本文来自陈述根本，作者/陈根。
在摩尔定律日渐吃力的背景下，人工智能“反哺”芯片设计成为了芯片设计的新出路。
当前，芯片已经成为数字时代的灵魂所在，也是信息产业的三要素之一，芯片起则科技起，科技兴则国家兴。小到日常生活的洗衣机、移动手机、计算机等，还是大到传统工业的各类数控机床和国防工业的导弹、卫星、火箭、军舰等，都离不开芯片。芯片市场也从1987年的330亿美元增长到2020年的4330亿美元。
然而，当前，芯片发展的最新趋势，似乎已很难像摩尔定律所规定的那样：“集成电路上可容纳的晶体管数目大约每隔18个月便会增加一倍，性能也增加一倍。”伴随人着人们对于算力的要求的提高，芯片的发展越显吃力，尤其是在芯片设计方面。在这样的背景下，人工智能“反哺”芯片设计成为了芯片设计的新出路，这对我们国家的发展也具有重要意义。
芯片设计之重
从核心产业链的角度，芯片产业虽然复杂繁琐，但终究脱离不了三个步骤：设计、制造、封测。其中，芯片核心实力的重心就在于芯片设计。
要知道，对于芯片来说，设计和工艺同样复杂，八十年代EDA技术诞生——芯片自动化设计，使得芯片设计以及超大规模集成电路的难度大为降低，工程师只需将芯片的功能用芯片设计语言描述并输入电脑，再由EDA工具软件将语言编译成逻辑电路，然后再进行调试即可。正如编辑文档需要微软的office，图片编辑需要photoshop一样，芯片开发者利用EDA软件平台来进行电路设计、性能分析到生成芯片电路版图。
具体来看，设计一款芯片，开发者先要明确需求，确定芯片“规范”，定义诸如指令集、功能、输入输出管脚、性能与功耗等关键信息，将电路划分成多个小模块，清晰地描述出对每个模块的要求。然后由“前端”开发者根据每个模块功能设计出“电路”，运用计算机语言建立模型并验证其功能准确无误。“后端”开发者则要根据电路设计出“版图”，将数以亿计的电路按其连接关系，有规律地翻印到一个硅片上。至此，芯片设计才算完成。
与此同时，还需要考虑许多变量，比如，信号干扰、发热分布等，而芯片的物理特性，如磁场、信号干扰，在不同制程下又有很大不同，没有数学公式可以直接计算，也没有可套用的经验数据直接填入，只能依靠EDA工具一步步设计，一步步模拟，不断取舍。
当然，设计过后的验证也不是一件简单的事情。芯片验证目标是在芯片制造之前，通过检查、仿真、原型平台等手段反复迭代验证，提前发现系统软硬件功能错误、优化性能和功耗，使设计精准、可靠，且符合最初规划的芯片规格。每一次模拟之后，如果效果不理想，就要重新设计一次，这对芯片开发者的智慧、精力、耐心都是极大考验。
如果说芯片的架构设计和验证都还停留在技术层面，那么流片就直接进入了“烧钱”的阶段。流片就是试生产，设计完后，由芯片代工厂小批量生产一些，供测试用。按照市场报价，以业内裸芯面积最小的处理器高通骁龙855为例，用28纳米制程流片一次的标准价格为499,072.5欧元，也就是近400万元人民币。
最重要的是，这么复杂的设计，不能有任何缺陷，否则无法修补，就必须从头再来。而如果重新设计加工，一般至少需要一年时间，再投入上千万美元的经费，有时候甚至需要上亿。这也是为什么芯片通常需要数年时间来设计的原因。
然而，如果说过去的芯片设计还赶得及摩尔定律，那么现在，但伴随人工智能技术的进步，人们对于算力的要求越来越高，这种需求的变化是以周或天记的。相较之下，芯片设计需要的时间明显长得多，这就意味着新微处理器的设计速度已不能满足算法的迭代发展，这就产生了供需的不匹配。
摩尔定律正在失效，如何缩短芯片设计周期成为半导体行业亟待解决的问题。
人工智能反哺芯片设计
实际上，虽然芯片设计是一个复杂而漫长的过程，但分解来看，芯片设计则主要由两个主要元素组成：布局和布线，布局指的是使用设计软件绘制出不同元件的位置，布线则是用线将元件虚拟地连接起来。
以芯片布局为例，芯片布局之所以复杂且耗时，是因为该过程涉及到逻辑和内存模块，或者集群设置要兼顾功耗、性能、面积等，应用、IP和其他组件都是可能制约芯片设计的因素，工程师对不同工具和方法的熟悉程度也不尽相同。
比如，同样的设计目标既可以用更大的处理器实现更高性能，也可以用更小、更专业的处理元件更紧密的结合软件来实现。因此，即使在相同领域和相同的功率设计目标下，也会有许多不同的方法可以实现相同的目标。并且方案优劣的评价标准也是因领域和供应商的具体需求而异的。
过去，当摩尔定律有效时，这个流程只需要根据实际情况进行微调即可——随着芯片的迭代，晶体管数量已经从几千个增加到了数十亿个，这使得芯片上晶体管排布设计的异构性越来越高。与之前只需要考虑如何将更多的晶体管排列在同一空间不同，现在芯片设计中还需要考虑到功率密度、热预算需求、各种类型的机械和电气应力、邻近效应以及工作环境等复杂因素。这使得设计过程耗时大大增加，同时也堆高了设计成本。
另外，由于对芯片安全性的需求不断增加，优化过程变得愈加复杂。根据设备使用场景的重要性，其安全需求也各不相同。与此同时，芯片布局还需要遵守布线密度、互连的原则。
