半導體已成為讓這個世界正常運轉不可或缺的關鍵元素，從製造業自動化生產線、大型資料中心、支援5G高速行動通訊的基礎設施，擁有不同等級自動駕駛功能的大小車輛，以及各種內建人工智慧/機器學習(AI/ML)的裝置；這雖意味著一個持續蓬勃成長、商機無限的市場，卻也代表半導體晶片設計與驗證工程師正面臨越來越艱鉅的挑戰。
要克服眼前的挑戰，EDA供應商Cadence Design System資深副總裁暨系統與驗證事業部(SVG)總經理Paul Cunningham博士認為，除了利用最先進的EDA工具來協助工程師，對晶片設計業者來說，更重要的是思考工程團隊的任務重組以及心態上的調整。
Cadence Design System資深副總裁暨系統與驗證事業部(SVG)總經理Paul Cunningham博士。(圖片來源：Cadence)
「當前最先進的SoC內含電晶體數量達到上千億，該數字在這一個十年之內將輕易突破上兆；」在首度於台灣舉行的IC設計與驗證大會(DVCon Taiwan 2023)的專題演說中，Cunningham博士分享了他的觀察：「而且我們的半導體元件將變得更加異質結構，多顆裸晶以矽中介層堆疊在單一封裝中，這些3D IC帶來了100倍的元件複雜度。在此同時，每年的設計案數量可能是原來的4倍，這看起來像是工作量增加了400倍。」
但當然，一家公司不可能因此將工程團隊人力擴充400倍，更別說目前整體半導體領域正面臨人才短缺的窘境；為此，產業社群持續努力的一個目標是，如何讓一個工程師能做到原本可能需要100位工程師才做得了的事──這也是過去35年來Cadence的使命。
從電晶體、標準單元到RTL層級，透過一步步將積體電路個別功能區塊的設計抽象化，EDA工具帶來了革命性的方法，讓工程師能以Verilog硬體描述語言(HDL)創建電路，實現了晶片設計與驗證流程的自動化。
「如今撰寫RTL程式其實與軟體核心程式開發流程並沒有多大的差別，」Cunningham博士表示，HDL持續進化，現在工程師可以直接以C語言編譯RTL程式，而越來越豐富的SystemVerilog功能，加入了對更多更高階程式語言的支援，像是Perl Script，或是RISC-V處理器核心開發所使用的Chisel Script等，相較於以往純手動設計已經是上百倍、甚至上千倍的生產力提升。
現在，由AI技術所驅動的設計與驗證方法，勢必能再帶來一個10倍生產力的提升；不過他卻指出：「我不認為抽象化在提高設計生產力方面還能有多大的空間，當然，還是會有漸進式的改善，我們也會持續向前邁進，但在我看來，眼前一個更重要的思考方向是晶片設計工程師的任務重組(task restructuring)。」
提升生產力之外 使用AI工具更重要的是心態調整
「隨著AI出現，我們現在應該開始檢視設計與驗證工程師們是如何安排時間，了解他們的職務與日常工作時程，然後嘗試讓他們的工作升級；」Cunningham博士解釋，就像是電動工具的發明，AI將實現能承擔目前由人工進行之任務的強大工具，「但這並不是為了要取代人類。人類是具創造力、有深度的思想家，我們能把所經歷的不同事物連結在一起，我們可以專注於一件事情並且做得非常好。」
AI驅動解決方案並非要取代人類，而是為了加速人類的工作流程。(圖片來源：Cadence)
機器智慧的特性則是可以無限擴展，「就好像你可以盡可能給它很多眼睛跟耳朵；它們可以處理人類永遠無法處理的大量資料，能進行廣泛、水平化的連結並分類；也許有一天機器將擁有與人類相同水準的直覺與創造力，但在接下來的5到10年，AI能帶來的立即性好處，是為人類的創造力與日常生活帶來催化的效果。」
