西门子与AI技术，为Mentor带来了什么？

在提到Mentor的时候，通常就不可避免地需要将其和Synopsys和Cadence这两个竞争对手放到一起，毕竟这三家公司是EDA市场的主要参与者。2016年Mentor开始并入西门子工业软件业务，虽然我们掌握的消息不多，但从Mentor近些年在Mentor Forum技术论坛上公开的一些数据和资料来看，Mentor在被西门子收购以后，其发展方向和业务路线都得到进一步扩展。鉴于Mentor在被收购以后不再单独公布财报，我们从2016-2017年这三家公司的财报来了解彼时这三家公司的营收情况，来看其后Mentor的转变。

这三家公司的业务构成差别实际上是比较大的，我们从产品入手，Mentor当时的产品主要包括了Scalable Verification验证工具、IC Design to Silicon芯片设计（比如有名的Calibre工具家族、Tessent套装）、Integrated System Design集成系统设计（如PCB-FPGA系统设计软件），New and Emerging Products新兴产品（针对汽车、航空等不同领域复杂电子系统的设计、分析等），Services and Other（主要包括一些咨询服务）。

来源：Mentor 2017年报

这些业务的营收占比情况自2015年前后基本稳定，其中IC Design to Silicon是大头部分，当时约占Mentor营收的40%，Scalable Verification占到25%，Integrated System Design占20%，新兴业务占5%，咨询服务占10%。

而Synopsys的业务切分为Core EDA、IP/Systems and Software Integrity、生产解决方案、专业服务与其它这四项，2016财年其分别占比为60%、29%、9%和2%；Cadence的业务包括了功能验证（包括Emulation和Prototyping硬件）、数字IC设计与signoff、定制IC设计与验证、系统互联与分析（System Interconnect and Analysis），以及IP（比如预验证的、定制化功能模块）。

就EDA传统项目，这三家企业的业务切分方式可能存在维度差异，但这三家公司实际的产品广度也是有区别的。比如Cadence在近两年开始正式踏足系统设计，而Mentor的系统设计业务已经开展多年。

Mentor 2017财年（截至2017年1月）全年营收为12.82467亿美元；Synopsys 2016财年（截至2016年10月）营收为24.22532亿美元；Cadence 2016财年（截至2016年12月）营收18.161亿美元。这实际也基本符合我们对这三家公司的认知。

Mentor开辟的新战场

其实就业务广度来看，Mentor在这几家所谓主流的“EDA”厂商中布局是最广的，虽然实则大家可能都不仅限于EDA。不过由于西门子的收购，Mentor作为西门子工业软件旗下的一个组成部分，我们已经很难观察其具体的发展状况和思路。但在前不久Mentor Forum 2019上海技术论坛上，Mentor中国区总经理凌琳提到这样一组数据：

• “西门子/Mentor已经成为工业软件领域第一名的公司”；
• “我们其实在很多领域正在加速成长，包括我们的年收益增速超过10%”；
• 软件营收增速超过10%
• 数字化企业技术软件第一（technical software for the digital enterprise）
...

来源：西门子2018年报

目前Mentor在西门子的财报中，划归在Digital Factory类别内。2018财年（截至2018年9月30日），西门子（Siemens Group）全年营收为830.44亿欧元，其中Digital Factory数字工厂部分的营收为129.32亿欧元——该业务相较2017财年增长11%，这个数字和凌琳所说年收益增速超过10%是相符的。另外，凌琳在数据展示中还提到，营收“大约一年在42亿美元左右”。

这个数字我们未能从西门子的财报中找到出处，它应该是指西门子PLM 技术软件的年度营收。作为对比，2018财年（截至2018年10月31日），Synopsys全年营收约31.21亿美元。那么这样看来，Mentor在被西门子收购以后，似乎在市场表现上有了新的突破。不过以上对比不严谨，包括财务结算方式，以及财年跨度差别，但增速数字实际都能说明Mentor在进入西门子以后的发展状况是看涨的。

