随着人工智能技术的不断发展，新技术的落地与融合也进一步加速了各行各业的数字化转型，企业需要利用新的技术来开拓新的市场，将电气、电子、软件和机械与智能商业环境、智能工厂、智能基础设施等系统整合为自成一体的生态系统，从而确立和巩固市场领导者的地位。这不仅仅意味着作为数字化核心的半导体产业需求会呈现出指数级增长，同时也意味着更复杂、更精细的差异化需求在不断增强。

EDA作为芯片设计的工具，被誉为半导体产业“皇冠上的明珠”。随着人工智能的不断发展，传统EDA工具的发展难以跟上日益增长的芯片设计规模和市场需求。业界一直在探索更加有效的方案,来提升芯片设计的效率,降低设计门槛。在EDA工具中采用人工智能技术，成为了如今EDA技术创新的关键。

随着EDA技术变得愈发智能化，模拟仿真技术以及EDA上云技术变得更加火爆。针对于大规模集成电路，模拟仿真验证方法学往往从芯片设计原理图开始，逐层仿真、验证和实现，并完成可以交付制造的芯片设计版图信息，有效提升芯片电路设计的准确性。通过人工智能技术，EDA将成为一种模拟仿真验证的工具，使设计师不用将电路真正制造出来去检查电路是否正确，而是通过模拟仿真即可验证芯片设计的准确性和安全性，为芯片设计节省了大量的时间和成本，并有效提升芯片电路设计准确性，为集成电路产业的发展提供有力保障。

凌琳表示，如今EDA模拟仿真验证技术之所以变得愈发火热，也与集成电路设计的复杂程度越来越高且产业规模越来越大有关。芯片设计企业往往面临技术以及资源等种种挑战，借助EDA模拟仿真验证技术能够使其验证工作变得更经济、更方便，还能够有效协同业界生态伙伴，共同商讨解决方案。

在人工智能崛起的同时，云计算也在悄悄改变着EDA的运行架构。特别是芯片设计变得愈发复杂之后，算力和存储开始出现了瓶颈，传统的自建数据中心已不堪重负。因此如今无论是EDA厂商、IC设计企业还是代工厂，都开始追求EDA上云，全面交给云服务商部署托管或采用混合云等方式。

凌琳表示，EDA上云变得愈发火热，也意味着随着摩尔定律的发展，芯片设计变得越来越难，需要用到的资源也越来越多。例如软硬件的计算资源、人力资源等，资源整合会变得越来越困难，也变得越来越难得。因此，当在资源方面遇到瓶颈后，EDA上云能够使企业用更便捷的方式将资源进行整合。

AI正改变芯片设计方式

跟随着摩尔定律的逐级演进,芯片内部的复杂度和集成度都呈指数级增长,芯片设计的难度也大幅度提升。传统EDA工具的发展越来越跟不上日益增长的芯片设计规模和市场需求。业界一直在探索更加有效的方案,来提升芯片设计的效率,降低设计门槛。

“未来十年,AI(人工智能)将会成为芯片设计效率提升1000倍的关键。”新思科技CEO Aart de Geus认为,传统摩尔定律已经达到物理极限,制造工艺逐渐朝着异构集成、系统级封装、Chiplets等方向发展。如今,芯片动辄数以亿计的晶体管数量和复杂程度都预示着,系统复杂度将拉开芯片设计产业的新时代。而人工智能将会在其中扮演重要角色,以机器学习为代表的人工智能技术手段,将改变芯片设计和验证的方式。

在传统EDA设计工具中,芯片架构探索、设计、验证、布局布线等工作的人力占比巨大。为大幅削减人力物力、缩减设计周期,EDA设计工具逐渐朝着智能化趋势发展。利用深度学习、强化学习等人工智能手段和方法,吸收过去的设计经验和数据,形成智能化EDA设计的全新方法论。智能化EDA设计能够有效减少人力投入、缩短设计周期、提高芯片设计及生产的性能和精度。

以芯片布局布线为例,作为芯片设计最复杂最耗时的步骤之一,芯片布局布线需要综合考虑功率、性能和面积(PPA),还需注意密度和布线拥塞等方面的限制。对于工程师来说,网表图节点数量庞大、网表图放置的网格粒度以及计算产生的高昂成本都是芯片布局布线的难点,需要数周的迭代才能找到满足多项设计标准的解决方案。

按照谷歌论文的说法,利用人工智能仅需6个小时便能完成芯片的布局布线工作,同时在不违背布局密度和布线拥塞的前提下,节省面积、提高信号完整性和稳定性,从而提高芯片可靠性。除芯片布局布线外,谷歌Apollo项目还将人工智能引入芯片架构探索,为芯片高效优化架构提供了新的框架。

