即使人工智能普及，芯片设计人员仍然至关重要

人工智能工具的激增似乎完全可以填补人才短缺，但仔细观察就会发现这些技能并不完全重叠。EDA 管道的某些部分需要人类工程师，并且在可预见的未来似乎可能会保持这种状态。

模拟设计的黑暗艺术、安全关键功能安全的最终决定、高级架构决策、产品创新和创造性的问题解决是人们的闪光点。

尽管预测了大规模的工作替代，但人工智能对工程工作的影响更加微妙，具体取决于任务的性质、工作的复杂性以及每个领域人工智能工具的当前成熟度。

“人工智能更难完全取代创造性的、开放式的和特定于上下文的任务，例如模拟设计和概念工作，”新思科技产品管理、高级总监 Anand Thiruvengadam 说。“人工智能更有可能增强而不是取代复杂领域的设计师，作为提高生产力的工具，而不是完全替代。”

根据 Thiruvengadam 的说法，以下是以人为本的任务：

• 架构/概念设计（跨领域）： 高级架构决策、创新产品设计和创意方向需要人类的直觉、视野和跨领域推理。

• 架构和规范定义： 设定芯片的目标、特性和约束需要对市场、客户和技术有深入的了解。人类洞察力确保设计符合业务需求、监管要求和长期战略。

• 模拟电路设计： 这需要深厚的领域专业知识、创造性的问题解决以及对权衡（例如噪声、线性度、匹配）的详细理解。人工智能工具可以协助提供仿真和布局建议，但由于模拟设计的复杂性和特定于上下文的性质，完全自动化仍然是一个挑战。

• 安全关键型和高可靠性设计决策： 错误可能导致灾难性的失败。人类必须验证安全功能、冗余和容错能力。

• 验证签核和质量保证： 虽然人工智能可以自动执行许多验证任务，但最终签核需要人工判断来解释结果、评估风险并确保完整性，特别是对于极端情况和非典型场景。

• 物理设计收敛和制造准备： 有关产量、可制造性和工艺变化的决策需要人类专业知识。工程师应监督可制造性设计 （DFM） 的最终设计、流片签字并评估代工反馈。

• 处理新问题和异常： 不可预见的设计挑战、错误或流程问题需要创造性地解决问题和跨学科专业知识，而人工智能无法完全自动化。

未来，达尔文式的人工智能系统可能会通过随机运行大量选项，然后选择最有效的想法来善于解决新问题。“我不知道这是否会发生，但它肯定不会高效，”Cadence 验证软件产品管理高级集团总监 Matthew Graham 说。“这就是我们作为人类工程师所做的。我们说，'我需要解决这个新问题。让我想想所有可能帮助我发挥创造力的不同事情。'我们在自己的脑海中自我选择。走一条路，尝试那条路，等等。人工智能，至少现在，还不能完全做到这一点。

图1：人脑和AI可以更好地协同解决问题。 来源：Cadence

人工智能可以为设计提供一个起点。它可以缩短设计周期，帮助更快地优化，并缩短上市时间。但需要人类来理解设计试图做什么的概念。

“这种背景是必要的，”Baya Systems 首席商务官 Nandan Nayampally 说。“尽管你希望人工智能引擎能够理解上下文，并且肯定有改进，但它无法完全翻译所有这些。在上下文中，有很多东西是机器没有的，所以它需要指导。

在不同程度上，大多数公司都在考虑使用人工智能来构建硬件。“我们已经在这一领域进行了投资，因此这显然是该行业的发展方向，”Arm 基础设施业务高级副总裁兼总经理 Mohamed Awad 说 [1]。“问题变成了，一切都会是人工智能吗？你只需按下一个按钮，芯片就会出现吗？这说明了有关软件的问题。在 [人工智能实现] 的早期，它将主要是更高级别的功能。这将是关于精简和简化普通工程师的一些基本或不太复杂的任务。但如果认为人工智能不会加速许多核心设计原则和活动，尤其是更平凡的活动，那就太天真了。

需要人类：验证、监控和培训
人类工程师需要了解如何将准确且有用的知识引入人工智能系统，然后检查结果是否正确。

“人工智能不应该对你的工作构成威胁，因为从本质上讲，它仍然需要人类来验证人工智能正在生产的东西确实是一个最佳系统，”西门子 EDA 混合物理和虚拟系统、汽车和军用航空副总裁 David Fritz 说。“这不仅仅是像大型语言模型那样阅读论文和使用一大堆 PDF 文件。事实并非如此。这是微妙的知识。事实上，你很可能知道 A 和 B 之间存在依赖性，而我没有意识到。我该如何找到它？你不会在某处的白皮书或博士论文中发现这一点。工程师对于使系统能够为那些经验不足的人做有用的事情至关重要。他们仍然需要在那里监控系统，随着技术的进步对系统进行培训。工程有着光明的未来，但你必须了解人工智能的作用，它不仅仅是我们命令行工具的自然语言界面。这是已经完成的工作的 90%，但需要远不止于此。