与此同时，凌琳把与竞争对手的对比，放在了“工业软件领域”这样一个范围内，这应该是受到西门子本身在工业领域着力的影响。Mentor早前的客户也涵盖工业、电信、医疗、传输等领域。而现在在工业软件领域，“我们已经超过Dassault（达索）。”

这其实很好理解，西门子的Digital Factory提供的产品和方案，典型如CAD计算机辅助设计，是为了客户从产品设计，到开发，到生产和服务，提供整个价值链的优化。尤其是通过软件解决方案，Digital Factory是让生产企业完成数字化转换，加强生产流程的弹性和效率，减少新产品抵达市场的时间。Mentor对这个业务而言，是电子设计自动化软件方面的一个补充。

早两年探讨西门子收购Mentor的逻辑时，市场普遍是充满疑惑的。不过这其中的业务逻辑实则非常清晰，生产企业的“数字化”，一个重要的价值在于打造某种“Digital Twin”——比如整体生产环境或者价值链（value chain）的数字复刻版。这里的Digital Twin包含三方面，一是产品本身的Digital Twin；二是产品的生产和性能的Digital twin；三是产品生产流程的Digital Twin。

有了Digital Twin之后，就能针对生产或者产品,在虚拟和现实世界之间产生某种连接关系，客户可以通过数字化的手段，在生产前期，就模拟（simulate）和优化产品、机器和设施设备，确保后续高质量的生产。在系统正式构建以前，Digital Twin用以帮助客户理解和预测对应真实对象的性能特性。比如说西门子的另一宗收购，Tass International——这是一家提供仿真软件的厂商，也为汽车行业提供工程和测试服务——这桩收购就很典型地与西门子Digital Factory对味。

这个逻辑和EDA的逻辑是完全一致的，只不过模拟的东西不同罢了，所以收购的业务逻辑也很顺理成章，对加强西门子在Digital Factory业务方面的上下游能力是有好处的。西门子AG CEO兼总裁Joe Kaeser去年在接收美国版EE Times采访时就提到过，这次的收购将证明“物理世界和机械世界是可以被模拟的（simulate）”。电气系统微缩之后，就是半导体。

Mentor中国区总经理凌琳

所以这样的收购，在后续业务整合上会明显扣合得越来越紧密，这也是西门子/Mentor凸显价值的地方。与此同时，凌琳也提到，西门子在并购Mentor之后，“还收购了很多EDA相关的企业”，比如Infolytica，“这是一家做电磁和热分析的企业”；Sarokal，在芯片测试之前和之后进行4G和5G设计评估，“本身也能够跟我们的Veloce仿真平台做对接”；Austemper，用于功能安全性分析；Comsa，线束线缆的分析设计工作；Solido，通过机器学习的方式来做“基于variation的设计，做规整化library的工具”。

“通过一系列的整合、并购，我们西门子/Mentor已经成为工业软件领域第一名的公司。”“Mentor作为一家传统EDA公司的收益，我们的年度增长率大概是主要竞争对手的1.5-2倍之间。”即便只是单纯对EDA业务而言，“西门子广泛的业务，也能够为EDA行业带来更多的机会。”这种互补，是Mentor现在相比竞争对手显得愈发与众不同所在；而且随着整合的进一步强化，西门子的影响力是可以为Mentor的业务和产品进行扩展，并带来持续变化的。

要说这种转变的具体表现，比如针对新一代汽车电子开发，Mentor现在展现的是更加完整的系统设计实力。“Mentor是目前唯一一个真正从芯片级，到印刷电路板、板级的，到子系统，到系统的系统，超级系统，真正能提供整体解决方案的公司。”Mentor以前就是一家深耕系统设计的厂商，在与西门子的汽车、航空等业务融合之后，Mentor真正能够表现出以系统设计为中心的优势，这原本也是Cadence这类企业近两年才开始发力的技术领域，也是EDA厂商目前的竞争高地。

“我们起初的本业就是EDA和印刷电路板，现在的设计则实现了跨域。在电子设计、机械设计领域实现协同，提供整个闭环的设计系统，帮助客户更快地把产品做出来。”所以现在应该好奇的是Mentor自身的业务线是否已相较2017年发生了很大变化，可惜这部分现在对我们而言是不可见的。

