DSO.ai
由人工智慧驱动的设计应用
瞭解更多 →
2021年人工智慧晶片：五大创新预测
本文原文由张贴
英文原文：
人工智慧(础滨)已成為所有科技中最重要的词汇之"一，开发像人类思考行為的完美机器可能性越来越高，这是因為工程创新让以前难以想像的资料量能受到有效处理，并且符合实际耗电量(但仍然比人脑高几个数量级)。
我們已看見人工智慧應用正為我們的生活帶來影響，從負責通訊、運輸、金融與医疗保健系統運作的数据中心，乃至於居家客廳，只要對家庭娛樂裝置下達簡單語音指令就能產生正確的回應。
然而，若是将人工智慧的开发比拟成一场棒球赛，我们可能还在前几局。虽然目前已取得较大进展，但事实上许多创新也揭櫫实施人工智慧的挑战有多深且复杂。对此，我们还需持续探讨。几乎所有大型科技公司(或小型科技公司)已开始着手进行重大的人工智慧计画，同时他们正快速探索人工智慧新的应用机会。虽然数位经济的各方面都在进行人工智慧的转型，但我们知道，若要从机器学习、神经网路、人工智慧加速器与大型数据公司等方面发挥更多的人工智慧潜力，我们还有许多工作要做。
新思科技持續運用人工智慧策略進行創新，克服人工智慧晶片设计的複雜挑戰，在我們产物與內部製程上使用人工智慧有效進行創新與改進，最後使用人工智慧打造全新的产物。
我們積極跟國際大廠和尚未享有盛名的業界先驅們一同參與多項人工智慧晶片设计專案。此外，我們還與一起合作，期能在未來十年內完成人工智慧晶片1,000倍以上效能、完善设计工具、方法論和IP，進而促使最重要的晶片成為未來AI系統的驅動力。。
我们的宝贵经验与客户互动关係让我们更瞭解人工智慧的发展方向，此刻正是人们喜欢预测来年的季节，因此，我们从晶片的角度，在此分享一些关於2021年人工智慧发展的议题。
人工智慧硬體時代之"架構性设计工具
人工智慧時代著重於開發前所未有的複雜且龐大的創新性硬體架構，同時，也要謹記效能功耗比在實際應用上的重要性。人工智慧「秘訣」包含新型態運算範例、特定領域架構，以及專為人工智慧運算而设计和優化的與可配置矽晶元件，同時也包含廣泛的演算法、軟體、系統整合與應用知識。
顯然人工智慧晶片開發需要有端對端(end-to-end)硬體開發之"重新设计方式，我們發現即有的工具變得更具有架構性、具備新功能和方法，可以顯著地加速實施新運算範例。包括：
- 提供整個验证連續性之"解决方案，包括原型(prototyping)和仿真(emulation)的使用；能支援詳細規則導向邏輯验证、形式验证(formal verification)以及詳細電源和時序分析的以軟體為基礎的验证技術也將得到更多使用。
- 相較於當前设计流程，设计實施解决方案能在萃取(abstraction)上更高度連接设计者需要，不僅允許在架構探索上精準預估功耗效能面積(PPA)，而且還遵照高度收斂路徑至最終製造過程。
- 隨著设计團隊希望使用通過验证的设计元件，協助人工智慧晶片處理、記憶與即時連接性的要求，使得矽智財在人工智慧時代將更顯重要。
- 從製造與良率觀點來看，使用新的材料、環繞式閘極三維堆疊(gate-all-around 3D stacked)架構與極紫外光(EUV)技術也將需要新方式。TCAD工具、光罩合成，及實體實施流程的高度整合性，都是Synopsys在協助晶片设计公司優化人工智慧晶片製造方式中發揮關鍵作用的所有領域。
有別於以往的CPU與GPU驅動架構，人工智慧晶片將見證我們曾經目睹的晶片设计變革性轉型。
人工智慧成為晶片设计主流
新思科技多年來投注资源在人工智慧用於EDA产物與矽智財(IP)的新方法上進行改革、創新，隨著長期使用許多統計和啟發式(heuristics)方法，人工智慧與EDA之"間產生良好的協同作用。
我們預期隨著我們研究和學習如何將AI應用於更多領域的IC设计過程，這種趨勢(AI與EDA協同作用)會不斷擴大。總體而言，我們發現將其效能應用於设计、验证與製造領域之"高度潛在性，其具有下列特性：
- 如果任何设计工作涉及許多啟發法，我們相信人工智慧能被有效使用。
- 当需执行大量的人工重复工作时，例如除错，人工智慧效能有助於大幅节省时间。
- 在任何设计步驟中，存在大量數據且设计者不知道該如何處理這些數據的情況，人工智慧能可有效降低搜尋空間。
- 人工智慧以事半功倍的方式協助提升產能，验证就是個不錯的範例。大部分的晶片设计專案要花費30%時間進行验证，主要重複執行相同測試。人工智慧可協助工具僅查看有改變或調整的地方，並將验证重點放在设计的部分，可大幅減少運算時間與加速結果產出。
