目前人工智能应该是当今世界上最热门的话题之一，从IBM的深蓝到AlphaGo，再到最近火热的Chat GPT，AI的快速发展对各行各业都产生了巨大的冲击和挑战。

“EDA行业也不例外，AI的发展离不开高性能、高带宽、低延时的芯片，此类芯片设计又对EDA提出了新的挑战，无论是性能还是在设计效率方面。” 在2023国际集成电路展览会暨研讨会——全球CEO峰会上，Cadence副总裁、亚太区技术运营总经理陈敏如是说道，“反之，EDA作为处理大数据量的计算软件，也天然会受益于AI。”

Cadence副总裁、亚太区技术运营总经理陈敏

EDA会以超出想象的广度和深度演进

从AI来，到AI去，EDA在AI新时代，会以超出想象的广度和深度演进。

首先，从半导体行业的发展趋势来看，行业得益于很多的驱动力，从5G到云计算，再到物联网等等驱动力，更在共同驱动这一成长，预计在未来的三到五年内，半导体市场规模将突破万亿美元，而电子系统的市场规模也会达到3万亿美元。陈敏指出：“虽然短期复杂的诸多因素，可能会影响2023年的收入，但是我们依然看到，设计的活动依然非常活跃，所以长期来看，我们认为前景依然还是非常积极的。”

其次，从市场和消费者角度来看，对芯片的需求种类越来越多，单个芯片的复杂度会越来越高。这对于设计人员带来了非常大的挑战，最关键的就是人才短缺。据美国半导体行业协会分析，到2030年设计工程师的缺口将会达到35%。同样中国半导体协会有这样的分析和预测，在2024年，行业人才需求总规模将达79万人左右，缺口会达23万。陈敏指出，要解决这一问题，首先是如何加速人才培养，但这是需要时间的。同时，他认为解决人才不足的很重要方面就是如何提升生产力。

数百万年来，人类的祖先只能使用身体，也就是肌肉的力量和一些简单的工具来进行生产，这一进程发展得非常缓慢。当随着时间的推移，人类逐步掌握了科学知识，理解了一些基本的数学、物理的科学知识，为工业革命奠定了基础。工业革命大爆发后，从而赋予了人类从来未有的力量，使得人类的生产生活取得长足进步。

“截至目前，我们依然着眼于在不同的程度，或者以不同的方式来增进增强人类身体的力量，或者是人类身体力量的延伸。”陈敏称，“目前我们面对的是另一次全新的开拓、全新的道路，也就是可以通过AI来使得人类的脑力能够实现跨越式提升，从而使生产力能够得到飞跃发展。”

目前人类提升生产力驱动的来源是来自于机器的智慧，来延伸人类的脑力。实际上，在我们生活的现在社会，已经包围着非常多的智能系统，比如智能手机、智能传感器、智能汽车、智能家居，甚至智能城市等等。这些系统正变得越来越个性化，越来越互联，越来越智能。在这其中，智能汽车是一大典型。

据半导体协会的统计数据显示，现在的汽车内部可能拥有几千个零部件或者芯片，拥有上百个电子控制系统，目前占整车成本的35%左右。预计到2025年，甚至2030年，这样的成品结构可能在发生进一步的变化，电子相关的可能会占到成本的50%以上。

设计这样的智能系统，对EDA提出了非常大地挑战。众所周知，芯片发展的规律背后有着摩尔规律，如何能够让EDA支撑设计，满足摩尔定律的发展需求，面临巨大挑战。EDA界也在不断地努力，不断地演变，通过提升抽象层次，比如最原始的，从手工绘制版图的方式，发展到基于晶体管，甚至到基于标准单元的设计，甚至到DESIGN的阶段。紧接着，就是依靠AI DRIVEN的解决方案大幅提升生产力。每次的效率提升会是数量级的，也正因如此，才能得以延续摩尔定律。

人工智能，即AI，与设计工程师之间的区别是什么？

首先，设计工程师可创造性地提出对于复杂问题的解决方案，比如在设计一些创新算法，发明一些新的架构，这是人的优势，但是人并不善于处理海量数据。反而，机器，也就是人工智能的优点，AI可以在算法的引领之下，能够并行处理海量数据，且可在并行处理海量数据的过程中找到规律，从而极大地提升生产力。而人最多能够同时并行处理的数据量大概是3到5组。

陈敏表示：“我们把两者结合起来，通过新一代的EDA算法，把人工智能和优秀工程师的能力结合在一起，也就是in the loop+AI的解决方案，既可解决高复杂度问题，还可以提升处理海量数据，从而提升生产力。”

引入AI实现对EDA改造

对于Cadence而言，最初是优化原有产品中所有实现的引擎，近几年通过AI技术来处理大量的设计数据，提高设计效率，这是AI-Driven的解决方案。这是全栈的AI解决方案，目前其面向数字实现、验证、模拟版图设计、PCB版图设计，甚至系统级的优化设计，都有着全栈AI驱动的解决方案。