验证对于避免代价高昂的错误至关重要，它是设计过程中最耗时和最昂贵的部分。但各地的成本都在上涨。在 IC 制造中，掩模组和流片非常昂贵。PCB 板的成本也很高。

“在这里，风险缓解和上市时间是最重要的一点，”是德科技高级总监 Alexander Petr 说。“你试图在第一次迭代中把一切都做好，以节省资金并成为第一个进入市场的人。假设你和一个团队一起说，'我们重新调整整个事情。我们有一个人工智能可以创造解决方案。你会相信人工智能会拿出花费数百万美元的东西吗？您必须查看工作流程并决定在哪里注射人类。您想在哪里注入安全措施？您要在哪里注入验证步骤？信任是好的，但验证是游戏的一部分。如果你遵循这个思维过程，你会发现你需要的人更少。但你正在努力弥补技能差距。我不认为任何工作会被取代。他们只是会有所不同。人们不会设计。他们会验证更多。

到目前为止，许多新的初创公司都专注于 RTL 验证。“看看信号，告诉我是什么在运行信号，”Petr 说。“他们已经构建了人工智能工具，并且它们已被用于流片，但如果你问人们他们做了什么，它几乎还没有准备好投入生产。人们还不信任这个系统。建立这种信任需要数年甚至数十年的时间，并且需要经历许多迭代。此外，如果你看看一些人工智能开发的速度，它们是以敏捷的方式完成的，这意味着快速失败并重试。人工智能的第一次迭代存在问题。他们产生幻觉。他们认为自己做对了。就在最近，有一篇文章介绍了整个数据库被人工智能删除。这不是一个好的起点。我们需要回到验证输出需要哪些技能。我们需要弄清楚我们可以为这些验证步骤构建哪些工具，然后我们可以自动化哪些工具。我们可以重组什么？我们可以取代什么？总的来说，从员工人数的角度来看，人工智能不会改变这一点。

模拟、混合信号黑艺术
模拟设计更加困难，而不仅仅是使用 AI/ML 工具解决的更困难的挑战。“模拟是一个更难的领域，因为世界上的一切都是模拟的，”西门子 EDA 产品主管 Sathishkumar Balasubramanian 说。你有抽象，因为模拟非常接近物理学。你在数字设计中有 0、1 和 X 的抽象，以及你的系统、软件等。

对于模拟/混合信号，人工智能可用于分析、优化和调试，它可以作为自然语言训练伙伴，帮助减少学习障碍。然而，在转向人工智能工具的过程中，有些东西会丢失。

“我曾经看过书，他们告诉你如何解决这个问题，”巴拉苏布拉马尼安说。“我们在实验室里做这个工作，我们做面包板，我们做设计，我们解决一个问题，因为我们专注于解决问题。发生的事情是，人们离问题如此之远，因为他们试图解决一种可能帮助他们解决问题的工具。他们正在尝试学习它，学习一种不同的语言，并学习可能帮助他们解决问题的工具是如何运作的。他们并没有真正关注问题本身的症结，即如何为该工艺节点设计最佳运算放大器或最佳 PLL。

模拟/混合信号变得更加困难，因为工程师通过定制工具、定制技能和定制数据库增加了更多复杂性。“我们在一个现在变得更加复杂的棘手主题之上增加了一定程度的复杂性，”Balasubramanian 说。

其他人则认为 AMS 域很棘手。“你仍然有人考虑一些艺术，”彼得说，“他们开始手绘。他们进去，看着东西，然后说，'这看起来不对劲'，这通常意味着，'它看起来不漂亮。这不起作用。这些问题有一定的维度，维度要高得多，因为没有标准，没有可以遵循的规则，这主要是因为它是模拟的。模拟信号比离散信号（二进制信号）动态性更强，因此在该域中正确处理所有内容需要更长的时间。

AMS 领域的人工智能公司经常承诺进行合成，并声称它可以由人工智能工具生成。“但如果你深入挖掘，他们已经制定了这样做的规则，这极大地限制了自由度，”彼得说。“要达到可以使用人工智能进行探索、发现和自动化的地步，以及您今天在这些领域拥有的自由度，将需要很长时间。您可以简化问题并尝试解决较小的问题。你可以让这个看起来非常令人印象深刻。但这是一个非常有限的范围。

