文|半导体产业纵横

2022年，人工智能的创作能力多次破圈。

输入关键词，AI就可以做出成熟的作品；现在ChatGPT不但可以对话甚至可以写程序了。当人工智能掌握了编程语言，这设定看起来像人类可以操控自己的DNA编码。从AI作画到如今爆火ChatGPT，人们惊叹人工智能的学习能力。既然AI已经具备了“创作”的能力，那是否可以胜任芯片设计呢？除了设计环节，人工智能还可以应用在芯片产业的哪些环节？芯片产业会进入“无人”时代吗？

首先来谈谈，人工智能能不能“创作”芯片。其实AI在芯片设计不是一个新的概念，2000 年代中期，机器学习已应用于 SPICE 仿真器的蒙特卡洛仿真，从而节省了电路设计人员的时间和精力。如今，随着AI技术和芯片设计领域的研究同步深入，两者的结合有了更多的可能性。

人工智能在芯片设计中的应用有两种思路，第一种是真正意义上的让人工智能去设计电路图。

谷歌团队在2021年发布论文《A graph placement methodology for fast chip design》，该团队提出了一种用于芯片布局规划的深度强化学习方法。在不到六个小时的时间内，人工智能自动生成的芯片平面图在关键指标（包括功耗、性能和芯片面积）上优于或可与人类生成的平面图相媲美。在这一过程中，研究团队将芯片布局规划作为一个强化学习问题，并开发了一种基于边缘的图卷积神经网络架构。将芯片版图看作围棋棋盘，将宏模块看作棋子，通过在大量内部数据样本上预训练，最终超越了人类的布局方案。该研究团队称团队的方法被用于设计下一代谷歌的人工智能加速器，并有可能为每一代新产品节省数千小时的人力。

除了谷歌，英伟达也在研究使用AI设计芯片，英伟达表示Hopper GPU 架构拥有近 13,000 个 AI 设计电路实例。

相对于第一种思路，第二种思路更像是“曲线”AI，即通过人工智能技术让芯片设计的软件EDA变得更“智能”。

EDA企业Synopsys推出了DSO.ai（设计空间优化），这个软件借助最新的机器学习技术搜索设计空间。具体来说，芯片设计是一个可能性很多的解决方案空间，搜索这个巨大的空间是一项劳动密集程度极高的工作，通常需要多个星期才能完成，而且往往要依靠过去的经验和群体知识作为指导。DSO.ai可用于优化芯片设计工作流程的输入参数和选择，以满足特定项目的确切需求。这种能力的第一个典型应用领域是优化设计步骤和基础工具设置。

开发者可以使用DSO.ai搜索设计过程的其他许多输入选项。例如，DSO.ai可以微调库单元以提供最佳频率或最低功率；采用现有平面图并尽量缩小芯片尺寸；确定多高的工作电压会实现功耗与性能的最佳权衡；在定制时钟结构或者电源分布网络探索不同效果等等。

北京大学集成电路学院林亦波研究员表示“AI for EDA是一条新技术路线，目前国内外的研究均处于起步阶段，且产业界和学术界都在积极布局，是有望突破现有EDA软件瓶颈的一种前沿技术。”北京大学集成电路学院已经创建了首个致力于人工智能辅助芯片设计（AI for EDA）应用的开源数据集——CircuitNet，这可为EDA相关研究提供数据支持。

人工智能不仅在设计环节找到了一席之地，在芯片的制造环节也已经发挥价值。人工智能在半导体行业具有巨大的价值潜力，晶圆厂和OSAT纷纷加大产能建设，并评估将人工智能和机器学习介入芯片制造，能否带来更大的效益。

在台积电，机器学习被用来实现自动缺陷分类（ADC），并保持高级缺陷分类识别的准确性。2020年台积电负责先进技术业务发展的一名高管就透露台积电已开始利用人工智能和机器学习技术，用于芯片生产过程中的数据处理。这名高管表示，生产的芯片越多，从中学到的就能越多，就能知晓哪儿容易出问题，新材料或设备在哪一环节会出现意想不到的问题，就有更多的机会消除这些问题并简化流程。这名高管表示，台积电已在他们的设备中部署了大量的传感器，确保任何有用的数据都能被收集，他们利用人工智能和机器学习将数据转化为相关的信息，改善他们的芯片生产，他们不浪费任何一个学习的机会。台积电通过整合智能化行动装置、物联网和移动式机器人，结合智能自动物料搬运系统，以强化晶圆生产资料收集与分析、有效利用生产资源，发挥最大制造效益。