因此Cunningham博士表示，從EDA供應商的角度，利用AI來協助客戶解決最困難的設計挑戰當然是非常有趣的任務，不過他想傳達給客戶的概念是，AI工具更重要的功能是讓團隊人力有更好的配置：「想想你的大多數員工，可能是剛畢業的新鮮人，或是年資不到五年的新手，他們花最多時間在什麼工作上？要如何讓他們更有效率，擁有與資深工程師同樣的生產力？」
另一方面，在這個AI驅動EDA工具的新時代，工程師們還需要調整心態，大膽去嘗試創新的設計與驗證方法。「這些是非常不同的產品，並非開箱即用，但只要開始使用，就會看到實際上對生產力的提升是有效的；」對此Cunningham博士做了一個有趣的比喻：「如果你一輩子都在騎馬，某天第一次坐上汽車，也是哪裡都去不了。不過一旦你學會開車，你就會知道你一定會繼續這麼做，因為能跑得更遠、享受到比騎馬更多的樂趣。」
大數據平台結合多引擎、多次執行的新世代驗證流程
對目前大多數晶片設計驗證工程師來說，日復一日的工作通常是在不同的EDA工具引擎上，一次又一次執行專案以取得滿足客戶目標與最佳化PPA表現的結果。而AI技術能帶來的是多引擎、多次執行的設計與驗證流程，更重要的是能達到人力不能及的速度、覆蓋率以及跨時間的運作。而在這其中，大數據平台扮演了關鍵的角色。
「ChatGPT讓人覺得神奇，但如果沒有透過網際網路的開放存取，讓它能收集大量數據進行訓練，它可能就不會那麼神奇；」Cunningham博士表示，Cadence所創建的JedAI (Joint Enterprise Data AI)平台就是以這樣的概念為基礎，期望藉由一個具備開放性通用API的雲端資料庫，持續累積來自人類工程師的智慧結晶，透過大數據分析加速設計驗證流程，實現更高的生產力與設計品質。
採用Spark框架的JedAI支援Python與C++語言，而Cadence在一年前發表的驗證平台Verisium奠基於其上，號稱完成了驗證工具從單引擎、單次執行晉級到多引擎、多次執行演算法的世代交替；透過採用該平台，各種驗證數據如波形、覆蓋範圍、驗證報告和文件皆能匯集到JedAI ，以利用機器學習模型從這些數據中挖掘出其他專有指標、啟用新工具，因此提高驗證效率。儘管這個新旅程才剛展開，根據Cunningham博士的分享，已有客戶透過採用Verisium平台，在不同的驗證步驟中取得3倍到高達60倍的不等的生產力提升。
Cadence結合AI與大數據平台的新一代驗證流程。(圖片來源：Cadence)
除了Verisium，Cadence的驗證流程工具還包括Xcelium邏輯模擬器(Logic Simulator)、Jasper形式驗證平台，還有硬體形式的Palladium Z2模擬平台、Protium X2原型驗證系統、Helium Studio系統虛擬/混合原型創建平台；這些解決方案將透過與AI引擎的結合，以及雲端運算環境帶來的彈性，將複雜系統的設計驗證推進下一個世代。
而就像是ChatGPT等大型語言模型，在IC設計領域是否能有真正「開放」的模型讓所有的設計工程師都能運用？這在特別注重矽智財(IP)保護的半導體產業確實會是個問題，對此Cunningham博士認為：「如果全世界的晶片與系統業者願意貢獻自家的資料成為集合智慧，那將會是非常非常強大的AI模型；而我確信無論是Cadence或其他業者都會非常樂意促成此事。」
然而目前的實際情況是，儘管有AI平台的輔助，Cadence也願意貢獻自家的IP，目前各家晶片業者仍是在封閉的環境中進行模型訓練，以確保設計機密不外流；而AI所創造的價值應該歸屬於運算系統擁有者還是資料的提供者，目前都還是一個爭論不休的社會議題。Cunningham博士坦言，「這真的不是我們自己可以決定，會非常非常困難。」
- 以服務精神經營Edge AI市場 DeepMentor志在實現「模型經濟」 - 2024/04/08
- 【科編出身】編輯檯報告 - 2024/03/22
- 以可重構NPU實現邊緣應用 耐能致力推動AI民主化 - 2024/03/08
