晶体管数量几十年来增加100万倍，芯片设计效率是怎么保证的？

今年的新思科技中国开发者大会上，新思提了个新词叫“Pervasive Intelligence”——直译作中文，应为无处不在的智能，或者万物智能、普惠智能。

如果我们将这里的“智能”窄化到AI，则最直观的理解，无非是EDA/IP作为AI芯片设计与制造的基础，新思在其中扮演重要角色；与此同时， EDA企业又将AI技术融入到设计工具中，让EDA工具更智能、高效的同时，降低芯片开发的门槛。

这也是近两年EDA企业在推广AI理念时的共同说辞。不过这些可能并非Pervasive Intelligence的全部——新思科技总裁兼首席执行官Sassine Ghazi将这一概念扩展到了更大的外延，包括AI实现生产力和效率的指数级提升；由此对于更多芯片、无处不在的需求；以及软件定义的系统，为新思这样的企业带来新的应用、新的机会。

“我们称之为万物智能（Pervasive Intelligence）的时代。”Sassine谈到，“AI是关键驱动力，芯片是支持应用所必须的，而系统则成为更智能的系统。”与此同时，“芯片与系统之间的复杂性与关联度，需要改变方式来设计芯片与系统。”在AI时代大背景下，新思眼中的挑战和机会是这样的：

芯片设计变复杂了

“以前我们都希望能成为全栈工程师。”新思科技全球资深副总裁、新思中国董事长兼总裁葛群在演讲中说，“随着工艺进步、芯片复杂度增加，现在肯定是没办法做真正的全栈工程师了。”从上世纪八九十年代，一颗芯片20万晶体管，到现如今2000亿晶体管，过去几十年晶体管数量达成了100万倍的增加。

Sassine总结过往不同节点，驱动晶体管数量激增的应用主要有：PC、互联网、手机、IoT和云，以及现在的AI。如前所述，AI作为这一轮技术发展的新奇点，是未来生产力与效率指数级提升的驱动力；并且它进一步带动了万物对于芯片的需求；辅以软件定义的智能系统，智能化又给不同行业创造了新的市场机会。

这也是新思这类市场参与者近两年提“从硅到系统设计解决方案”的依据。Sassine认为，Pervasive Intelligence创造了新的机会之外，也提出了几个新的挑战：芯片复杂性（Silicon Complexity）、生产力瓶颈（Productivity Bottleneck），以及芯片和系统的相互依赖性（Silicon & Systems Interdependence）。

首先在芯片复杂性的问题上，基于晶体管数量这些年百万倍的暴增就可见其复杂性的提升，尤其当半导体制造工艺节点从纳米时代走向埃米时代。只不过在现在这个时代背景下，摩尔定律虽然还在延续，但已经不具备“可预测性”。

即以前系统级企业在对下代产品做规划的时候，对性能、成本、功耗都是有明确预期的。但现在这种可预测性不复存在：摩尔定律的放缓、登纳德缩放定律的失效，乃至先进制造工艺下芯片百万门（gate）造价成本反倒在提升，造成了现在这种局面。

只不过芯片走向埃米时代、单封装内万亿晶体管量级，仍是不可逆的趋势。所以新思认为，当代芯片设计3个不可或缺的组成部分是：（1）需要包含安全IP、基础IP等...尤其是接口IP在内广泛的IP组合。新思认为这些于客户不产生高价值，但又需要花时间去做的IP，是新思这样的市场角色应当帮助客户完成的。

“新思的IP业务已经开展了将近26年。”从新思科技2023年报来看，“Design IP”当前已占到其总营收的26%，且该比值近些年还在增长。“扩展到接口IP、基础IP，乃至安全、处理器IP，以及子系统——子系统可能是控制器、基于其逻辑的PHY等。”“这是芯片很重要的组成部分，但由于其复杂性，客户对于自己打造这些部分并不感兴趣。”

（2）综合广泛的EDA平台。这一点无需赘言，“没有EDA处理芯片设计的复杂性问题，那些先进芯片就不会出现。所以围绕EDA的持续创新是必须的。”尤其“当谈到端到端解决方案，这就是新思的独家能力了，从系统架构、设计捕获（Design Capture），到验证（Verification）、实现（Implementation）、签核、测试（Test）与制造。

