半导体奇点：当 AI 开始加速加速 AI 的芯片

AI 正在进入半导体工程的核心环节，通过减少开发软件、操作软件工具和开展工程分析所需的工作量。

Ray Kurzweil 将这一更宏大的模式描述为加速回报定律：积累的技术能力有助于创造下一个计算范式。在我最近的白皮书 The semiconductor singularity: Accelerating IC innovation with AI 中，我将这一理念应用于半导体工程。更强大的计算能力改进了用于设计和制造半导体的工具，而这些工具又帮助创造出下一代计算技术。

图 1 将这一循环置于计算技术更漫长的历史之中。技术在变化，但每一代都贡献出有助于创造其后继者的工具、知识和能力。

图 1：相继出现的计算范式构建了用于创造下一代计算技术的技术能力。

降低下一次实验所需的工作量

半导体工程的进展从不遵循平滑的指数曲线。只有当瓶颈被克服到足以让工程师尝试以前因耗费过多资金、时间、算力或组织精力而无法实现的事情时，进展才会发生。

我在计算光刻中的机器学习方面亲身见证了这一点。早期的演示令人振奋，但要投入生产使用，需要既懂 ML 又懂半导体应用的开发人员、有代表性的数据、模型管理、知识产权控制以及客户的信任。只有在模型、数据、部署环境和客户需求共同成熟之后，生产应用才随之到来。

生成式 AI 缓解了 EDA 流程中许多典型的用户复杂性瓶颈。当我创建最初面向光刻的 SPIE 机器学习课程时，原型开发花费了大约 200 到 300 小时，其中还包括一些生成训练数据的帮助。在后来的一次实验中，我使用生成式 AI 在大约 30 小时内重建并扩展了该原型中相当可观的一部分功能。这些只是 notebook 级别的原型，而非生产级的计算光刻工具，但探索工作量的变化令人瞩目。

其实际效果是在相同的进度安排下进行更多的工程探索。经验丰富的硅工程工程师可以考察更多的备选方案并产出更多可用的结果，同时花在软件和工作流细节上的时间更少。

扩展工程专业能力的覆盖范围

智能体 AI 将这一效果从提供预测或分析扩展到执行一系列工程工作。LLM 解读意图、组装工作流、检索相关上下文并协调专用工具。工程决策权仍保留在 EDA 工具、模型、合格数据和确定性分析之中。

半导体工作流历来依赖于经验丰富的工程师，他们知道该运行哪些分析、哪些数据重要、结果何时可信、何时需要更仔细的审查。这种专业能力需要多年积累，且无法像计算能力或工程需求那样快速扩张。

智能体系统可以扩大这种专业能力的覆盖范围。在计算光刻中，智能体可以收集近期的 SEM 数据、配置模型校准、调用相应的分析、检查收敛性和运行时间，并将异常情况返回给工程师进行判断。更多的计算、数据和工具活动可以在每位专家的指导下运行。

Siemens Fuse EDA AI 通过将 AI 模型连接到 EDA 工具、工程知识、专用语言和数据格式来实现这一架构。

制造环节将模型与物理证据连接起来

计算光刻展示了这一过程如何运作。晶圆厂收集晶圆和量测数据，校准模型，用这些模型驱动校正，测量最终得到的硅片，并将其学到的东西反馈到下一次校准和工艺变更中。模型通过与物理证据的反复比对而不断改进。

这一闭环的不同环节需要不同的计算方法。基于物理的仿真用于预测物理行为。经过认证的模型、规则文件和确定性验证确立了工程与签核的权威性。专用机器学习支持预测、分类和优化。生成式 AI 改善了对知识和工具的获取。智能体协调工作流。加速计算则扩展了能在实际时间表内完成的分析范围。

这些工作流的结果通常是将物理理解和制造观察转化为有证据支撑的工程干预。仿真指引探索方向，量测记录实际发生的情况，模型将预测与观察相互印证，而工程行动则改变设计或工艺。

随着 EDA 工具、制造系统和数字孪生对智能体变得可访问，这一闭环可以在更多的工作流中运行。智能体可以探索设计与工艺的权衡、运行仿真和计算量测流程、评估备选方案，并为下一次工程决策整理证据。

信任是工程基础设施

随着工程周期不断加速，信任的价值也在提升。AI 可以快速生成假设、组装工作流并探索各种备选方案。而半导体开发的推进依靠的是工程师能够负责任地据此行动的证据：经过验证的设计、经过认证的模型、测量过的硅片，以及来源和适用范围都清晰可溯的数据。

智能体化 EDA 需要工程上下文、安全的数据访问、可追溯的操作、确定性权威，以及对关键决策的人类控制。这些属性应内置于工作流之中，并构成信任的基础。

Calibre nmOPC 模型通过与物理量测数据进行校准，并与晶圆上实际呈现的结果持续比对来赢得信任。模型、校准数据、工艺条件和物理证据共同确定了模型在哪些范围内可以被依赖。随着条件变化，模型会被重新校准，证据基础也随之扩大。像 Canopus 这样 AI 增强的量测工具可以通过增加可用于校准的 SEM 数据的数量和质量来进一步夯实这一基础。

Calibre 与经过晶圆厂认证的规则文件和验证流程一起，确立设计符合制造的物理要求。智能体可以编排更多的工作并探索更多的可能性，而受信任的工程工具则决定哪些结果被允许推进。

当在一个设计良好的可信软件基础之上可以访问更多工具时，工程分析可能会在更大的组织或生态系统中遇到瓶颈。建立数据访问、保护知识产权或授权生产变更所需的时间，可能成为加速的限制因素。缩短建立访问、保护和权威所需的时间，将成为下一个工程难题。

图 2 总结了随着工程工作流的加速，限制性约束是如何移动的。物理证据、确定性权威、数据访问、IP 保护、验证和人工控制在剩余周期时间中占据了更大的份额。

图 2：随着开发和分析的加速，物理证据、确定性权威、数据访问、IP 保护、验证和人工控制在剩余的端到端周期时间中占据了更多份额。

奇点是一个不断加速的工程循环

更好的硬件扩展了 AI 能力。AI 扩展了工程师可以探索和自动化的范围。制造提供物理证据，验证则确定哪些结果可以继续推进。

每一次改进都会改变限制性约束。半导体奇点就是这个工程循环的持续加速：找出下一个约束，在物理规律和签核要求的地方保留权威性，并利用来自硅片的证据来改进工具和决策，从而创造下一代硬件。