設(shè)計的各項性能，從而大幅提升設(shè)計的測試覆蓋率?！?/p>

只要數(shù)據(jù)能在需要時被快速檢索，就無需將所有數(shù)據(jù)都進行輸出。戴維曼表示：“我們在開放硬件領(lǐng)域研發(fā)了 RISC-V 驗證接口（RVVI），核心目的就是打造可交互的追蹤數(shù)據(jù)。這一接口不僅定義了追蹤數(shù)據(jù)的格式，還開發(fā)了與模型交互的 API，使其成為一套數(shù)據(jù)交互的標(biāo)準(zhǔn)協(xié)議，而非單純的追蹤數(shù)據(jù)和截圖查看工具。這才是正確的發(fā)展方向。未來，我們可以將這些工具封裝為人工智能智能代理的子組件，實現(xiàn)更多功能。工程師可以向智能代理提出關(guān)于設(shè)計和追蹤數(shù)據(jù)的問題，而非讓其單純地復(fù)述信息。我們需要為智能代理提供真實的運行依據(jù)，而非僅有的追蹤信息，并實現(xiàn)數(shù)據(jù)溯源，這將徹底改變智能代理的工作模式?！?/p>

模型上下文協(xié)議（MCP）

長期以來，EDA 行業(yè)一直通過 API 調(diào)取工具的內(nèi)部數(shù)據(jù)。Amiq 公司首席執(zhí)行官克里斯蒂安?阿米特羅亞伊表示：“模型上下文協(xié)議（MCP）這一開放標(biāo)準(zhǔn)的推出，讓行業(yè)邁出了關(guān)鍵一步，它實現(xiàn)了人工智能智能代理與外部數(shù)據(jù)、應(yīng)用程序的互聯(lián)互通。我們研發(fā)的 MCP 服務(wù)器，能通過這一協(xié)議，將完整的設(shè)計和驗證層級編譯數(shù)據(jù)庫中的信息，開放給人工智能智能代理，尤其是代碼生成類的智能代理。訓(xùn)練數(shù)據(jù)不足、缺乏上下文信息，會導(dǎo)致人工智能出現(xiàn)幻覺現(xiàn)象，或生成錯誤的寄存器傳輸級（RTL）代碼、測試平臺代碼。而我們通過讓智能代理利用語言語義和項目上下文的深度知識，有效解決了這一問題，確保代碼生成的準(zhǔn)確性。我們堅信，其他 EDA 工具也會找到利用我們數(shù)據(jù)庫中數(shù)據(jù)的新方式，而我們也將通過 MCP 協(xié)議，為行業(yè)提供更多有價值的信息?！?/p>

這一協(xié)議已在行業(yè)內(nèi)獲得廣泛關(guān)注。巴拉蘇布拉馬尼亞稱：“我認為行業(yè)和客戶共同的核心需求，是打造兼容 MCP 協(xié)議的產(chǎn)品。MCP 服務(wù)器本質(zhì)上就是人工智能領(lǐng)域的 API 層，只是功能更為智能。我們可為每款產(chǎn)品搭建專屬的 MCP 服務(wù)器，然后開放并定義所有操作指令。結(jié)合智能代理、大語言模型和檢索增強生成（RAG）架構(gòu)，就能為各類應(yīng)用場景構(gòu)建自優(yōu)化的工作流，最終實現(xiàn)設(shè)計目標(biāo)。”

MCP 協(xié)議也有望成為企業(yè)的產(chǎn)品差異化競爭優(yōu)勢。斯里尼瓦桑表示：“隨著芯片企業(yè)的人工智能應(yīng)用從‘副駕駛’向‘全職工作者’轉(zhuǎn)變，EDA 工具必須從根本上實現(xiàn)與這些人工智能工具的兼容。EDA 廠商完全可以通過搭建 MCP 服務(wù)器，讓外部系統(tǒng)以編程方式調(diào)取工具的內(nèi)部數(shù)據(jù)、向工具輸入外部數(shù)據(jù)。目前尚不確定所有廠商是否都認為這一模式具有優(yōu)勢，但頭部芯片企業(yè)必將推動這一發(fā)展方向，若某家 EDA 廠商拒絕跟進，這些企業(yè)便會選擇與之合作的競品，而 MCP 協(xié)議也將成為企業(yè)的核心競爭點?！?/p>

不過，MCP 協(xié)議的落地還需要考慮一些細節(jié)問題。德拉科表示：“如今整個行業(yè)都在討論 MCP 協(xié)議，搭建該協(xié)議本是為了讓工具的協(xié)作更高效，但我們發(fā)現(xiàn)，實際應(yīng)用中并非所有場景都需要 MCP 協(xié)議，有時它甚至?xí)蔀樽璧K。為人類編寫的文檔本就具備較高的參考價值，即便我們將其轉(zhuǎn)化為更適合機器讀取的格式，能提升的解析效率也十分有限，那又為何要耗費精力去做這件事？這正是人工智能的優(yōu)勢所在 —— 即便數(shù)據(jù)格式不同，人工智能也只需多花一分鐘就能完成解析，而我們無需額外投入精力去開發(fā)、維護新的文檔或數(shù)據(jù)格式?！?/p>

問題的核心在于，MCP 協(xié)議的設(shè)計存在優(yōu)劣之分。巴拉蘇布拉馬尼亞稱：“為一款產(chǎn)品搭建 MCP 服務(wù)器并非難事，但可能存在運行不暢的問題，或僅能在 20% 的場景下正常工作。每款產(chǎn)品都需要擁有專屬、規(guī)范的 MCP 服務(wù)器搭建方案，同時還需要一個高效的 MCP 編排器，對特定工作流中的所有 MCP 服務(wù)器進行統(tǒng)一管理，這一點至關(guān)重要。我們已發(fā)現(xiàn)部分客戶自行搭建了 MCP 服務(wù)器，但隨后反饋稱，為某款產(chǎn)品搭建的服務(wù)器無法正常運行，這是因為他們并非完全了解產(chǎn)品的底層邏輯。而由廠商自主搭建，才能打造出高效的 MCP 服務(wù)器。因此，MCP 協(xié)議的兼容性將成為行業(yè)核心，而這一趨勢已在逐步顯現(xiàn)。”

這一目標(biāo)的實現(xiàn)，需要行業(yè)各方的協(xié)作。德拉科表示：“EDA 工程師是全球最頂尖的技術(shù)人才之一，他們同時精通軟件和硬件知識。行業(yè)內(nèi)有大量軟件工程師和人工智能工程師，但他們對硬件設(shè)計一無所知；而硬件工程師雖掌握設(shè)計能力，卻只會使用 EDA 工程師開發(fā)的工具。EDA 是一個極具挑戰(zhàn)性的行業(yè)，目前行業(yè)的發(fā)展方向是正確的，從業(yè)者也在做著正確的探索，但整體仍處于‘野蠻生長’的階段，沒有人能預(yù)知最終的發(fā)展結(jié)果和行業(yè)變革?！?/p>

戴維曼對此表示認同：“我們需要將掌握設(shè)計、驗證等領(lǐng)域?qū)I(yè)知識的人才，與人工智能專家匯聚在一起。只要雙方通力合作，兩年內(nèi)就能取得突破性的成果。因為僅憑人工智能，無法解決 EDA 行業(yè)的核心問題；而 EDA 行業(yè)的發(fā)展，也需要人工智能技術(shù)實現(xiàn)下一代的跨越，二者的融合是必然趨勢?！?/p>