芯片廠商正開始采用 AI 來管理從各類 “監(jiān)測(cè)面板” 中采集的數(shù)據(jù)。這些面板大多已嵌入芯片與系統(tǒng)內(nèi)部，用于監(jiān)控從溫度梯度、電壓驟降等一切運(yùn)行狀態(tài)。

這些監(jiān)測(cè)面板通常由 CPU、MCU 等處理器控制，多數(shù)情況下對(duì)用戶不可見，但對(duì)追蹤不同功能模塊、傳感器與 I/O 產(chǎn)生的底層數(shù)據(jù)變化至關(guān)重要。它們可按需觸發(fā)告警，并在毫秒級(jí)內(nèi)完成自動(dòng)調(diào)節(jié)。例如：某個(gè)處理器核溫度過高時(shí)，可將數(shù)據(jù)遷移到其他處理單元以平衡負(fù)載、降低發(fā)熱；若 HBM 的某條數(shù)據(jù)通道因電遷移出現(xiàn)阻塞或速率過低，信號(hào)可自動(dòng)切換到其他通道。

在過去，這些功能都是獨(dú)立管理的，彼此隔離，采集的數(shù)據(jù)格式往往互不兼容。而借助 AI，不同類型的數(shù)據(jù)可以融合分析，定位設(shè)備內(nèi)部任意位置的潛在問題，讓系統(tǒng)能夠深度追溯某個(gè)區(qū)域溫度驟升、某臺(tái)服務(wù)器性能下降的根本原因。配合 AI 智能體，這一切都可以自主完成。

這對(duì)于預(yù)防由發(fā)熱與功耗引發(fā)的問題效果顯著，而這兩者正是先進(jìn)工藝設(shè)計(jì)中最棘手的挑戰(zhàn)。

Mo Faisal（Movellus CEO）：“電源管理的根本問題是可視性。監(jiān)測(cè)必須足夠快、粒度足夠細(xì)，才能看清整個(gè)供電網(wǎng)絡(luò)。一旦掌握真實(shí)狀態(tài)，就可以分析并決定后續(xù)如何處理?！?/p>

關(guān)鍵在于運(yùn)行中快速定位問題根源，如溫度突升、性能下降等。

“溫度梯度、IR 壓降、L (di/dt) 噪聲事件（即電壓驟降）都至關(guān)重要。L (di/dt) 直接決定設(shè)計(jì)余量與最低工作電壓。你需要與負(fù)載強(qiáng)相關(guān)的可視性，普通全局監(jiān)測(cè)沒有意義。你需要知道事件何時(shí)發(fā)生、當(dāng)時(shí)系統(tǒng)在做什么，然后才能采取行動(dòng)優(yōu)化負(fù)載 —— 調(diào)節(jié)時(shí)鐘、電壓，或控制指令速率。在此之前，你必須先看清發(fā)生了什么。”

AI 大幅簡化了這一切

William Wang（ChipAgents CEO）：“業(yè)內(nèi)早就想做到這一點(diǎn)。EDA 廠商過去會(huì)上門為客戶定制軟件與面板，比如專門為工廠連接所有生產(chǎn)機(jī)臺(tái)與測(cè)試設(shè)備的數(shù)據(jù)。但這對(duì)芯片全生命周期管理（SLM）并不適用，因?yàn)橄到y(tǒng)非常脆弱，工藝一變面板就失效。這種模式收入有限、高度人工、耗時(shí)且難以通用?！?/p>

AI 智能體從根本上改變了這一模式，通過提升抽象層級(jí)來理解數(shù)據(jù)。

“我們現(xiàn)在有管理 AI 智能體的面板。例如在調(diào)試時(shí)，一個(gè)面板可同時(shí)監(jiān)控五個(gè)智能體：有的分析日志，有的查看波形，共同定位問題。我可以在 10 個(gè)不同項(xiàng)目中激活這些智能體聚合數(shù)據(jù)，再查看結(jié)果。在企業(yè)層面，團(tuán)隊(duì)如何協(xié)作、如何聚合數(shù)據(jù)？答案依然是面板，但現(xiàn)在它是用來管理 AI 智能體的面板，由智能體從多源聚合數(shù)據(jù)?！?/p>