Sassine在此特别提到了“Hyperconvergence”超融合，“对流程中每个步骤的引擎进行融合，为我们的客户提供可预测性和最佳的PPA”。在此理念下，将原本割裂的设计步骤与部门“拉通”，在同一个平台上合作，实现协作方式的转变。与此同时，基于AI技术的引入，设计流程能够借助AI进一步加速芯片设计，获得更好的PPA。

（3）先进封装，或者说基于chiplet的多die解决方案。这是后摩尔时代“超越摩尔”毫无疑问的新解。毕竟当芯片制造超过了reticle limit限制，要在单片封装内突破万亿晶体管，就不得不借助于2.5D/3D先进封装技术。这么做也有利于不同功能的chiplet可以采用更适配、更经济的制造工艺。

该领域内，新思多年前就推出了3DIC Compiler，基于Fusion Data Model模型，“在先进封装实施方面已经是业界领导者。客户可在系统级层面做设计和实施。”加上Synopsys Platform Architect，对多die进行建模、仿真与分析，在RTL就绪之前就进行优化工作。

主题演讲中，Sassine还借机发布了行业内首个针对多die设计的40G UCIe IP，可达成多die间互联的高带宽，辅以集成的SI monitors感知能力，用于硅寿命周期可靠性监测；亦令其成为新思先进多die解决方案的关键IP构成——这在AI大芯片时代也变得尤为紧要。

但效率要求却越来越高了

即便芯片设计变得愈发复杂，芯片设计者却仍然追求更高效、简便、快速的工作流程。毕竟AI成为新奇点带来的数字化与智能化新机遇下，各行各业的生产力提升需求又呈指数级蹿升，对芯片的要求甚至不单是更强、更快，而且还带有强烈的行业差异化属性。

这与芯片设计走向复杂化是对矛盾体：毕竟越是复杂，越是意味着更久的开发、验证周期。这也就是Sassine提到的第二点，“生产力瓶颈”问题。

Sassine认为，除了前文已经提到新思具备广泛的、具备共性的IP组合储备以外，缓解这一瓶颈问题的关键就是AI了。新思提供AI驱动的工具或流程Synopsys.ai，总共涵盖3个层面的AI要素。

首先是AI驱动的优化能力。比如说DSO.ai，基于强化学习进行芯片设计解空间探索，数据上达成了每瓦性能10%的提升；VSO.ai则为验证空间优化，4倍TAT（Turnaround Time）实现相同覆盖范围；TSO.ai基于AI的测试空间优化，“平均减少25%的测试模式数量”（pattern count reduction）；ASO.ai，模拟空间优化，复杂模拟设计4倍TAT实现电路优化。

其次在于AI驱动的数据分析。“在端到端芯片设计流程中，不同步骤具有数据连续性。”Sassine解释道，“比如观察步骤3，或许可以回去对步骤2或步骤1做优化。”新思提供的数据分析工具包括Design.da，在pre-silicon阶段基于数据做PPA优化；Silicon.da和Fab.da，则基于AI驱动的数据分析，达成制造更高的良率和效率。

还有个关键，是始于去年开始投入的生成式AI。自ChatGPT爆发以来，生成式AI也被视为各行各业减少人力投入、提高生产效率的未来向技术。新思对其部署，一方面在于直接的内容生成，用于生成RTL、测试平台（test bench）和形式验证资料（formal collateral）等；另一方面，作为工作流程AI助手，用LLM与开发者直接交互，提供推荐根因分析等相关参考回答。

AI技术于EDA工具及芯片设计，理应还在各流程内做进一步深入。虽然主流EDA企业阐述AI技术与EDA工具的关系和逻辑不尽相同，但其目标都是大致相仿的：加速流程、提升效率，乃至降低芯片设计的门槛。而AI、生成式AI深入到芯片设计各环节，也将是缓解芯片设计复杂化与效率要求更高这对矛盾体的关键。

弥合芯片与系统间的鸿沟

除了芯片本身，这两年听主流EDA企业谈得最多的，恐怕就是“应用导向”“走向系统设计”了。这在我们看来，也是摩尔定律放缓，行业持续寻求性能与效率提升，不得不从系统角度出发、以应用为导向，从芯片设计拓展到系统设计的客观结果。

大会主题演讲的圆桌环节，蔚来智能硬件副总裁白剑提到，智能驾驶“是从上至下贯穿的技术”，“作为整个系统的核心基石，芯片扮演着十分重要的角色”。所以蔚来选择了自己做“业内首款5nm车规级智能驾驶芯片”神玑NX9031。

