未来芯片工程师，应该具备的技能

公众号记得加星标⭐️，第一时间看推送不会错过。

在 Synopsys Converge 主题演讲之前，Semiwiki采访了 Synopsys 首席产品管理官 Ravi Subramanian，他重点谈到了塑造人工智能、半导体技术和工程未来发展的几个重要趋势。他的讨论主要集中在硅芯片设计和系统工程领域如何融合，而这种融合很大程度上是由人工智能的快速发展以及对更高效计算基础设施的需求所驱动的。这次对话深入剖析了将定义未来十年创新发展的技术、经济和工程挑战。

我（指代本文作者，下同）和Ravi很熟。我曾在Berkeley DA为他工作，为他提供代工战略方面的建议，特别是如何更好地与台积电合作。我在Solido Design也担任过类似的职位，当时希望两家公司能够合并。后来Mentor介入，收购了Berkeley DA和Solido，剩下的故事大家都知道了。有趣的是，Solido的前CEO Amit Gupta现在在西门子EDA负责人工智能战略。世界真小。两位老朋友如今成了竞争对手，我会在另一篇文章中详细讨论这一点，但你肯定不想错过这篇文章。

拉维首先探讨的观点之一是“融合”（Converge）这一活动的意义。它象征着两个传统上各自独立的工程领域——硅工程师和系统工程师——的融合。硅工程师专注于设计半导体芯片，而系统工程师则设计汽车、医疗设备和工业机械等完整的产品。过去，这两个领域相对独立运作。然而，现代技术，尤其是人工智能驱动的技术，要求这两个学科紧密合作。例如，自动驾驶汽车、机器人和智能设备都依赖于专用芯片、复杂的软件、传感器和物理系统的协同工作。因此，硬件工程和系统工程之间的界限正变得越来越模糊。

本次访谈的另一个主要主题是人工智能系统性能的衡量方式。传统上，业界关注的是“每秒令牌数”等指标，该指标衡量人工智能系统处理信息的速度。然而，Ravi解释说，业界现在更加关注基于效率的指标，例如“每美元令牌数”和“每瓦令牌数”。这些指标评估的是相对于成本和能耗而言，人工智能能够执行多少有效的计算。这种转变至关重要，因为运行大型人工智能系统成本极高且能耗巨大。例如，Ravi提到，人工智能辅助搜索查询所需的能量可能是传统搜索查询的四到六倍。随着人工智能的广泛应用，提高能源效率将成为科技行业面临的最严峻挑战之一。

拉维还将人工智能技术与全球经济增长联系起来。他解释说，目前全球经济年产值约为117万亿美元。其中，约41万亿美元来自需要工程设计和制造的实体产品，约60万亿美元来自服务业。许多经济学家认为，未来25年全球GDP可能会翻一番，达到约250万亿美元。拉维表示，这种增长很大程度上将由人工智能带来的生产力提升所驱动。然而，这些人工智能系统严重依赖先进的半导体和计算基础设施，这意味着半导体行业将在推动未来经济扩张方面发挥核心作用。

为了解人工智能硬件的未来发展方向，Ravi 指出了决定人工智能系统性能的四个关键组件：计算、互连、存储和电源。计算指的是处理器，例如 GPU 和专用人工智能加速器，它们负责执行训练和运行人工智能模型所需的计算。互连指的是在芯片和计算节点之间传输数据的技术。高效的数据传输至关重要，因为数据传输通常比执行计算本身消耗更多电量。存储，尤其是高带宽内存，是另一个重大挑战，因为现代人工智能模型需要海量数据才能有效运行。Ravi 警告说，如果人工智能数据中心消耗掉大部分可用内存资源，内存供应短缺甚至可能扰乱某些行业。最后，电源消耗是一个主要制约因素，因为大型人工智能系统需要大量的电力才能运行。

此次访谈还强调了半导体供应链可能发生的重大变革。拉维指出，随着各公司调整制造工艺、设计方法和基础设施以支持人工智能经济的蓬勃发展，半导体行业正步入重大转型期的第一个十年。这一变革将影响从芯片架构到存储器生产和数据中心设计的方方面面。

总而言之，拉维强调，未来的工程师需要具备跨学科的广泛知识。系统工程师必须了解半导体技术，而芯片设计师则必须了解现实世界的物理原理和系统行为。随着人工智能不断扩展到机器人、自主系统和其他形式的“物理人工智能”，软件、硬件和物理系统的集成将变得日益重要。这些领域的融合最终将决定技术创新的未来。

https://semiwiki.com/eda/synopsys/367459-ravi-subramanian-on-trends-that-are-shaping-ai-at-synopsys/

（来源：编译自semiwiki）

*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。

今天是《半导体行业观察》为您分享的第4344内容，欢迎关注。

加星标⭐️第一时间看推送

求推荐