人工智能，将如何影响芯片工程师

公众号记得加星标⭐️，第一时间看推送不会错过。

日前，《半导体工程》杂志邀请了ChipAgents全球客户成功副总裁Cindy Cui、Silvaco首席执行官Wally Rhines、Moores Lab AI首席执行官Shelly Henry、Breker Verification Systems首席执行官Dave Kelf、Verific人工智能开发主管Vince Wong以及Silimate首席执行官Ann Wu，共同探讨人工智能将如何改变工程师的工作方式、如何确保设计的稳健性和可靠性，以及未来经济格局将如何变化。本次小组讨论在近期举行的2026年ESD联盟高管展望会议上面向现场观众进行。

SE：人工智能将如何影响工程类工作？

Cui：借助 GenAI，我们可以快速生成数百万种不同的方案。因此，人类对哪些方案真正重要的判断就变得至关重要。对于未来的工程设计而言，这需要成为架构师职责的一部分，成为系统级思考的一部分，或者成为主管职责的一部分，以确保不同的工程师能够协同工作。如果我们审视一下目前的行业现状，我们仍然保留着诸如设计工程组、验证工程组、布局设计和封装设计等明确的划分。展望未来，这些职能部门之间的界限将不再存在。因此，每位工程师都需要能够快速学习新的需求，并可能利用人工智能来理解真正的端到端设计周期。然后，他们就可以信任地指导所有人工智能代理的解决方案。我们需要开始利用人工智能来理解新的领域并获取相关知识，最终我们将构建一个运行流畅的系统，让人工智能工程师和人类工程师能够协同工作。

SE：人工智能是否正在改变学习曲线？

Rhines：短期内可能会有所变化，但长期来看永远不会改变。晶体管的成本始终呈曲线变化，一如既往。我在商学院时，曾计算过铜在1000年间的每磅成本，结果依然如此。学习曲线是我们必须面对的根本真理，但它的表现形式可能有所不同。我们听到中国方面宣称：“你不能衡量晶体管的成本，而必须衡量每次计算的成本。”但最终，所有产品的成本都必须下降。成本下降的原因有很多，例如折旧和经验积累。任何可以用等效单位衡量的产品都将始终处于学习曲线之中。

SE：我们如何提高人工智能的透明度？它们基本上都是黑箱，而一旦涉及到智能体，我们对系统或芯片内部的运行机制就更加不确定了。我们取得任何进展了吗？

Henry：我觉得我们永远也无法真正了解它内部的运作机制。我尝试过学习这方面的知识。这是我开始学习人工智能时的第一个疑问。我想深入了解它的运作原理，“它是如何做到的？它给了我一些令人惊叹的结果，但它究竟是如何做到的？”所以我深入研究了它的实际运作方式，比如嵌入、矩阵乘法和训练过程。这些数字简直太神奇了。第一个让我震惊的是一个非常简单的训练示例。它被输入了一个包含大量猫狗图片的训练集，并被要求对图片进行分类，判断哪张是狗，哪张是猫。它的表现非常出色。这仅仅是一个训练集。现在，当你给它一张它从未见过的图片时，它仍然能够给出正确的答案。那时我意识到，“哇，这不仅仅是记忆的问题。”它不仅仅是试图匹配它已经见过的模式。它能够匹配它从未见过的模式。我还没想好怎么用合乎逻辑的方式解释这件事。数学太复杂了。我想我们永远也不会知道答案。

Kelf：经验丰富的工程师需要弄明白到底发生了什么才能信任它。但我怀疑应届毕业生是否也有这种感觉。也许就像合成技术一样，新来的工程师并不一定需要理解它。它奏效了。他们接受了如何使用的培训，然后就上手使用了。所以也许应届毕业生还有希望，而老工程师们可能会被淘汰。

SE：这引出了另一个问题。你怎么知道这些Agent没有被腐化，或者他们没有窃取其他信息？

Huang：你无法预知。所以，从一开始就必须采取这些安全措施。这更多的是一种预防措施，同时也是一种恢复机制。最明智的做法是将其置于沙盒环境中。用某种容器将其包裹起来，设置一些权限，使其无法访问超出范围的内容。你需要能够对其进行审计。如果真的出了问题，你需要能够回溯并查看问题发生在哪里。同时，你也需要在出现问题时能够进行某种恢复。这样，希望在此过程中能够节省一些资源。在每个阶段，“如果这一阶段通过了，那就没问题。”但如果出现问题，你仍然可以进行恢复。这只是一种安全措施。你无法预先知道会发生什么。