Frank Schirrmeister（新思科技）：“AI 讓過去因復(fù)雜度極高而難以推進(jìn)的工作（如形式驗(yàn)證中屬性學(xué)習(xí)）變得不再困難。這些面板本質(zhì)上是硬件調(diào)試工具，過去靠人工查看波形，現(xiàn)在由一個(gè)或一組智能體協(xié)助，更快定位根本原因。”

系統(tǒng)級(jí)數(shù)據(jù)

領(lǐng)先芯片廠商已全面接受這一思路。

Hardik Kabaria（Vinci CEO）：“英偉達(dá)在打造的是 AI 基礎(chǔ)設(shè)施，而非單純芯片。基礎(chǔ)設(shè)施意味著持續(xù)可用、隨處可及。數(shù)據(jù)爆炸式增長，需要通過面板來理解。但芯片、系統(tǒng)、數(shù)據(jù)中心都受物理定律約束。我們需要讓整個(gè)生態(tài)都能理解傳熱、能量平衡、動(dòng)量平衡如何影響系統(tǒng)：是否會(huì)產(chǎn)生熱點(diǎn)？熱點(diǎn)是否影響內(nèi)存？是否影響共封裝光學(xué)？當(dāng)高分辨率、量產(chǎn)級(jí)數(shù)據(jù)足夠豐富時(shí)，就可以用面板來解讀?！?/p>

隨著設(shè)計(jì)流程不斷向左（提前）、向右（后置）延伸，這類面板變得格外重要。這本質(zhì)上是并發(fā)式系統(tǒng)級(jí)設(shè)計(jì)，統(tǒng)一入口獲取信息讓分析與協(xié)同設(shè)計(jì)更簡單。

Rob Knoth（楷登電子）：“過去芯片團(tuán)隊(duì)中，每個(gè)模塊負(fù)責(zé)人都要向上匯報(bào)數(shù)據(jù)，但各自用不同面板、不同指標(biāo)。當(dāng)層級(jí)向上匯總時(shí)，報(bào)告必須合并。你可能在對(duì)同一個(gè)模塊做形式驗(yàn)證、溫度與功耗測(cè)量、DRC 收斂，但數(shù)據(jù)是否來自同一版 RTL？過去這些數(shù)據(jù)互不關(guān)聯(lián)，難以解讀。于是各公司自己寫腳本、做數(shù)據(jù)挖掘，有人試圖打造‘終極大一統(tǒng)面板’?！?/p>

如今工程師寄望于 AI 簡化這一切。

“我們正從單純芯片設(shè)計(jì)轉(zhuǎn)向多物理場(chǎng)與真正的系統(tǒng)設(shè)計(jì)。往上堆疊時(shí)不能忽略任何物理效應(yīng)。設(shè)計(jì)現(xiàn)代 3.5D 芯片時(shí)，必須考慮熱應(yīng)力、翹曲、凸點(diǎn)機(jī)械問題。因此，面板必須信息極豐富、易訪問，并整合多款工具。”

Jean-Marie Brunet（西門子 EDA）：“在驗(yàn)證領(lǐng)域，我們的面板更多結(jié)合智能體 AI，可以追蹤 KPI 的演變，例如性能、功耗指標(biāo)。智能體 AI 正在加速這一過程。”

Ankur Gupta（西門子 EDA）：“智能體 AI 包含規(guī)劃、執(zhí)行、評(píng)估三個(gè)階段，評(píng)估階段全部是面板數(shù)據(jù)。從 RTL 到 GDS 的流程，每家芯片公司都有對(duì)應(yīng)的面板。AI 能提供一致視圖，只要數(shù)據(jù)對(duì) AI 可用即可。”