以Allegro X AI为例，这是面向PCB板的解决方案，它可以完成板上元件的自动布局，自动生成，以及关键信号的自动布线。之前手工对这样的板子可能需要几天时间，现在利用X AI这样一个新的解决方案，可将时间缩短至几个小时。

通过客户的实际案例，可以看到，元件布局的时间，可以由几十倍的时间收益。同时，对于大家更为关注的设计的质量，也就是X AI生成的质量会更高，这体现在连线长度更短，这意味着PCB尺寸可以变得更小。

Cadence Verisium在验证当中的应用，验证工具真正花费的时间只有20%左右，剩下的时间都花费在调试、发现bug、定位bug、解决bug上，所以其基于AI的解决方案，是通过AI的引擎，如何从验证的数据中提取出来哪些故障最为关键，而且能够快速定位出来这些故障对应在设计的什么位置，比如是哪一行的代码造成bug。最后是如何告诉工程师快速地修正故障，解决bug。

据介绍，目前 Cadence一些用户他们的实际数据，通过波形比较AI的功能，能将发现bug的效率提升30倍之多，定位bug的速度也会大大提升，从而使得整个验证周期大幅缩短。

传统的数据实现是工程师利用他们的专业知识，利用他们之前项目的经验，来调整工具的选项以及设计的参数，通过不同地迭代优化，最终达到设计目标，这是非常耗时和耗费人工的工作方式。

Cerebrus基于人工智能强化学习的方式，能够对工具显像也好，flow的变量也好，设计参数也好，这样一个组合的巨大空间当中，可以做智能的搜索，它不再需要数百万次的运行、迭代，以及数月的手工操作，就能够在非常短的时间内得到更好的设计结果。

从结果反馈来看，一个数字电路的实现，关键是PPA。首先，可以生成高达30%-40%的leakeage power improvement，可以降低67%的timing。

透过客户5纳米的SoC的芯片真实案例，其原来利用传统的Flow，利用人工迭代的方式，得出来一个理想的可以接受的Baseline结果，可能需要18天时间。采用Cold start，得出来的结果花了11.5天，而且结果更好。所以AI Driven的解决方案，能够最大程度地缩短设计周期，提升质量。

Cadence提供的是全栈的Driven解决方案，上述提到的针对不同应用的解决方案，都是基于联合企业数据和AI平台，简称JedAI平台。此平台使得设计数据和AI训练的信息，都保存在一个开放的Platform内。这些数据信息可以被所有产品，也就是不同的应用，能够无缝传递。举一个例子，上述提到做验证的平白，在做验证的过程中，可以生成所有信号的翻转信息，通过JedAI，这些翻转信息就可以无缝传递到其中，让翻转信息能驱动实现的工具，去做更为准确的功耗优化。

说到JedAI，首先它是一个企业级的，高度可扩展的，分布式的安全的AI平台，它可以存储和处理大量EDA的设计数据。它可以通过数据连接器和这些AI的解决方案，能够无缝衔接，可以有效地传输所有的设计数据。同时它也是一个非常开放的数据连接器，它可以通过标准的行业格式，这些数据通过连接器进来之后，最核心的是JedAI的一个分析引擎，这是核心价值所在。在此之上，会有Open API，一方面提供相应的应用来处理客户的针对性问题。当然，没有办法涵盖所有的需求，所以Cadence开放这个API，客户可以根据自身需求，去开发自己定制化的应用程序。

例如，Cerebrus是针对数据设计和实现的解决方案，在这之上有非常多的APP，比如可以做优化。在这之前必须工程师手工调节，现在有这样的APP帮助做快速的探索。这样一个APP还可以往前延伸，可以把设计往系统级去延伸，可以去做架构的优化，甚至可以做3D IC的优化。另一端如何提升良品率，这些都是基于Cerebrus之上，增加应用程序，帮助客户快速实现目标。

大数据模型现在非常热，Cadence也在进行相关的探索，该厂商也会内嵌自己的大数据模型，内嵌当然没有数据安全的问题，数据都是部署在客户端。当然也可以连接第三方的大语言模型。目前在大语言模型的结合上，Cadence与日本瑞萨（Renesas）保持着非常紧密的合作，通过这种方式旨在让设计工程师能够用自然语言作为接口，加速验证调试，提升整体效率。

“EDA叫做电子设计自动化，所谓的自动化，我们梦寐以求的是能够把一个想法变成一个芯片，这是我们的终极EDA。” 陈敏如此说道，”我们也在考虑，我们是不是能够利用生成式AI的方式，能够生成代码，真正地完成从方案到产品的实现方式。

小结

展望未来，设计数量不会停在模块级，预计不远的将来，设计数量会发生在子系统级，目前Cadence也在开发一个完整的多模块设计中心，帮助每位工程师完成整个子系统的实现，从而极大地提升设计生产力，这也是能够让摩尔定律得以延续的根本原因。