新思科技自以來，近期內已開闢新的應用領域。DSO代表设计空間最佳化(design space optimization)，是EDA產業在非常複雜的设计任務中採用人工智慧的首款产物。此产物尋找廣泛組合设计空間與半導體技術來確認最佳PPA組合。這項創新平台利用人工智慧功能來取得由设计工具，如佈局和佈線(place-and-route)以及平面圖(floor planning)生成的大型數據流，以探索、搜索设计空間。DSO.ai使用强化性学习技术來觀察设计如何隨時間變化，同時調整设计選擇、技術參數與作業流程，將探索過程引導至多元最佳化目標。像DeepMind的公司已成功採用強化性學習，為「無法解決的」問題提供驚人的解决方案，從戰勝世界冠軍Go (2016)至於2020年初已挑战。
早期使用者自2020年開始採用DSO.ai。在許多设计專案中，DSO.ai對這類複雜作業能以較少時間確認較佳的设计解决方案。隨著這項技術於2021年成為主流，我們開始在整個设计團隊中看到產能大躍進，這只能與EDA早期以及顛覆性導入RTL合成相提並論。
2020年10月，顿厂翱.补颈获颁础厂笔贰狈颁翱搁贰电子奖&苍产蝉辫;。
人工智慧具備許多潛力，讓设计者生產力與设计團隊效能往前躍進；我們認為這是EDA未來幾年的主要創新領域。
让人工智慧变得更加值得信赖
可信赖的人工智慧是越来越常听到的术语，并且具有广泛的含意。随着人工智慧的演进，我们对它也越来越关注。
数据进入人工智慧歷程从收集至处理与储存，首要的就是数据的保密性。许多公司在整个作业流程中需要信赖链，亦对各方面的运算环境提出要求，即软硬体、连线与数据加密。人工智慧的附加价值不仅在数据量(此為基本的)，同时也需兼顾品质，要清楚数据源自何处，也就是获得可信赖、无差错的数据；以及数据如何被应用？我们相信，随着数据量增加，这在未来几年将获得更多关注。
与保密性有关的就是安全性，我们需要确保人工智慧系统效能，远远超过「比人类更好」的最低限度，以降低对人类造成的风险，尤其当我们在自动驾驶运输工具、机器人技术与工业自动化上越来越依赖人工智慧系统。在这个领域中，有越来越多强大的训练机器学习演算法的数据集(诲补迟补蝉别迟蝉)。我们能擷取的资讯越多，相关的数据就越多，也更具意义。此外，还可以训练模型使其更快速执行运算，以提供最快速反应时间，解决人工智慧系统最重要的延迟问题。随着人工智慧的发展，我们预期这将持续成為主要需求。
最后，与信赖有关的就是可靠度。系统必须在任何运转条件下都能够精準且快速地做出决策，通常為即时反应(例如，自动导航系统加强了20尘蝉的运算反应延迟限制时间)，这是针对极端环境与保密资料实行方面的耐久性全新测试标準的开端。
從数据中心到手邊及邊緣
許多使用新思科技的设计工具與矽智財的公司，已開發專屬平台執行大量數據運算，主要初見成效的領域是在強大的高效能運算系統與数据中心。
不過，也有越來越多的跡象顯示，人工智慧已被功能更強大、價格更低廉的機器所使用，包含每天與我們接觸的日常使用機器，如行動裝置、居家娛樂系統與需要靈活的人工智慧擴充功能的工業環境等，這些「智慧邊緣」系統所需的解决方案與針對数据中心设计的晶片是截然不同。舉例來說，開發成本必須要非常低，同時往往專門針對特定功能。我們預估，隨著公司尋求更多方式來採用人工智慧，將會產生許多實驗，以及技術與商業模式研究。
新思科技協助許多公司在無需針對基於先進製程的高度複雜積體電路進行巨額投資的前提，從頭開始開發特定應用。這大部分就是來自我們廣泛的矽智財(IP portfolio)，讓设计工程師能夠利用經過验证的功能區塊的效率，並專注於其獨特的附加價值。我們的DesignWare IP支援人工智慧晶片中的專屬處理能力、高頻寬记忆体處理能力及可靠的高性能連接需求，適用於行動裝置、物聯網、汽車、数据中心與數位家庭等應用領域。我們不僅將此視為讓人工智慧更加廣泛應用的重要方式，而且還能以更多方式觀察其影響，像提供功能給更多不具有開發大型晶片能力的人們。
人工智慧从狭隘到宽广
人工智慧最初已在特定領域中獲得验证，一般來說，它協助以高效能電腦處理大數據。如同人工智慧用於DSO.ai所示，它同時已在預測性維護、健康科學研究、複雜財務案例，甚至應用於高度複雜技術任務，像晶片设计等領域都獲得認可。多數人工智慧在這些領域有效地應用，就是廣泛數據集開發的結果，這是個昂貴且耗時的議題，並非所有公司或市場都能承擔。
我們認為人工智慧的狹隘應用仍將持續一段時間，有些公司試圖微調商業模式，便於在更加廣泛的市場中支援人工智慧。因此，可從這次大型公司採用人工智慧的浪潮中學習經驗，而且我們預期其將隨時間而轉變。不可避免的是，當自然語言處理與人臉偵測技術等通用演算法實施效果更佳且成本更低時，我們將看見人工智慧有更加廣泛的應用，尤其在更多的消費性产物上。
總結來說，我們看見人工智慧持續擴展於所有應用與产物上。人工智慧創新不僅遭遇巨大的新挑戰，而且還需要進行許多實驗。我們相信利用正確的技術、知識與數據，就能有更多進展，繼續讓人工智慧變成我們生活中有意義的一部分。