人工智能（AI）技术正以前所未有的速度改变着各行各业，在电子设计自动化（EDA）领域与汽车行业的深度融合中，一场碘伏性的革命正在发生。从高级驾驶辅助系统（ADAS）到完全自动驾驶，从芯片设计到系统级验证，AI/ML技术正在重塑设计流程、提升效率、降低成本。本教程将带您深入理解 AI 如何在 EDA 与汽车领域协同创新，并介绍 Cadence 等领先工具如何借助 AI 实现突破。无论您是芯片设计工程师、汽车系统开发者，还是技术管理者，都能从中获得启发。
AI 如何革新汽车行业？
随着半导体技术的进步以及消费者对智能、安全、舒适出行的期望不断提高，汽车行业正经历一场深刻的变革。预计到 2027 年，先进辅助驾驶系统（ADAS）、自动驾驶汽车、数字座舱等市场规模将达到 700 亿美元。AI 和边缘计算技术的普及，使得自动驾驶汽车从幻想走向现实。
- 深度学习 AI 大幅提升了感知准确性，帮助采用 ADAS 技术的汽车实现更高的自主性。
- 嵌入式 AI 视觉技术（如深度感知、全景视野）能够有效预防事故、辅助决策、提供车内智能交互。
- 尽管全自动乘用车辆（L5）尚未完全上路，但 最后一公里配送（LMD） 已成功应用自动驾驶技术。LMD 车辆低速行驶，对感知距离和制动要求更低，AI 技术帮助降低了总体成本并提升了生产力。
小提示： 关注 AI 在 LMD 等低速场景的落地，是当前汽车行业从 L2+ 向 L5 过渡的重要实践。
EDA 中的 AI
片上系统（SoC）集成的功能越来越多，但功耗、性能、面积（PPA）预算却十分有限，这给设计者带来了巨大压力。传统的 EDA 工具依赖“经验法则”和设计师直觉进行优化，存在以下问题：
| 1 | 无法从以前的设计中汲取经验，导致生产力受限且设计不够准确 |
| 2 | 多次迭代导致设计时间增加 |
| 3 | HLS（高层次综合）通常需要更多时间来完成综合 |
| 4 | 布局和布线取决于设计师的预测/经验，会增加运行时间 |
| 5 | 就时间和资源而言，制造成本高昂 |
为确保设计正确性，必须在制造前进行设计验证。传统的随机/自动测试模式生成（ATPG）方案难以提高故障覆盖率。而 人工智能（AI）已经彻底改变了 EDA 行业。AI 中的训练和推断技术帮助芯片设计师大幅提升生产力，能够设计出足以处理复杂计算和 EDA 工具的芯片，实现更快的收敛、更低的成本和更好的结果质量。
AI/ML 如何改善设计空间？
AI/ML 非常适合 EDA 和汽车行业，可显著加快设计速度。将 AI 功能引入 EDA 工具，能够为设计团队带来以下主要好处：
| 1 | 提高准确性和效率 |
| 2 | 前瞻可见性（提前预测设计瓶颈） |
| 3 | 满足雄心勃勃的功耗、性能和面积（PPA）目标 |
| 4 | 更出色的数据和芯片布局，减少人为干预 |
| 5 | 加快设计收敛 |
小提示： 当你面临复杂 SoC 设计时，优先考虑带有 AI/ML 功能的 EDA 工具，能大幅缩短迭代周期。
EDA 中的 AI 与汽车中的 AI 有何相似之处？
在 EDA 和汽车行业中，提高生产力、更快取得成果、改善 PPA 都是核心目标。AI 和 ML 算法正在为这两大领域创造新的变革机会：
- 将 AI 功能融入现有的 EDA 工具，使设计过程更高效、更富有成效。
- 汽车厂商利用多学科分析和优化（MDAO）技术，借助 AI 实现更快速、更优质的设计结果。
- 系统的精确行为建模提高了产品保真度和安全性。
无论是自动驾驶汽车、ADAS 还是 EDA 设计，AI 都在推动一场电子革命，开启新的“复兴”时代。
Cadence 核心产品：AI/ML 驱动的 EDA 解决方案