于是，为了缕清这些因素，EDA供应商开始寻求人工智能和机器学习技术的帮助。实际上，芯片设计中布线过程的90%已经实现了自动化，仅最后10%的工作需要人工完成，而人工智能的参与又可以将这最后10%的时间进一步缩短。本质上，不论是人类智能还是人工智能，目的都是为了实现芯片优化，但人工智能显然在这一过程中更有效率。
人工智能的“智能”来自于其在数据集中进行大量尝试和策略调整而得到的不同情况下的最优解。在实际生产遇到的新场景中AI将这些最优解策略与实际情况进行匹配，从而得出相对实际场景最优的答案。此外，人工智能还可利用强化学习方法（RL）来指导训练结果。
具体来看，人工智能可以将芯片布局建模为强化学习问题，强化学习系统的目标是降低功率、改善性能和减少面积。2020年4月，谷歌的一个团队就发表了利用强化学习（RL）实现自动布局的研究。在设计电路布局时，RL算法的优势体现在可以使用更少的电线、更有效地利用空间，或者功耗更低。在最初的实验中，相比人类设计师6至8周内找到的解决方案，算法24小时就能实现，而且算法的设计成功减少了芯片所需的总布线，从而提高了效率。
可以说，在芯片设计流程中引入人工智能来提高效率现在已是大势所趋，至少对主要芯片供应商而言应该是这样的。
中国芯片正追赶
实际上，如今的半导体产业链其实是以美国为主导的一种垄断模式。美国半导体行业几乎占了全球市场份额的一半，虽然在1980年代，美国半导体产业在全球市场份额中遭受了重大损失。在1980年代初期，总部位于美国的生产商占据了全球半导体销售量的50%以上。但由于来自日本公司的激烈竞争，非法“倾销”的影响以及1985年至1986年的严重产业衰退，美国半导体产业失去了全球19个市场份额，并将全球市场份额的领导地位让给了日本。
但在接下来的10年中，美国半导体行业开始反弹，到1997年，它以超过50%的全球市场份额重新获得了领导地位，这一地位一直保持到今天。美国半导体公司在微处理器和其他领先设备中保持了竞争优势，并在其他产品领域继续保持领先地位。此外，美国半导体公司在研发，设计和工艺技术方面保持领先地位。
其中，全球前五大芯片设计巨头营收断层已现——高通、博通、联发科、英伟达四大芯片巨头已经连续十年进入前五大芯片设计公司，AMD则在十年里7次名列TOP5。而高通、博通、英伟达以及AMD皆为美国公司。
五大芯片巨头中，高通为智能手机SoC与射频前端龙头，也拥有大量的通信专利；英伟达是全球GPU市场的绝对龙头，其2022财年营收达269.1亿美元，为全球第二大芯片设计公司；博通是美国老牌半导体巨头，在机顶盒SoC、有线网络芯片、射频前端、Wi-Fi芯片等各类半导体产品和相应软件服务领域占有较高的市场份额；联发科是高通的主要竞争对手，在智能手机SoC、TWS耳机芯片、物联网芯片等领域均有布局。
根据IC Insights排名，2012年，全球前十大芯片设计公司分别为高通、博通、AMD、英伟达、联发科、美满电子、艾萨华、赛灵思（于2022年被AMD收购）、Altera（于2015年被英特尔收购）和安华高。
彼时，第五名联发科与第六名美满电子的营收分别为33亿美元和31亿美元，仅相差2亿美元。2021年，第五名AMD和第六名联咏科技的营收差距已拉开到116亿美元，第六名联咏科技+第七名美满电子+第八名瑞昱+第九名赛灵思的年营收之和，仅为165亿美元，较AMD多1亿美元。
此外，在疫情背景下，为了保证自身技术实力和产品竞争力，这些芯片设计巨头还在开辟新的产品线：高通开始加强汽车、AR/VR业务；英伟达推GPU+CPU+DPU的数据中心战略，还要收购Arm；AMD收购赛灵思加强FPGA等。
相较之下，国内芯片设计总体来说体量尚小，芯片设计企业与全球主要对标企业的营收差距较大，大部分企业不到对标企业营收规模5%，而国外细分领域的芯片设计龙头公司收入基本都在上百亿美金的水平。相关企业则主要包括华为的海思半导体、紫光展锐、北京豪威、中兴微电子等。
毕竟，与美国当前半导体行业的先进相比，中国在半导体行业仍呈加速追赶之势。毕竟在美国从立法、产业政策、直接干预、贸易战等多个角度来确立其半导体的全球领先地位时，中国正深陷运动之中。世界半导体行业日新月异下，待中国再次回到世界，已经落后20-30年。
面前这道积年累月长成的天堑，尽管中国已经花费了数百亿美元，试图在半导体、更快速的计算机和智能手机以及更尖端设备的竞争中脱颖而出，但从目前来看，中国的半导体追赶之路依旧遥远。核心芯片国产化率低是个不争的事实。
好在中国在芯片技术方面虽然落后于美国多年，但现实中，凭借国家力量，统一方向，后来居上，依然是中国不可比拟的巨大优势。
一方面，我们在支持半导体产业发展的顶层设计上，不仅要进行资金的投入，以及人才的投入，更重要的是要在体制机制上进行改革。支持高端的科技人才开展产学研合作，或者是支持高端科研人才带技术进行创业，允许其以更市场化的方式进行试错。另一方面，则是要把握技术脉络。如前所述，已经有很多领域显示出人工智能的优势，并且未来人工智能会在更多领域中显现出这种优势。
站在一个技术的时代，用技术回应技术，向着底层技术深耕下去，或许就是这条路上应该竖起的路标。