白剑提到，蔚来对于智能驾驶的算力需求、需高度适配算法的ISP，以及为算法而设计的NPU，是其选择自研芯片的几大原因。“从用户体验角度来看，这颗芯片对我们的算法是如虎添翼。”在此，芯片和硬件系统的“融合”是“你中有我、我中有你”，是“整体思考、全系统着力的过程”。

这也符合我们对系统公司自己造芯片的常规认知。不过这其中的逻辑似乎不止于此。Sassine所说芯片与系统的相互依赖（Silicon & System Interdependence）是立足于，在如今这个时代背景下，芯片公司不能再像以前那样，造出一颗通用芯片就覆盖到不同的市场；而系统公司也很难简简单单在市场上买到现成、可达成差异化、完美适配自家系统与产品的芯片。

“原因就在于系统需求变得相当复杂。”Sassine表示，“比如说数据中心的挑战，不仅在于性能，更在于能效。与此同时，用于购物、流媒体或EDA负载的数据中心都是不一样的。从负载出发，到芯片层面，都需要不同的优化方案。”这是芯片与系统相互依赖的具体体现；也是传统芯片企业开始触达系统，以及汽车、数据中心、PC与手机等系统级企业自己造芯片的原因所在。

在谈到系统层面如何做汽车电子的虚拟化时，Sassine表示汽车、数据中心、机器人的虚拟构建过程与芯片、SoC很类似。“基于虚拟的域控制器，控制汽车不同的部分；基于融合能力感知外部环境并作出决策，实现高等级智能驾驶...相同的方式可以应用到其他高级智能系统之上，比如工厂中的机器人、数据中心等。”

以汽车为例，首先产生电子系统需求→系统需求更具体地定义了软件和硬件需求。一般情况下，此时瓶颈可能会出现在软件开发上：因为需要等具体的硬件得以初步实现，才能着手软件开发。

为了提高生产力，若有芯片或硬件的数字孪生就能很快地进一步开展工作。在硬件需求的基础上定义芯片架构：包括是否采用多die设计，性能、功耗需求如何等。由软件需求驱动的芯片需求，随后就能够定义后续的软件和芯片设计。两者同步发生，基于数字孪生的虚拟或建模，软件工程师也能更准确地进行软件开发。

“新思在其中提供各种技术，包括芯片及系统解决方案层级的虚拟数字孪生，搭配我们的硬件辅助验证、Synopsys.ai等产品，成为（芯片与系统）两者间的桥梁。当然还有前面提到的芯片与IP层级工具。”

总的来说，之所以说需要从芯片到系统的综合完整解决方案，就在于“根据系统需求对芯片做优化，反之亦然”。“需要确保提供满足系统需求、具备竞争力的芯片，也就需要IP、EDA及系统工具。”新思在系统层面也提供对应的解决方案，包括“如何与生态系统协同，将整辆车的电子虚拟化整合到一起”。

新思科技中国区副总经理姚尧在圆桌环节提到，新思目前服务两大群体，其一是众所周知的芯片开发客户；“另一部分则在系统这块。新思是业界领先的电子数字孪生解决方案供应商。唯有数字化了，AI才能真正起到作用。如此新思帮助许多系统公司提高效率，从而带来产业链的重塑。”

最后总结新思科技开发者大会主题演讲的核心表达：在芯片设计日益复杂化，还追求差异化、场景化、应用为导向的今天，IP、EDA是基础；基于多die的先进封装是实践复杂芯片设计的技术依托；同时系统与芯片设计需要协同并进、相辅相成；AI是贯穿这一切，且确保效率提升、开发时间缩减的核心技术。

“Pervasive Intelligence”因此看来就相当精到了。这个短语在我们看来，后一个单词更多着重了对AI的重视；前一个单词则一方面强调了无处不在的AI及各行各业对芯片的需求，另一方面大概也表达了新思从芯片进一步走向更多方向的系统设计的机会和信心。

“我们当前正处在AI的拐点之上。”Sassine在总结中说，“这场巨大转变，正在万事万物间发生，包括我们的企业、我们的产品、我们参与的生态系统。其中的机遇也是不可估量的。”“如何适应、改变、转向，来利用这些机会”，新思科技实际已经在上述主题演讲中给出了明确的答案。