安全关键型应用
对于航空航天、国防和汽车领域，功能安全工程师尤为重要。“假设我们需要 8 或 10 名全职安全工程师，但我们在现场只能找到 4 或 5 名。让我们尝试在机器学习的支持下，让 4 或 5 名工程师获得相同的整体净效应，“Imagination Technologies 的工程和技术负责人、系统和功能安全工程专家 Andrew Johnson 说。“这是可能的，但我建议你剩下的 4 或 5 名工程师不能是初级工程师。他们需要是该领域非常有经验的高级主要技术专家，很难找到。当你把人工智能纳入其中时，你需要一个足够聪明和有经验的人，知道模型是什么，它能告诉你什么，以及是否否决模型告诉你什么。如果你因为经验较少或没有经验而不知道，你只会点头说，'计算机说是的，所以让我们继续前进。这可能非常危险。

与其他行业相比，航空航天/国防部门因人工智能而失业的速度可能更慢。“从本质上讲，某些行业的采用速度会较慢，因为出于合法和不太合法的文化原因，这些行业发展较慢，”Cadence 的格雷厄姆说。“更有可能的是，这些工具将适应这些环境。我们必然会创建一套安全的人工智能工具，或者可以在安全环境中有效运行，而不是行业完全忽视它。我认为他们别无选择。

这些行业必须谨慎行事，但不能忽视不可避免的事情。“这些工具更有可能适应，”格雷厄姆说。“某些工具和特定版本的工具将适应该环境，而不是该环境不采用它们。”

Vibe 编码主管
有理由对数字原生 Z 世代和 Alpha 世代采用人工智能和寻找新角色的能力持乐观态度，尤其是那些从小就从事编码工作的人。“我现在有一个大学生，他对人工智能有非常具体的看法，”Arteris 首席营销官 Michal Siwinski 说。“他有兴趣做人工智能最终可能会做的一些编码工作吗？不，无论如何，这都是无聊的级别编码。这是低级的东西，甚至不需要计算学位。相反，弄清楚你如何编排人工智能以及如何使用它来做更有趣的事情。你如何做机器人系统？您如何确定电气、机械和所有这些需要协同工作的地方？这是一种完全不同的兴奋程度，实际上才刚刚开始。这将是一种演变。我家里有两个男孩。他们知道如何编码，并且他们继续编码，但他们的方法是，他们不一定会编写他们可以在 GitHub 上获得的东西，因为它已经在 GitHub 上了。编码仍然非常重要。

其他人则警告无监督人工智能代码的危险。“我自己也陷入了完全依赖人工智能的陷阱，”ChipAgents 的创始人工智能工程师丹尼尔·罗斯 （Daniel Rose） 说。“如果你依赖人工智能本身，有时它会起作用，但在某些情况下，它会出现幻觉，出现问题，除非你真正知道后台发生了什么，语言在做什么，否则你无法弄清楚。您必须了解您正在生成的代码。只是人工智能会帮助你比你自己更快地生成代码。

Vibe 编码使用人工智能从自然语言提示生成功能代码，越来越受欢迎，但它仍然不完美。“人工智能确实有妄想或幻觉，你需要具备领域专业知识和理解力，以确保给你的东西是可行的，并且能做它应该做的事情，”Baya 的 Nayampally 说。“这次迭代进展得更快，所以你必须行动得更快，但与此同时，你在需要完成的事情上会更上一层楼。” 

结论
人工智能/机器学习正在半导体设计领域取得进展。由各个设计团队和设计基础设施管理来决定人工智能可以信任哪些任务。

人工智能最容易接管的任务包括功能验证、回归测试和覆盖率分析，这些任务越来越自动化。“人工智能驱动的工具可以生成测试平台，预测覆盖漏洞，甚至建议新的测试场景，”新思科技的 Thiruvengadam 指出。“这是因为这些任务是基于规则的、重复的，并且涉及大型数据集，因此非常适合人工智能自动化。此外，自动化布局和布线工具已经成熟，人工智能增强工具正在进一步提高效率。常规的数字布局任务正变得越来越自动化。

最后，在最坏的情况下，如果电网、互联网和人工智能长期停电，我们只剩下只知道如何使用人工智能的劳动力怎么办？“停电的可能性总是存在的，”ChipAgents 的罗斯说。“我们已经在世界各地看到了这一点，所以你需要不完全依赖人工智能的人，他们仍然可以在没有人工智能的情况下完成工作。”

Cadence 的格雷厄姆相信人类总会找到方法。“我是一个乐观主义者，我不认为它会发生。但必要性是所有发明的真正之母，如果我们必须处于这种情况，我们必然会发明一种解决方案。

最后，因为人们已经学会了如何学习，所以他们可以回过头来了解过程是如何存在的。“如果合成的概念突然从地球上蒸发，我们说，'我们获得实际面具的唯一方法就是手工完成，'我们就会弄清楚，”格雷厄姆说。“我们有这种能力。不仅如此，我们还拥有迄今为止获得的所有数据。我们不会像第一次那样通过反复试验来发现它。我们曾经到达这里，我们绝对可以再次到达这里，聪明人就是聪明人，无论他们的起点是在这里、这里还是这里。