专家圆桌会：Synopsys人工智能与机器学习副总裁Thomas Andersen、英特尔模拟/混合信号工具与流程高级总监Sridhar Boinapally、AMD企业院士Alex Starr、英伟达GPU硬件工程副总裁Stuart Oberman、微软硅工程基础设施合伙人兼总经理Silvian Goldenberg，以及加州大学伯克利分校电子工程与计算机科学教授Borivoje Nikolic共同探讨了AI在芯片设计领域的机遇与挑战。以下是近期的专题讨论节选。
L-R: Synopsys’ Andersen; Intel’s Boinapally; Microsoft’s Goldenberg; Nvidia’s Oberman; AMD’s Starr; UC Berkeley’s Nikolic.
问：未来五年内，AI将如何从根本上改变芯片设计流程？
Andersen：AI不会取代工具本身。我认为目前没有比现有技术更优的替代方案。但对于工具的操作者——那些运行验证工具、实现工具和签核工具的人类工程师来说，工作流程中将发生大量迭代。部分工作在于优化设计，部分在于调试和建立工作流。这类工作很可能在未来两年内高度自动化，这正是生成式AI和推理模型取得重大突破的领域。我可以自动化负载生成、调试、验证问题、物理设计问题，这将显著加速设计收敛。完全自动化需要更长时间，因为就现有技术而言，必须有人类参与循环以确保不犯错，并复核系统是否按预期运行。但总体来看，我确实看到了巨大机遇，未来几年芯片设计流程将出现重大变革。
Starr：五周还是五年？技术迭代速度太快了。变化速率、加速趋势以及模型与智能体流程的创建，将彻底颠覆我们进行硅设计的方式。工程团队需要持续学习并发展新技能。随着我们提升能力、协调资源并理解这些系统的运作机制，产品上市时间将大幅缩短。
Oberman：我的老板（英伟达CEO黄仁勋）有句名言："存在任务性工作，也存在人类监督工作"。在可能的情况下，应该用AI完全接管任务性工作。在芯片设计流程中，我们对多年积累的工程任务已非常擅长，包括部分分析工作、特定编码环节以及验证调试模块。这些本质上都是任务性工作。但模型进化速度快得惊人——无论是五周还是五年的预测期。如果科学发展能稍缓脚步让我们跟上创新节奏就好了。我们看到大量技术涌现，正全力加速部署。
Boinapally：这对EDA来说是根本性变革。许多设计工作属于重复性劳动，比如反复进行的验证环节。这些都将消失。我们正在向价值链上游迁移，进入更高层级的设计领域。
Goldenberg：我们必须从第一天就确保正确。这就是芯片设计的本质——无论时间还是资金成本都极其高昂。从项目启动到流片，全程都必须保持控制力。这就是我们应用AI技术的背景。硅片开发仍将充满挑战，设计师仍需理解每个环节。AI的价值在于加速进程，并模糊专业边界。目前我们有不同领域的专业工程师，而AI将促进知识多元化，从而催生海量设计。设计公司通常采用线性流程，反复修改会耗费大量时间。
问：对工程专业的学生有什么建议？
Nikolic：不要害怕。这些自主AI方法将开启一个多元化芯片涌现的未来。开发芯片所需的时间会因工具而缩短。这些都是未来几年必然发生的趋势。最令人对AI望而生畏的，将是那些我们即将发现的突破。我们发表的论文显示，AI在通用处理器核心中发现了一种超越人类设计的新型缓存替换策略。我们还构建了AI发现流程来开发模拟电路——虽未创造出全新拓扑结构，但重现了那些因难以推演而被束之高阁的经典设计。因此必须让学生理解AI并善用这些技术。目前我们尚无完整方案，但正在积极探索。
问：当前AI领域投资如火如荼。短短四年间，我们从机器学习发展到生成式AI，再到如今的自主AI。哪些领域存在重大机遇？这将如何影响半导体创新？
问：如果都是按钮式设计，芯片之间的差异体现在哪里？
Starr：我们看到的是，有些人能更快地利用精简框架找到解决方案。即便使用完全相同的工具，不同团队在不同抽象层次采取不同方法时，仍存在巨大差异。团队真正需要理解的是AI的本质、发展方向以及实现差异化的可用技术。
Oberman：既然底层框架和工具都相同，那差异从何而来？现状不正是如此吗？你们拥有训练有素的工程师，可以面试他们，了解他们的能力。如今EDA工具也很强大。但各公司推出的产品依然不同。关键在于能否将部分专业知识系统化——无论是基于引进的 skilled engineers，还是机构 expertise，并将其嵌入模型或框架中——这种趋势将持续下去。有些公司会比 others 更成功。我们还没到"输入需求、按下按钮、输出芯片"的阶段。即便真能如此，你在流程中投入了什么样的工具支持呢？