AI RTL 生成与 AI RTL 验证

本文核心观点

• 超过 50% 的 IC/ASIC 项目时间花在验证上，需要与设计工程师一样多的验证工程师，这凸显了改进验证流程的重要性。

• 通过 GenAI 生成的 RTL 的接受率约为 25%，这表明虽然正在取得进展，但生成的逻辑通常需要手动调整，并且尚不完全可靠。

• 调试代表了改进验证的重要机会，占验证工作的 47%，代理方法的分类和根本原因分析具有潜在收益。

正文

先说明，对于这两者的对比，目前还没有科学定论，但至少在短期内，笔者有基于充分信息的直观判断。笔者提出这个问题，是因为自动化 RTL 生成技术常以 “通过自然语言指令设计芯片” 为噱头抢占头条，号称能让芯片设计触手可及。毫无疑问，这一概念极具媒体吸引力，也是人工智能领域的热门投资方向。但如今芯片设计的实际情况并不支持这一赌注，反而更倾向于投资人工智能辅助验证技术。验证或许不如设计那般引人注目，但就当下而言，它无疑是更具吸引力的人工智能投资靶点。

芯片设计的真实成本究竟在哪？

半导体行业多年的分析（例如威尔逊报告）证实，平均 50% 及以上的 IC/ASIC 项目时间都用于验证环节。项目高峰期所需的验证工程师数量，与负责编写 RTL 代码的设计工程师相当，甚至设计工程师自身也有一半时间投入验证工作。RTL 验证已成为芯片设计中耗费大量时间与资源的关键环节。

在 IP 复用与设计复用成为主流的当下，验证工作量远超 RTL 设计本身并不令人意外。很少有企业能在每次设计时都从零开始，即便是初创公司也会采用商业 IP。硅催化剂（Silicon Catalyst）孵化的企业甚至能免费获取 Arm 等厂商的各类 IP 资源。固然，设计中总会包含一些需要从零开发或大幅重构的差异化内容，但其中的难点在于技术创新，以及在严苛的 PPA（性能、功耗、面积）指标范围内实现想法的可行性 —— 而非 RTL 代码的编写本身。

RTL 生成技术面临的挑战

我尚未找到明确的“首篇” 关于利用生成式人工智能创建 RTL 的论文，但近年来相关研究层出不穷。这些研究持续取得进展，其速度与并行推进的软件生成技术大致相当 —— 虽颇具吸引力，但尚未达到免人工干预的实用水平。

目前更常见的应用场景是将其作为辅助工具，相当于增强版的自动补全功能。设计师可能会在注释中描述后续时序逻辑块（always block）应实现的功能，再让自动补全工具生成该模块。衡量这类工具（无论用于 RTL 还是软件生成）实际效果的一个新兴指标，是设计师 / 程序员对生成逻辑的接受率。数据显示，这一比例基本稳定在 25% 左右。

对于自动补全工具而言，25% 的接受率已算不错。你会频繁接受微软 Word 或短信的自动补全建议吗？我大多时候不会，但偶尔它确实能派上用场。而 RTL 代码的自动补全比句子补全复杂得多，因此 RTL 生成工具能达到这一水平已值得肯定。

为何接受率难以进一步提升？原因有很多。训练语料库覆盖范围不足、注释提示中的歧义，都是显而易见的因素。另一个典型例子是，若未进行额外引导，人工智能模型会默认表达式的时序深度取决于术语数量，而无法识别算术表达式比逻辑表达式的成本更高（注：此处“成本” 指硬件实现难度与资源消耗）。更多案例可参考相关论文。

核心问题在于，生成高质量的 RTL 代码，其复杂度远超当前系统的能力范围 —— 即便是生成一个简单的时序逻辑块也不例外。生成的代码能否满足 PPA 指标要求？是否存在安全或可靠性漏洞？实现方式是否直观合理，能否让 RTL 设计师轻松维护？

这些问题是否能随着时间逐步解决？很有可能。这也是我认为 RTL 生成领域的突破性尝试值得支持的原因。但我们不应将这类探索与短期投资回报率（ROI）混为一谈。

RTL 验证领域的机遇

根据同一份威尔逊报告，调试环节占验证工作量的 47%，是实现回报的重要突破口。尽管经过多年研究，调试技术仍未超出调试器集成开发环境（IDE）的范畴 —— 这类工具虽能帮助可视化运行行为，却难以通过问题分类与根本原因分析来缩短调试时间（目前已有部分针对性解决方案，例如时钟域交叉（CDC）违规分类工具）。

一些初创企业（如 ChipAgents、Bronco AI）推出的智能主体调试方法，已展现出良好前景。其中，问题分类筛选（即将回归测试中出现的大量漏洞分配给子团队深入分析）可能是最具价值的贡献。作为工程师，我们往往执着于如何通过自动化解决极端案例的根本原因分析，但实际上，处理大量简单漏洞的分类筛选工作，所耗费的精力可能远超少数异常案例。初步的根本原因定位（例如判断错误源于模块 A 还是模块 B），能够精准锁定大致故障位置，避免工程师浪费时间调试与自身代码无关的问题。

智能主体方法之所以适用于这类分析，主要有两个原因。其一，它能学习资深工程师的问题分类与初步定位思路；其二，凭借智能主体的自主决策能力，它可以运行额外的试验性仿真，以验证或排除初步推测。

这种调试方法建立在多年来不断完善的验证技术与经验之上。即便仅取得部分成功，也能带来显著的投资回报。相比之下，提升 RTL 生成质量需要的投资规模尚未明确，而我们对其部分成功所能创造的价值也缺乏清晰认知。

EETOP编译自semiwiki

邀请报名EDA技术大会 11月28日 上海 免费