“數(shù)據(jù)不必完全相同，但必須是結(jié)構(gòu)化數(shù)據(jù)。我們需要本體論（ontology）來定義每個(gè)階段的輸入輸出，例如時(shí)序、功耗。挑戰(zhàn)在于如何在多款工具間保持統(tǒng)一。如果一個(gè)工具給總功耗，一個(gè)給功耗拆解，一個(gè)不報(bào)時(shí)鐘功耗，面板就失效了。”

AI 驅(qū)動(dòng)的監(jiān)測(cè)面板

監(jiān)測(cè)面板的概念由來已久，最初源于汽車儀表盤。如今，傳感器依舊是模擬與數(shù)字混合，但分析已全面數(shù)字化。

在汽車中，AI 可整合過去孤立的各傳感器數(shù)據(jù)，識(shí)別問題區(qū)域，并快速處理安全關(guān)鍵型問題。這要求數(shù)據(jù)可訪問、結(jié)構(gòu)化、有優(yōu)先級(jí)。

Oscar Camacho（英飛凌）：“這些數(shù)據(jù)需要更大存儲(chǔ)，因此我們采用 FRAM 等存儲(chǔ)器，支持邊緣多次讀寫。數(shù)據(jù)需要在計(jì)算機(jī)與終端節(jié)點(diǎn)間高速傳輸，由中央計(jì)算機(jī)實(shí)時(shí)處理。我們的處理器也在提升算力，增加并行單元，讓部分機(jī)器學(xué)習(xí)算法直接在功能模塊上運(yùn)行?！?/p>

真正的變化不在于數(shù)據(jù)量持續(xù)暴漲，而在于數(shù)據(jù)能用來做什么。

“AI 可以預(yù)測(cè)駕駛員行為、根據(jù)電池衰減預(yù)測(cè)保養(yǎng)需求，讓數(shù)據(jù)支撐更智能的決策?！?/p>

將所有數(shù)據(jù)整合到面板中更易于理解。這與數(shù)字孿生理念相似，但AI 智能體可提供更輕量、更細(xì)粒度的實(shí)現(xiàn)，具體應(yīng)用取決于成本、數(shù)據(jù)量與關(guān)鍵程度。

AI 驅(qū)動(dòng)的面板在邊緣側(cè)與數(shù)據(jù)中心尤其重要：邊緣功耗受限，數(shù)據(jù)中心采用先進(jìn)工藝的多芯粒系統(tǒng)對(duì)發(fā)熱、噪聲、老化余量極小，需要更精細(xì)的監(jiān)控。

Movellus 的 Faisal：“電遷移無法直接測(cè)量，只會(huì)以各種形式表現(xiàn)出來，但必須能監(jiān)測(cè)并采取行動(dòng)。尤其是在 2nm 等超大芯片上，硬件監(jiān)測(cè)電路將至關(guān)重要，否則無法實(shí)現(xiàn)有效的電源管理?！?/p>

結(jié)論

監(jiān)測(cè)面板已是非常普及的概念，但其提供的信息與使用方式正在發(fā)生巨變。重點(diǎn)不再是數(shù)據(jù)量大小，而是從中提取可執(zhí)行的有效信息。需要挖掘、篩選、訪問的數(shù)據(jù)越多，面板就越重要。

Vinci 的 Kabaria：“客戶不是在跑一次物理仿真，而是在跑 50 萬次，并要求我們提供面板來指導(dǎo)整個(gè)工程團(tuán)隊(duì)，把精力放在正確的工作上。”

這已經(jīng)超出人類處理能力。

新思科技的 Schirrmeister：“人類無法同時(shí)掌握 28 個(gè)不同維度的監(jiān)測(cè)面板。AI 能夠理解數(shù)據(jù)，幫助找到因果關(guān)系與相關(guān)性。這在過去機(jī)器學(xué)習(xí)與大數(shù)據(jù)時(shí)代也能做到，但 AI 讓它變得極度易用，就像 AI 突然讓形式驗(yàn)證變得簡單易用一樣。”

簡而言之：未來的監(jiān)測(cè)面板將更精準(zhǔn)、更可定制、更易理解，并將深刻影響芯片設(shè)計(jì)、制造與使用的全流程。