重新思考芯片设计中的 Shift Left：AI 智能体与数字孪生如何改变流程

要点：

• AI 智能体和数字孪生让我们能够在更早阶段探索更多设计选项，包括涉及材料、晶体管结构和芯片架构的选择。
• 把工作前移并不能消除验证瓶颈。工程师仍需确认 AI 生成的设计和代理模型能否准确反映预期的硬件。
• “左移”（shift left）正变得不那么线性。设计团队或许不必过早锁定规格，而是可以随着新信息的出现不断改进架构和实现选择。

专家座谈：Semiconductor Engineering 邀请几位专家，围绕在芯片设计、使用和全流程更新方式持续变革的背景下左移的利弊展开讨论。嘉宾包括 Synopsys 战略项目与系统解决方案执行总监 Frank Schirrmeister；Hiveware 业务发展与战略合作伙伴关系副总裁 Ronen Laviv；Silvaco 业务发展副总裁 Jack Berg；Axiomise 创始人兼 CEO Ashish Darbari。以下是此次对话的节选。

从左至右：Silvaco 的 Berg；Synopsys 的 Schirrmeister；Axiomise 的 Darbari；Hiveware 的 Laviv。

SE：我们谈论设计到制造流程中的左移已有十多年了，但如今正加入越来越多的能力，以提升可靠性和良率，并更快产出硅片。你们看到了哪些变化？

Schirrmeister：我们现在加入了数字孪生，这把工作左移到了非常靠前的阶段。

Berg：没错。现在的问题在于处理多物理场模型。利用这些数据构建代理模型非常重要。随着我们深入采用不同材料的不同技术，必须回到材料科学求解器和物理求解器，获得设计师可以使用的模型。这通常发生在并非典型数字设计的领域，但当我们下探到 CFET 层级时，也开始在那里使用了。

Schirrmeister：有三个变化。第一，借助计算能力和智能体，我们现在拥有技术能力，可以左移到远超我们一生中曾期望达到的程度。这里的问题在于左移是否可信。代理模型是否是实际情况的可靠表示？这不能由智能体来决定。过去，对于虚拟原型，你会安排一个人负责确保模型反映实际情况并且准确。这是第一点，也就是说信任方式正在改变。第二，你需要信任左移模型对你正在做的事情具有预测性。否则，你会为左移而后悔，因为你还需要再流片一次。在高通的一次主题演讲中，演讲者谈到了新的“推理鸿沟”。他说我们过去面临的是生产力鸿沟，但现在面临的是推理鸿沟。他们希望工程师对产品进行推理并改进产品。但工具目前还无法处理推理。第三是左移选项的快速演进。如果我能信任这些模型，那我就有了可以尝试的新做法。在架构层面，只要模型足够具有预测性，我就可以做出某个决定，然后启动 n 个选项去试验。

Darbari：左移的讨论至少在 15 年前就开始了。改变的是 AI 和智能体的使用模式。尚未发生的是当今 AI 智能体中的信任因素。有各种出色的智能体使用模式，我们和我们的客户都在使用它们来处理规格说明。现在很多讨论已经转向了从规格到芯片（spec-to-silicon），因为人们相信可以从规格文档中提取需求——前提是你有这些文档。但大多数时候你并没有，这就是问题之一。我在与形式验证相关的工作中看到的另一个重大变化是，功能验证现在被视为一个问题，与安全、功能安全和功耗处于同一层面，所有的硬件都汇入 AI 生态系统这个最大的投资池。很多公司从第一天起就投资于 PPA 分析。例如，我知道有客户把他们的设计，甚至上一代的设计，拿出来让 AI 智能体重写以优化 PPA。但我怎么知道它是正确的？我能证明它与某个其他版本等价吗？因此，半导体领域的十大巨头，拥有庞大预算和庞大团队的公司，正在采用智能体 AI 流程，而它们非常依赖于能否信任它。这种信任缺口往往通过早期采用形式验证并利用证明来解决。专业经验未必是最大的障碍。更大的问题在于工具能否更无缝地集成到系统中。

但如果你看看是什么在推动更多左移，那就是花在调试上的时间。当你在进行架构分析时遇到失败，你可以把它交给一个智能体。智能体会产生大量数据，而我们需要在洞察方面做更多工作。你的时间花得明智吗？即使结果是正确或不正确的，如果必须进行人工审查，这可能成为左移早期采用阶段的一个巨大障碍。随着智能体被更早地采用，这会带来更好的设计、更少的 bug 逃逸吗？还有待观察，而且我不认为单靠左移就能解决这个问题。