Mentor Forum 2019活动三星展位

AI在EDA工具中的具体应用

“我们在各个领域对R&D的投入力度都加大了很多，通过加大资金和人才投入，Mentor在很多领域都做得越来越好。”凌琳说。上面这些实际都是市场和业务逻辑层面的操作与加强，比如借由西门子本身的市场号召力提高营收成绩，以及通过西门子更多的兼并来实现业务能力的扩充，甚至形成一站式的解决方案。

这波操作对西门子和Mentor而言都是相当有价值的。而真正强化产品和技术的过程，对技术趋势的判断，也是获得市场不可或缺的要素。在现如今的时代背景下，Mentor看重的自然和竞争对手一样，也是人工智能。

“就R&D的投入，尤为值得一说的就是AI，在AI的发展下，我们在倡导High-Level Synthesis。Mentor在这一领域是第一家。”这就真正涉及到技术趋势了。在Mentor的Catapult HLS（高阶综合）平台下，用户可以使用标准的ANSI C++和SystemC这种高级语言来描述功能需求（functional intent），其抽象层级是更靠上的。以高级语言的描述，来生成“生产质量的”RTL。

Mentor IC EDA执行副总裁Joseph Sawicki

Mentor IC EDA执行副总裁Joseph Sawicki在接受我们的采访时提到：“现在AI的开发平台和以前的开发环境不一样了，开发环境不再是RTL，而是AI开发平台，用C/C++来写算法；需要一种可靠的方法来评估，如何让它在芯片上得以实现。”“HLS对于边缘应用而言，是构建优化AI/机器学习算法加速器的最快速方案。”HLS是Mentor在AI时代寄予了厚望的。

AI是信息技术行业的一个新增长点，在整个垂直领域（vertical market），“半导体公司能够抓住其中的很大一部分（far greater portion of the overall value）。比如在移动领域，半导体行业可以拿下AI创造总体20%的价值。”“在海量数据（tsunami of data）的冲击下，我们看到人工智能的发展出现两个对立面。一方面，数据中心的能力强化：它需要处理巨大的数据量，AI引擎要对海量数据做training；另一方面，越来越多的处理能力开始偏向边缘（edge），以释放数据中心的部分压力。”

不难想象，边缘计算兴起对半导体芯片提出了新一波的要求，所以边缘计算相关的芯片市场发展速度超过数据中心是显而易见的。“边缘计算是这个行业增长的主要动力。”而针对边缘计算，“开发特定应用的芯片，更容易抓住AI市场的潜在价值。”

“很多领域都需要特定应用、特别优化的芯片设计。设计在此起到至关重要的作用。”Joseph说。实则在Cadence前不久的技术论坛上，清华大学的魏少军教授就提到过，对AI专用芯片而言，针对某一类应用场景的高能效比，是AI芯片1.0时代的一大特征，当下的我们正处于这个时代。许多企业开始打造特定领域（domain-specific）的深度学习芯片。应用场景（以及算法）在AI芯片时代是至关重要的部分，这本质上也是通用芯片往专用芯片时代发展的核心。

这个市场趋势也就对EDA设计提出了新的需求。Mentor的方法论（methodologies）是以更高阶的抽象（next level of abstraction）来加速客户开发AI芯片的过程。EDA对芯片开发者而言，本身就是一种抽象工具。抽象的价值，在于控制开发的难度，提升开发便捷性。对开发者而言，越抽象当然就越简单，不过越高层级的抽象对工具本身就会在执行细节和效率方面提出越高的要求。

HLS显然是一种解决方案。在Mentor看来，由于架构在不同应用场景中的需求差异，HLS针对机器学习，尤其在存储系统方面，实现了架构设计的关键性考量（enable architecture exploration critical），能够找到恰到好处的能效甜蜜点，比如说内存带宽、容量需要多少，性能、尺寸参数哪个最关键等；与此同时提供高性能的FPGA演示；对ASIC IP则综合考量PPA要素。