SE：挑战在于，大型语言模型旨在挖掘任何位置的数据，理解数据的含义，并从过去通常互不相干的各种来源中提取信息。不同的数据类型是相互独立的，但现在情况已经不同了。

Cui：最大的风险不在于人工智能生成错误的东西，而在于它生成错误的东西看起来正确。人类很难判断它是否正确，因为它看起来没问题。客户经常会问：“如果你们用一组数据训练模型，然后用同一组数据验证解决方案，那么你们的解决方案如何验证模型或人工智能代理生成的代码呢？”答案是：我们不应该这样做。所以，基准数据的重要性又回来了。如今，所有的大型语言模型都是用海量数据训练的。但与此同时，我们需要创建一些不同的基准数据，代表真实的设计场景，以及越来越复杂的场景，才能验证你们的智能体人工智能解决方案。我来自客户成功团队，我非常重视客户的反馈。当我们开发一个工具时，一开始我们并不知道它是否可靠或稳健。但如果这个工具已经被成千上万的用户每天用于他们的实际设计，并且成功流片，那么我们就可以在此基础上不断改进。最终，这将是一个非常成熟的、值得信赖的系统。但我们需要非常仔细地验证这一点。

Wong：Anthropic提到过智能体开发秘密语言的事情。我不认为它们的设计初衷就是为了做这件事。它们的目标是优化通信。所以基本上，你会收到收费令牌。当它们与智能体通信时，这些智能体会说：“嗯，考虑到这些余地，我想节省所有这些不同的令牌。而且人类并没有告诉我必须使用特定的语言。”所以它们会找到一种最优方案，但你可以阻止它。这不是好事，因为你不希望出现这些“隐形点”。你希望一切都是可见的。LLM（逻辑逻辑模型）都是基于指令的。所以我们会预先告诉LLM，不要使用除人类可读语言之外的任何语言进行通信。例如，使用像JSON这样的人类可读模式。通常情况下，LLM本身就是通过这种方式进行工具间通信的。作为人机界面，我们在设计这些系统时，必须预先考虑到这些因素。如果我们在里面安排这些警卫，很多问题就可以避免了。

SE：这里的目标仅仅是降低芯片成本、加快芯片生产速度吗？如果是这样，未来谁会从中获利？是芯片制造商、系统供应商还是EDA公司？

Kelf：就芯片的生产和用户而言，商业模式并没有太大变化。我们一直都有这条价值链，而价值链末端的参与者也一直赚取着大部分利润。如果人工智能大幅提升了设计效率，那么理论上来说，EDA公司最终可能会亏损。我们不希望这种情况发生，所以我认为商业模式不会因此而发生太大改变。

Rhines：从历史上看，EDA（电子设计自动化）软件在半导体市场的大部分份额中只能占到半导体收入的一定比例，因为它们的收益来自研发预算。过去三四十年里，半导体行业的研发支出约占总收入的14%，并且随着半导体公司收入的增长而增长。这就是增长的规律。半导体公司拥有议价能力。英伟达之所以能成为一家市值数万亿美元的公司，是因为它以更高的价格销售了更多芯片，因此它因这种高产的设计而获得回报。EDA软件传统上无法获得这种回报，因为我们只能获得预算中固定比例的份额。我们真正希望看到的是这种情况的改变。就我个人而言，我希望争取到制造预算的份额。这是一个很好的方向。其他方法还包括让用户有理由在EDA软件上投入超过收入一定比例的资金。

Henry：我同意你的观点。但另一方面，如果芯片制造成本大幅降低，就会给像英伟达这样的公司带来更大的竞争，它们的利润率也会随之下降，因为EDA行业和学习曲线带来的激烈竞争会降低它们的利润率。这样一来，每个晶体管的成本就会下降。