封测大厂日月光也引入AI设备预测技术，以最快速度提供最佳参数，提升先进制程精准度与良率。工研院电子与光电系统研究所所长张世杰表示，工研院的AI人工智能设备预诊断技术，可在产线直接判读瑕疵，更可建立一套完整的资料库，解决传统人为检查失误或品质不均问题。

有了足够的数据和人工调整，这些机器算法可以快速且极其准确地识别和分析图像，而无需工程师不断地教机器缺陷究竟是什么样子。总的来说，人工智能设备预诊断技术将有助大幅缩短解决问题时间，同时可提升半导体制程良率，并加速产品上市时程。

除此之外，人工智能还可以在职能部门的库存和零件优化、定价和促销、客户服务分析以及销售和需求发挥作用，也可以在库房中实现重新定位和跟踪项目或更复杂的流程。例如，台积电整合了人工智能、机器学习、专家系统和先进演算法，以建构智能制造的环境。智能制造技术被广泛地应用在排程与派工、人员生产力、机台生产力、制程与机台控制、品质控制，以及机器人控制等方面，从而有效提升品质、生产力、效率和弹性，同时最大化成本效益，并加速全面创新。

围绕人工智能，人们常常会讨论的话题就是AI是否会取代人类的价值。人工智能在芯片的制造环节的应用更像是个“辅助”，干着大量的工作，又能保证准确率和速度。不可否认的是，在这一环节人工智能的性价比可能已经超过了人类。不过，在芯片设计环节AI还不能取代人类的地位。

在芯片设计环节中，人工智能仍有许多局限性。芯片设计中涉及的许多任务无法自动化，因此仍然需要专业的设计人员。英伟达负责相关研究的首席科学家表示即使有了AI的帮助，工程师仍然需要大量的专业知识，因为强化算法有时会以不可预测的方式运行，如果工程师未能发现这些错误，可能会导致设计甚至制造中代价高昂的错误。对于DSO.ai是否会成为芯片设计的“一键完成按钮”，Synopsys产品工程总监表示真正的能力仍然掌握在开发者手中。

DSO.ai并非通过有限的手动搜索方式，而是将搜索过程自动化，同时由用户决定关注哪些空间。未来的开发者将能够借助人工智能，以更高的抽象水平和处理能力完成设计过程。开发者的角色将不再是安排和运行实验，而是指导人工智能技术关注哪些设计空间，以及最终根据经验确定要实现什么目标。这样，开发者可以将更多时间用于分析具体问题，并对预期结果做出更好的权衡。

AI短期不能替代人类还有另外一个原因就是它的成本问题。使用 AI 往往很昂贵，因为它需要大量的云计算能力来训练强大的算法。但随着计算成本的下降和模型变得更加高效，AI会变得更容易获得，在未来这可能不是一个大问题。

人工智能可以通过自然语言与人类互动；识别银行欺诈和保护计算机网络；在城市街道上开车；玩国际象棋和围棋等复杂游戏。人工智能正在为我们周围的许多复杂问题提供解决方案，但创造真正的新事物，人工智能还要一段时间。

据McKinsey研报，半导体领域的AI / ML在2021年创造了70亿美元的价值，占芯片收入的10%，预计到2025年将上升到设备收入的20%达900亿美元，其中，人工智能在整个芯片制造过程中带来的收益也将达到整体的40%。不过眼前来看，人工智能还处于为人类服务，辅助人类完成一些更加简单、流程化的任务的阶段。如前文所说，即便是能够帮助缩短芯片设计时间，人工智能发挥作用的环节是在大量的数据库中优化搜索，而非去开辟一个最优解。可以说，在一段时间内，人工智能仍是个“打工人”而不是科学家。