正如前面所说,人工智能正在影响甚至改变着芯片设计的方式。三星、英伟达等芯片制造商都在积极跟进人工智能驱动的芯片设计,缩短自身产品迭代周期,力求提升自身行业竞争力,以时间和技术博得市场先机。而对于EDA厂商而言,开发以AI为内驱的EDA工具,加速EDA芯片设计智能化,成为其抢夺市场的核心战略。

芯片设计“上云”

芯片设计之所以需要“上云”，首先是因为市场需求发生了很大变化。一方面，异构计算的流行，使得市场对于CPU、GPU、AI等“大芯片”的需求有了长足的增长，这对芯片设计所需的算力和CAD环境提出了挑战。另一方面，我们正在进入万物互联时代，对于物联网芯片的需求日益剧增，产品迭代速度却进一步加快，要求芯片设计的周期更短。

其次，芯片设计的前端和后端又呈现出完全不同的作业特征：前端设计要求高并发、多线程、混合随机访问、元数据密集、百万级小文件；后端设计则需要单线程、内存密集型、有序访问、长时间运行、大文件……

最后，随着工艺的不断演进，芯片设计的总成本还在不断攀升。其中，EDA软件成本和验证成本占到了整体成本的70%。再看时间分布，验证和仿真占到了研发时间的70%。

与上述变化相对应的，则是如今芯片设计企业最关注的三个难题：一是在性能上如何用最优的配置满足复杂的芯片设计场景；二是上云的成本优化，即云厂商提供的方案能否真正做到快速扩容和回收；三是能否保障芯片设计各层级的安全。

“上云”，恰恰能够有效解决以上三个难题。从2019年开始，海外芯片巨头纷纷“上云”。例如，台积电、新思、益华电脑利用微软Azure云服务，在20分钟内构建了10万个虚拟运算单元，极大地缩短了开发时间。AMD则与合作伙伴一起，将EPYC 7纳米芯片的实体验证“上云”，仅仅10个小时就完成了全部流程。

中国大陆芯片设计企业的“上云”需求更为迫切。要知道，目前中国大陆这2218家芯片设计企业中，87%都是规模在100人以下的小型Design House。如果仅仅依靠企业自身十分有限的资源，显然不足以解决海外芯片巨头都难以解决的难题。

EDA云平台产业已至关键节点，国内市场规模达百亿元

除了创企，非初创芯片设计公司也对云平台有着需求。从算力上来说，随着芯片设计公司规模的不断扩大、所研发芯片制程的演进，其算力需求也会增加。

如果扩充本地计算集群，芯片设计公司需要在硬件、场地、人员、运维等方面进行大量投入，且芯片设计的算力需求存在波动：任务数量低谷时算力闲置，高峰时任务需排队进行。

有业内专家称，投片前3个月，芯片设计公司对算力的需求是“无限”的。对这种波动型的需求，芯片设计公司单纯地扩大本地数据中心规模，并不能很好地解决问题。即使是大型芯片设计公司，在计算需求不断增大后，传统的托管IDC计算模式仍可能出现问题，不能及时输出成果，降低设计效率。

相比之下，云平台可以更灵活地调用算力，任务高峰时可调用海量云端算力，低谷时则减少调用算力，能够显著提升芯片设计效率。

因此，自2010年、2011年起，Cadence、Synopsys等国际EDA巨头开始提出了EDA上云的概念。之后，英特尔、英伟达等芯片巨头开始探索EDA云工具的应用。2015年后，公有云架构逐渐稳固，数据安全体系逐渐成熟。

如今，EDA云平台的工具和运行环境已逐渐整合在一起，且产品能够规模化地复制到不同的行业，并提供给客户。可以说，EDA云平台产业已经到了商业化发展的关键节点。

随着技术发展，EDA云市场正快速扩大。其中，大量新增的中国芯片企业撑起了一个价值百亿的EDA云平台市场。陈熹估计，截至2021年年底，中国EDA云平台的市场规模大概达到一百亿元，年复合增长率在20%以上。

尽管亚马逊、阿里云、华为云等主流云厂商的解决方案较为完善，但其产品和服务数量较为庞大，对芯片设计行业没有针对性，界面也较为复杂，工程师学习存在一定门槛和成本。

而较Cadence、Synopsys、西门子EDA等国际EDA巨头的云平台，速石科技采用EDA厂商中立、多云的环境和架构，能够为芯片设计公司提供兼容、完善的EDA工具链，以及“在任何时间点、任何应用场景中，最适合他们、最具性价比的云资源”。

上云是EDA行业一个长期的发展趋势。随着芯片制程的演进，芯片设计的成本快速上升，逻辑仿真、验证、版图设计所需算力规模不断增加。本地数据中心的建造运维投入、专业IT人员的招募、安全系统的构建都是芯片设计公司需要面对的挑战。

全球疫情下，EDA云平台的价值更是凸显。作为一个新兴的供应链环节，EDA云平台正在高涨的下游需求中成长，成为EDA产业中的关键赛道之一。

来源：中国电子报，老冀说科技，探索科技TechSugar ，芯东西