大语言模型AIoT系统设计难点及验证方案解析_AI热点日报

支持大语言模型的AIoT芯片需十倍以上算力，其系统级设计面临容量庞大、仿真缓慢、调试困难三大挑战，严重拖累设计周期。通过采用统一EDA数据库并实施从IP到系统级的验证策略，能有效加速验证收敛，提升设计效率，加速产品上市。

大模型时代，AIoT芯片设计的挑战与验证秘籍

ChatGPT成为现象级应用后，行业内流传一个说法：1万枚英伟达A100芯片是做好大模型训练的入门装备。AI芯片瞬间成为“屠龙宝刀”，大量从业者投身大模型产品，还有人负责给“掘金人”卖铲子。但真正的问题来了：

过去的AIoT通常指低算力的端侧小芯片，而现在类似ChatGPT的大语言模型（LLM）需要几十到几百TOPS算力，新一代AIoT芯片必须提高十倍到百倍算力。这不仅仅是堆砌算力，需要从性能、互连、带宽、接口进行全面的系统级规划和设计。

新一代AIoT芯片已不是独立个体，市场主流产品几乎都集成了CPU、GPU、FPGA和DSP等核心单元，必须依赖支持系统级芯片开发的EDA流程。当制程工艺逼近极限，人们对性能的追求仍在攀升，借助面向系统级的创新提升芯片终极性能已成为共识。

因此，大规模的系统级芯片设计因场景丰富、系统规模持续扩张，正快速涌向EDA工具并推动其革新。

大系统芯片验证，最直接的挑战来自规模庞大的系统级仿真。而由“大”带来的结构性挑战，涵盖验证到调试的方方面面：更大的设计意味着更长的时间、更高昂的成本、更慢的仿真性能，本质上就是更困难的验证。以下是传统EDA工具难以解决的三大痛点：

从多核、Chiplet封装、多节点到完整系统，验证规模轻易达到百亿甚至千亿门，对验证工具容量要求极高。如果验证平台根本无法仿真完整的应用系统，又怎么能证明设计正确？但支撑数十亿至数百亿容量的验证平台，其性能、规模、可调试性往往难以平衡。

系统级规模不断增大，系统级仿真在整个验证流程中的比例持续上升。验证团队特别依赖性能和数量有限的硬件仿真系统，导致验证慢的不仅是仿真速度，更是整个验证工作的收敛速度和效率。

在复杂的大规模系统级仿真上，调试极为困难。仿真平台上观察到的问题，到底来自软件、芯片逻辑设计还是多节点互连？问题能否稳定复现？多平台数据如何综合分析？不解决这些，大系统的调试会越往后期越难，最终影响整个项目周期。