“我们关注HLS已经有20年了，以前这项技术的采用比较有限（very modest adoption），主要集中在DataPath方面。但在人工智能时代，HLS成为关键技术。从高层级去评估性能、功耗、尺寸，在设计算法的环境中就能决策性能实施方案。”应用了Catapult HLS的产品典型如英伟达的Tegra X1，生产效率提升50%，验证成本则降低了80%。

AI应用的这种效率提升，另外还可以延伸到Mentor的Hierarchical DFT分层测试，以及针对AI芯片着力性能、功耗和架构实施验证，通过虚拟的环境，模拟芯片的真实运行环境，以验证MLPerf机器学习性能、芯片能效表现等指标，满足客户需要。

除此之外，我们之前不止一次地撰文提到过，机器学习不仅对具体应用和下游有价值，它在EDA流程中也能体现出价值，并因此帮助芯片制造和生产。比如用于Pattern Analysis：机器学习OPC可以以3倍的速度预测OPC（光学邻近效应修正）输出，达到单个nm的精度——而原本针对7nm工艺，是需要4000个CPU运行一天才能生产1个mask的；机器学习LFD还能预测良率限制和提供设计修正方案。

机器学习的深度数据分析，则如前文提到的来自Solido的variation aware的设计；再比如采用root cause deconvolution（RCD）消除来自诊断结果的噪声，减少根因分析的时间，发现隐藏比较深导致良率问题的根源。还有比如针对library表征与验证（characterization & verification）的速度提升：“尤其对于汽车行业，这种对可靠性要求非常高的行业，能够表征电路（characterize circuitry）的各种能力是相当重要的，传统蒙特卡罗方法（Monte Carlo techniques）也可以做，但模拟计算量太大，所以不实用。而我们Solido工具，在我们的第二、第三代平台上，结合AI技术，7 sigma分析的其中一项时间就可以缩短100倍。”

上面这张图是来自名为PAVE 360新方案的一个运行结果，这是在AI引擎中模拟真实情况（virtulized AI engine running on an emulator），虚拟道路程序会给它喂数据。对于汽车，“针对特定技术应用进行验证时，我们不再需要真的跑很多公里的路，通过软件就能看到什么地方有路灯，什么地方来了一辆自行车等等。”“系统也和汽车的底盘、传动系统的模型（model）相关。通过这样的验证技术，在公路建成之前或者汽车、芯片制造完成之前，就有个精准的预测。那么对于未来芯片设计和制造的效率，也会有极大的提升。”

这一点实际就是我们前面提到的Digital Twin。凌琳在演讲中也表示，这套系统“以我们的Veloce为核心，加上西门子其他的一些优化，包括收购获得的技术，将所有的路况信息、所有已知的交通事故数据输入进去，汽车路试的整个周期都会变得越来越短。”

而做到这一点，若无西门子对Mentor的深度整合，以及Mentor本身在AI技术方面的研究，都是不够的——这项名为PAVE 360的方案技术，可能就是这两年Mentor在跑道转换上的一个集大成者，也反映了Mentor近两年究竟做了哪些努力：这是一种另辟蹊径的方案，也是其他竞争对手都不曾有的。

参考来源：

[1]Mentor 2017年报（http://s3.mentor.com/investor-relations/Q4FY17-10K.pdf）
[2]Siemens Group 2018年报（https://assets.new.siemens.com/siemens/assets/public.1552038192.4bfbab10-00d6-4a22-aad2-b50f3f232bfb.siemens-annual-report-2018.pdf）
[3]Synopsys 2016年报（https://www.synopsys.com/content/dam/synopsys/company/investor-relations/10k/2016form10k.pdf）
[4]Cadence 2016年报（http://www.annualreports.com/HostedData/AnnualReportArchive/c/NASDAQ_CDNS_2016.pdf）
[5]Siemens–Mentor: How’s It Working Out? - EETimes（https://www.eetimes.com/document.asp?doc_id=1333432）

责编：Yvonne Geng