当一群真正懂行的人坐在一起，你一言我一语地聊开，往往就能撞出意想不到的火花。这种碰撞，在技术迭代加速的今天，尤其珍贵。今年的CadenceLIVE Silicon Valley 2023用户大会上，一场关于生成式AI的讨论就很有代表性。与会者都是各自领域的掌舵者，他们围绕AI在芯片设计中的应用，提出了不少值得深思的角度。

这场讨论分成了四个部分，本文是系列的第二篇。上一篇文章（《一场产品开发和用户体验的双重变革》）谈的是AI如何改变EDA工具和芯片设计流程，这次的话题更具体，也更带刺——生成式AI会带来哪些风险？它处理错误的能力如何？这对整个芯片开发意味着什么？

主持人Bob O’Donnell来自TECHnalysis Research，他的一句话点出了核心痛点：“如果ChatGPT在哪儿产生了‘幻觉’，人工复核一遍可能就过去了。但要是它对电路的基本元件产生了幻觉，那麻烦可就大了。” 基于这个担忧，他抛出了第二个关键问题：生成式AI到底能应对哪些错误？对芯片开发会产生什么影响？

以下是几位讨论嘉宾的精彩观点，值得认真琢磨。

1. AI的应用，说到底是个概率问题

Cadence 的观点很直白：这本质上还是概率。AI在很多场景下能大幅提升效率，比如优化布局布线的参数，改善功耗、性能和面积（PPA）。但千万别指望它来做逻辑门综合——因为AI的准确度很难达到90%以上。另一个实际用例是辅助分析根本原因。整体来看，AI在入门级应用上的潜力很广。

这就引出了一个更深的层次：IP。用公开数据训练模型，和用某个IP的专有知识来训练，完全是两回事。Cadence的应对策略是提供经过初步训练的模型，让客户根据自己的需求进一步调优。这样客户既能保有核心知识，又能让模型适配自己的特定场景。数据来源也很有趣——Cadence把工具运行过程中积累的数据整合进了自己的大数据分析平台JedAI，为客户提供高质量的训练素材。同时，内部也在用自家工具做测试和算法优化，最终把AI系统的1.0版提供给客户，剩下的由客户自己来迭代和打磨。

2. 大语言模型在数据分析上，有独特的优势

Cisco 的视角打开了另一个维度。他们认为，大型语言模型（LLM）的价值绝不仅限于处理语言本身。LLM能从海量数据中学习结构、抽象出内在的逻辑关系，这比单纯处理文本要深刻得多。

虽然用GPT-4直接去啃芯片数据库不太现实，但“用大规模数据集训练模型”这个思路本身就行得通。模型一旦学会了数据的语法和叙事结构，就可以去构建大型序列、二维甚至高维的模型，让它们具备高度可预测性，并根据具体的数据特征进行推理。所以，AI在数据分析上的潜力，远不止于我们目前看到的那些应用。

3. AI擅长的是推理结果和表现形式

加州大学伯克利分校 的代表提出了一个很有意思的类比。机器学习工具可以帮助我们理解数据集内部的映射过程，找到隐藏的结构和表现形式。就好比我们很难完全搞清楚某位画家的创作过程，但可以通过分析大量作品数据，去反推和呈现其复杂绘制中的核心模式。

更令人兴奋的是，如果语料库足够庞大（无论是内部的，还是理想情况下涵盖全球的），AI甚至可以实现“超线性学习”。换句话说，AI有潜力融合人类最好的创意，生成媲美顶级设计师水平的芯片设计。知识产权当然是个头疼的问题，但技术上的可能性已经摆在了桌面上。

4. AI最成功的应用，集中在五种数据类型

Meta 的分享则更加务实。他们指出，到目前为止，AI最成功的应用都集中在五种数据类型上：文本、图像、视频、声音和代码。如果你的应用场景落在这几个范围内，那成功的概率会大很多。这里的关键是，只要结果能被验证，哪怕验证过程不那么精细，方向也不会错。比如修改电路时，用等效检查工具快速评估，即便10次里只对了1次，也是有价值的。

但一旦涉及不同类型的数据，或者物理层面的东西，就得考虑引入迁移学习了。很多物理效应可以用文字描述，但如果你直接问ChatGPT一个物理问题，它大概率会给出错误答案——因为解决物理问题需要的是物理模型，而不是语言模型。他们预测，未来两年内，会有越来越多的验证技术涌现出来，用来评估生成式AI在EDA领域内外的实际表现。这个趋势不会止步于EDA，而是会蔓延到整个技术栈。

5. AI可以带来前所未有的改变

Cadence 的另一位代表给出了一个鼓舞人心的判断：AI其实能让竞争环境变得更公平，并真正筛选出那些既有经验又有能力的人。经验丰富的人懂得如何借力AI来提升自己的认知水平，去关注那些以往难以发现的复杂问题，或者探索全新的设计架构。AI对他们来说，是一把利器，能帮他们跃升到新的高度。

这里必须指出的是，AI不会取代人类，反而会增强人类的能力。它的价值在于让我们做出有意义的进步——制造出以前根本造不出来的芯片，达到前所未有的性能水平和可持续发展目标。AI是催化剂，为人类赋能，让我们完成原本遥不可及的任务。

6. AI模型助力工程设计格局的完善

Arm 的观点则更侧重于工程落地。AI模型将推动工程设计格局的不断进化。这些工具会专注于优化设计周期、实现高效分析，并基于特定指标来衡量成功。传统上，设计主要通过布局布线来改善PPA，但现在要考虑的因素越来越多了。

利用微架构层面的知识，我们可以探索各种技术，比如存储器放置和蝶式连接，这些是单纯靠算法很难捕捉到的。关注数据库中的线长和其他指标，才能确保最终结果最优。机器学习虽然重视PPA中的几个关键点，但还远未全能。要确定最佳的内存延迟、连接性和其他参数，还需要更多的分析。

这些工具将提供更大的灵活性，帮助我们开发新的分析方法，并基于更细致的标准来衡量成功。训练AI去理解设计互联连接器和CPU的挑战，远不止是简单地比较几个性能指标那么简单。

这一轮的观点交锋就到这里，但问题并没有结束。下一个议题同样发人深省：基于生成式AI的工具，能否激发更多人对电路或芯片设计产生兴趣，从而缓解业内的人才短缺？ 以及，这些工具是否有助于打造更多样化的芯片，拓宽芯片设计的可能性？ 这些都留待后续文章继续探讨。