Cadence 提供了一系列具备 AI/ML 功能的 EDA 工具，能够从手动到完全自动化产生更好、更可预测的结果。下面介绍几个关键产品：
电子设计辅助系统（EDAS）
Cadence AI/ML 解决方案/技术概览
Verisium AI-Driven Verification Platform
代表了 EDA 算法的一次革命性转变。从单次运行、单引擎算法转变为利用 大数据和 AI 优化整个 SoC 设计和验证 中多次运行多个引擎的算法。通过部署 Verisium 平台，所有验证数据（波形、覆盖率、报告、日志文件）被整合到 Cadence JedAI 平台，基于这些数据建立 ML 模型，挖掘专有指标，显著提高验证效率。
Cadence Joint Enterprise Data and AI (JedAI) Platform
加速基于 AI 的芯片设计，让设计团队从海量芯片设计数据中获得有用信息，提高生产效率。工程师可以无缝管理结构化和非结构化数据，轻松应对消费电子、超大规模计算、5G、汽车和移动应用等领域的设计复杂性。
Optimality Intelligent Chip Explorer
加快上市时间的关键工具。其多学科分析和优化（MDAO）技术可探索完整的设计空间，实现 10 倍的效率提升，适用于 Level 3 及以上级别的汽车驾驶自动化。
Cadence Cerebrus Intelligent Chip Explorer
一种革命性的、基于机器学习的芯片设计流程优化方法。能针对复杂且大型的 SoC 系统（Level 3 及以上自动驾驶）同时为多个模块优化流程。采用全流程强化学习技术，显著提高工程团队效率。
Xcelium ML
在整个仿真回归过程中迭代学习，内核引擎性能得到强化。通过匹配随机测试套件的覆盖率来减少仿真周期，加快验证吞吐量，非常适合 Level 3 及以上 SoC 设计。
Cadence Tensilica 处理器 IP
支持用于 ADAS（L2）的激光雷达、雷达、自动驾驶摄像头等高性能数据处理。
Cadence Design IP 和 Cadence AWR RF to mmWa ve 解决方案
可帮助实现高性能、低成本的汽车雷达前端和波束天线阵列技术。
更多 Cadence 工具（针对 ADAS 和传感器融合）
此外，Cadence 汽车创新平台还推出了 Innovus ML、Allegro ML 和 Virtuoso ML 等工具，用于设计应用于 Level 2 和 Level 3 级自动驾驶的系统级芯片和 PCB。在 ADAS 应用中，AI 技术是实现车辆自动驾驶的关键，可以帮助汽车制造商降本增效，保持市场领先地位。基于 AI 的视觉和传感器（如盲点监测、车道偏离、深度感知）正让我们离全自动驾驶的梦想更近一步。
常见问题（FAQ）
1. 为什么传统的 EDA 工具无法满足现代汽车芯片设计需求？
传统 EDA 工具依赖“经验法则”，无法从历史设计中学习，导致多次迭代、设计时间长、布局布线依赖人工经验，且制造成本高。随着 SoC 集成度飙升，这些局限性愈发明显，而 AI/ML 能够通过训练和推断自动优化设计，解决问题。
2. Cadence JedAI 平台主要解决了什么问题？
JedAI 平台整合了所有验证数据（波形、覆盖率、报告等），利用机器学习模型从中挖掘隐藏信息，帮助设计团队快速定位瓶颈、提升验证效率。它让工程师能轻松管理结构化和非结构化数据，适应复杂的设计场景。
3. 最后一公里配送（LMD）中自动驾驶技术为何能率先落地？
LMD 车辆行驶速度低，对感知距离、制动距离和安全要求相对较低，AI 技术（尤其是嵌入式视觉和边缘决策）可以快速准确地处理有限场景，成本也更可控。因此 LMD 成为自动驾驶技术商业化最早成功的领域之一。
编辑：黄飞