自2022年起，我们或许已经发现：传统芯片巨头们竞争加剧之时，擅长软件和算法的科技巨头们相继开始自研芯片，让芯片行业的竞争变得更有趣。

  大家都懂的是，一个网络技术团队搭建要消耗巨量的资金；但谁成想，一个芯片设计中心搭建所需的费用可谓之“无上限”。

  2023年初的上海，一个芯片设计工程师的平均月薪为47K；就这一水平，还比2022年下降了5%。

  据业内人士透露，一些大厂新设芯片设计部门，薪资待遇都奇高无比；典型案例是OPPO的芯片设计部门，以及被视作为芯片设计桥头堡的华为海思，一轮轮抢人，甚至为防止挖角推出了“无级别启动脱密协议”。

  当然，这种巨量的资本投入并不是“无源之水”；主要是因为：芯片行业——被认为是“当代科技的巅峰”行业，具有高投入、耗时长、变换快的特点：

  集成电路、半导体的发明是人类进入信息化社会的前提，芯片制造，更是最高端的制造业，代表了人类工业能力的顶配水平；而在芯片这条漫长的产业链上，涉及设计、制造、封装测试三大领域，每个领域都至关重要。

  众所周知，芯片设计的目标是优化三个变量指标——功耗、性能和面积（PPA），从而使制造出具有最小用电量、最大处理速度以及最优尺寸的芯片。

  相关技术人员进行PPA优化不仅耗时漫长且需要大量人力：设计迭代可能耗时长达数周，且这些迭代对PPA的提升往往极为有限。

  芯片设计需要经过三个主要阶段：系统级设计、寄存器传输级设计（RTL）以及最终的物理电路设计。

  芯片内部含有数以十亿计的晶体管，表现为不同的组合模块（包含存储器子系统、计算单元、控制逻辑系统及电源）和标准单元。

  在高度复杂的芯片中，这些组合模块被最长达到50千米的线路连接在一 起；若组合模块未实现最优化排列，其连接所需的线路和空间则会更长、更大；各组件之间产生的非预期电荷量（称为寄生效应）可降低芯片的性能， 增加功耗。

  俗话说：“工欲善其事，必先利其器”。数十年来，半导体人对电子设计自动化（EDA）的探索和优化也从未停留过脚步。

  EDA工具一般会用基于规则的系统和物理仿真，以协助人类工程师开展芯片设计与验证。

  在chatGPT点燃全球用户的同时，我们或许能够正常的看到芯片行业将会迎来更大的变革，而推动这一切变革的因素也正是以chatGPT为代表的智能AI技术。

  正如新思科技首席创新官、AI实验室负责人、全球战略项目管理副总裁王秉达所说：

  如果将AI应用于芯片设计的单个环节，能够把经验比较丰富工程师的积累融入EDA工具中，大幅度降低芯片设计的门槛。

  如果将AI应用于芯片设计的整一个流程，一样能利用已有的经验优化设计流程，显著缩短芯片设计周期的同时，提升芯片性能，降低设计成本。

  在此之前，在芯片制造商和科技公司踏入芯片设计道路的同时，众多头部的EDA公司也已开始推出先进的智能AI赋能型工具；他们都以为，先进AI智能可在以下三个主要方面提供助力：

  采用10nm以下制程节点的 芯片普遍应用于智能手机、计算机和数据中心，在芯片市场中增长最快，也是目前最具盈利能力的部分；但其制造成本亦是最高，单个全新芯片设计投入高达5亿美元：相比传统方法，先进智能AI工具可明显提高这些芯片的设计速度，以此来降低成本。

  2022年全年售出的芯片中，有三分之二采用65nm或更大的制程节点，而这是几十年前的过时技术。将这些过时的芯片设计转至更为先进的制程节点，让这些芯实体更加小巧、能效更高，且并不依赖于过时淘汰的制造设备；借助先进AI工具，芯片制造商能更快速地以更低成本达成先进制程。

  真正革命性的一点是：这些智能AI可从过往迭代中学习提升EDA的功能，以最大限度地改善PPA：

  特别是在优化人力成本方面，先进智能AI工具作为一个可弥补人才短缺的方法，其重要性将会日益增长：

  先进的智能AI可以自主完成这一过程，相比利用传统EDA工具的人类设计师，可以在一定程度上完成更优的PPA表现，某些情况下甚至能在几个小时内完成，仅需一名设计工程师协助，而无需整个工程团队工作数周乃至数月的时间。

  先进智能AI工具可用于检测工程师完成的设计，发现导致功耗增加、性能直线下降或空间利用效率低的布局错误，提出改进建议，并对此进行仿真验证和检测。这些工具可从过往迭代中学习提升，以最大限度地改善PPA。

  图神经网络（GNN）和强化学习（RL），图神经网络是专门用于分析图形（包含“节点”和“边缘”的数据结构，节点可以是任何对象，而边缘则定义了节点之间的关系）的一种机器学习算法。

  传统的深度学习神经网络在图形分析方面较为棘手，而图神经网络则能够从图形中提取信息，能有效预测图形 之间的联系，并在保留关键联系的同时将节点重新排列。

  由于设计芯片的结果本质上与图形类似；所以，强化学习或许可将物理芯片设计变成一个图形优化“游戏”：

  宏模块和标准单元相当于节点，将其连接在一起的线路则相当于边缘图神经网络是进行芯片分析和优化的绝佳之选；强化学习可将物理芯片设计变成一个图形优化“游戏”。

  这与谷歌在战略棋盘游戏——围棋上用于击败人类冠军的是同一种技术；围棋比象棋甚至更复杂，且曾被认为是超出人工智能能力范围的游戏。

  虽然，物理芯片设计的复杂程度远高于围棋，但强化学习依然可以同样的方式应对。

  它利用数以亿计的“棋局”——芯片布局规划进行训练，通过仿真芯片设计找到最优的PPA排列：

  人工智能生成布局规划后，芯片设计师可对有效优化PPA的设计 （如减少了线路长度、拥挤度、密度、功耗和面积等 ）给予“奖励”，并对不理想的设计给予“处罚”， 从而进一步强化布局规划设计。

  久而久之，这种持续不断的强化能够提升强化学习系统，使其学习到如何自主生成更优设计。

  采用图神经网络和强化学习结合实现的PPA，其表现与由经验比较丰富的设计师制造出的PPA不相上下，甚至更优，且所需要的人类工程师人数更少，耗时亦远远更短。

  或许未来的某一天，我们大家可以看到：智能AI技术并不仅仅是试验品，而是每一个人或企业被应用于诸多真实芯片设计场景中：

  它尽管并不能取代人类设计师，但由于这些工具在速度和成本效益方面具有非常明显的互补性优势；

  让众多芯片设计企业不断精进之余，也让更多的非半导体企业踏入这个“当代科技的巅峰”行业。