Rhines：是的，像英伟达这样的泡沫公司并不常见。

Kelf：是更便宜还是更具创新性？人们一直在尝试与英伟达竞争，但他们失败了。也许他们现在开始有所突破了。AMD 的实力也在不断增强。所以还有很多其他问题。但如果他们能够生产出更具创新性的芯片，而人工智能可以为此提供帮助，也许这就是答案。

Henry：那也会有所帮助。

Rhines：还有另一个方面。传统上，芯片的差异化在于可编程性。我们现在拥有很多具有高度灵活性的芯片。但目前，我们迫切需要获得最高的性能和最低的功耗，因此我们正在为特定算法定制芯片。这当然很好，它催生了大量的芯片设计。但总有一天，你不能再继续在每个芯片设计上花费2亿美元，并持续获得经济效益。我认为未来会出现可变形芯片。你会看到一些芯片能够重新配置自身的连接方式、内存分区、指令集，并且能够在处理过程中切换，以便在不同时间执行不同的算法。

Cui：关于竞争以及谁最终会赚更多钱，我们现在追求的是一个完全不同的市场。这是一个巨大且不断增长的市场潜力。现有的EDA市场比较稳定，预算固定，增长有限。但很多半导体公司现在都有人工智能方面的预算。现在有很多市值万亿美元的公司——美光、Marvell、英伟达等等。所以我们追求的是一个巨大且不断增长的市场。最终，如果我们携手合作，创造出真正具有创新性的产品，每个人都能从中受益。

Wu：观察其长期经济影响将会非常有趣。英伟达利润率如此之高的原因之一是晶圆厂产能限制了芯片供应。众所周知，台积电在提升人工智能市场产能方面进展缓慢，因为他们当时并不确定人工智能市场是否会真正发展起来。因此，由于产能限制，代工厂方面存在这种制约因素。当然，大部分利润最终都流向了那些产量巨大的厂商。随着成本下降以及系统厂商加快推出更多专业芯片，晶圆厂产能的扩张潜力巨大，令人振奋。这实际上可以为整个生态系统带来更大的潜在市场规模，让每个人都能在保持原有发展轨迹的前提下获得更多收益。

Kelf：传统上，过去20年里，EDA领域的小公司很难筹集资金。风投会说：“退出策略有限，投资额只是研发预算的一部分。” 但你们却筹集了大量资金。你们是怎么做到的？风投们看到了哪些以前小公司在EDA领域无法获得的回报？

Wu：硬件初创公司融资的难点之一在于风险巨大，而且从获得初始投资到推出功能基本齐全、性能欠佳的测试芯片，再到获得下一轮1亿美元甚至更多投资，整个过程耗时漫长。这就是实现这些难度极高、技术性极强的里程碑需要多年时间的风险所在。但我们开发软件。从公司成立到拿到第一份年度授权合同，只用了不到一年的时间。因此，对于一家开发软件的公司来说，融资更容易，因为软件可以按天或按周交付产品并创造价值，而无需像硬件初创公司那样耗费数年时间。当然，另一个有利因素是，现在正值半导体行业蓬勃发展的时期。过去几年，各大新闻媒体几乎每天都在报道半导体相关新闻，你还能在哪里看到这种情况？半导体行业本身就是一个亮点，很多投资者都会追随潮流。他们看到热门领域，就会想：“哦，我们能帮上什么忙吗？”这正是我们所处领域非常激动人心的时期，也是初创公司更容易在早期证明自身价值的契机。

Rhines：风险投资家们被软件行业惯坏了，软件行业前期投入较少，直到看到实际产品和收入。硬件行业则恰恰相反——在看到客户和可用的产品之前，前期投入巨大。我曾花了五年时间为Cornami公司四处奔波寻找风险投资家。只要你一说你涉足硬件领域，他们就会露出笑容，然后说：“我想我还有别的安排。”现在情况不同了。英伟达和其他公司正在改变这种模式，在产品成功之前，估值就已经高得惊人。

Cui：这对整个行业来说是一个重要的转折点。以台积电、美光和爱立信为首的半导体公司正在大量投资。他们都看到了新一代人工智能解决方案的价值，以及它将如何重塑芯片设计的未来。这是一个关键的转折点，使我们能够迅速筹集到这些资金。

（来源 ：编译自semiengineering ）

*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4482内容，欢迎关注。

加星标⭐️第一时间看推送

求推荐