Laviv：左移就是识别我们行业中的瓶颈，并思考如何尽可能地在设计和验证周期的早期把工作和进度提前。如今，智能体正在突飞猛进地提供帮助，但发生的一切都会让我们陷入瓶颈——新的瓶颈或旧的瓶颈——而我们必须去解决它们。

SE: 我们有太多必须同时审视和验证的内容，以至于把这么多东西左移本身就成了一一个问题，而多芯片组件和生命周期管理又让它变得更加复杂。所有这些部分如何组合在一起并保持在一起？

Schirrmeister：左移（shift left）本身是对的吗？左移的前提是我对即将要做的事情有扎实的了解，并且假设我能在六个月、九个月或一年后明确说出自己想要什么。也许我们想错了方向。也许我们需要的是一个总体方向，以及在走向实现选择的过程中根据所获得的信息进行调整的能力。左移意味着在某种理想的未来世界里，只要有一份规格说明就能一步到位。而我听到的实际做法却不同。人们说：‘好，我在构建某个东西，借助智能体式 AI，我现在可以构建一个可能代表其中大部分内容的模型。于是我现在做出决定：‘这个比较简单，在 Arm 处理器上不需要太多精力，或者我可以为它做一个 RISC-V 处理器。’然后我重置我的规格，这其实有点混乱，因为我之前没有正确的硬件规格，所以现在我在做调整。好的一面是，我们正在接近这样一个时代：可以把左移转变为这种新的细化过程。这几乎就像敏捷版的左移。以敏捷的方式，你可以在稍后发生细微选择时，根据你现在所做的事情对实现进行调整。

SE：这解决了一个大问题，因为当这颗芯片投放市场时，你并不知道工作负载会是什么。这是一种更通用、更注重适应性的方法，对吧？

Schirrmeister：没错，过去我们不敢这么做，因为整个流程都是串行的。现在它变得更像循环了。过去，产品经理了解市场，说‘我要做这个’，结果 18 个月后你发现它行不通。现在你随时都有新数据，因此在细化工作过程中可以保持这种敏捷性。

Darbari：我同意敏捷性带来了很多选择和很多变化，而且并非所有事情都能提前预知，这是构建任何东西的现实。不过，我并不认为事情那么模糊。如果你要构建一颗新的机器学习芯片、GPU 或 CPU，你对之前的衍生设计是有一定概念的。你打算采用怎样的总体架构？你不清楚的是在功耗、功能方面的实现选择，以及 AI 在训练或推理方面带来的诸多挑战。这些是相当新颖的。所以无论有没有智能体，你都需要在过程中的每一步做出多重选择。但智能体可以帮你更高效地做到这一点。我不知道的是，这些敏捷智能体的产出能否被迅速调和并加以信任。

Schirrmeister：你不会让 AI 真正替你做决定，你也不信任 AI。接下来你需要深入到一个经过验证的模型中。

Berg：这是一个非常重要的观点。AI 智能体不会取代人类。它们实际上相当于初级工程师，需要由懂行的人来审查它们的工作。“必须敏捷，并且正在变得敏捷”这一理念是非常真实的。有一种说法是流程可以做逆向设计。但如果那种逆向设计可以基于多物理场求解器呢？你把代理模型、数字孪生组合起来，然后说：“好吧，给我一个晶体管或一颗芯片——甚至到这一步，一颗直到 RTL 的芯片——它要在这些约束和这些条件下工作。”突然间你得到一个空集。过度约束了。那接下来怎么办？这就是为什么“必须敏捷”的理念非常站得住脚。

Laviv：以数字流程为例，今天你有虚拟平台、形式验证、软件仿真、硬件仿真、FPGA，还有工程师和 AI 引擎。你需要做出调整。如果你在设计一颗 CPU，或某种实实在在的东西，用形式验证能做得更好并更早拿出更稳定的设计，那么硬件仿真和 FPGA 就能在验证流程的管线中更早开始运行，软件仿真也是同理。如果你为解决形式验证、软件仿真、虚拟原型甚至流程本身的瓶颈做了些工作，这将有助于把一切都前移，让你在更早的阶段做出更好的决策。这样，如果需要改动，你就能去改动。

Darbari：验证问题相当重大。我在一些客户那里看到了真实的证据，他们真的在从头再来，构建全新的架构，以应对其芯片被使用的不同阶段。他们可能要构建一颗 CPU、一颗 GPU、一颗机器学习芯片，而他们确实需要评估清楚他们打算构建的东西是否能覆盖各种使用模型。这并不容易，尤其是当你把软件纳入这个闭环时，如今的软件早已不是 20 年前运行的那种了。训练、推理、功耗都进入了这条链路，一直回溯到架构层面，然后你就必须做出这些取舍。