大尺度抽象化竞赛启幕，数据中心迎来全新变革
加入技术交流群
核心要点
人工智能，尤其是智能体技术，将在海量数据筛选中发挥关键作用，精准定位潜在问题
数据中心的新建热潮，为更大规模、更高层级的抽象化应用打开了大门 —— 从整座城市的全方位实时监测，到复杂系统中软件更新的潜在交互影响分析，海量多物理场仿真得以实现。
抽象化技术在芯片行业早已由来已久。Python、Rust 等编程语言，可定制化人工智能智能体，以及能兼容其他厂商工具的集成式电子设计自动化（EDA）平台，均已在系统设计中成熟应用。如今的变化在于，这些技术能够跨不同数据源拓展应用，有时甚至突破核心市场边界，并可根据需求灵活调整。这一突破很大程度上得益于计算资源的扩容，而数据中心的大规模建设，彻底消除了此前存在的各类技术壁垒。
汽车市场成为这一技术变革的绝佳范本。随着车企从分立的电子控制单元（ECU），向软件定义的区域架构及零部件转型，整车厂及其供应商难以再凭借传统的机电技术，在竞争激烈的市场中形成差异化优势。产品的核心竞争力，不再仅仅是 0-60 英里的加速时间。如今，纯电动和插电混动车型的单次充电续航、整车厂最新的高级驾驶辅助系统（ADAS）功能或自动驾驶前置技术，以及层出不穷的智能座舱电子配置，愈发成为关键的差异化指标。
当下行业面临的挑战是，确保所有系统无论是独立运行，还是协同工作，亦或是在极端条件下长期运作，都能达到预期效果。这需要更高层级的抽象化技术支撑，且实现成本需控制在合理范围。这也成为行业新的分水岭：车辆的实时、专属决策在车端完成，而多车交互、系统集成及新软件的部署，则由数据中心负责处理，且人工智能技术的应用占比正持续提升。
西门子 EDA 混合物理与虚拟系统副总裁戴维・弗里茨表示：“目前一辆汽车搭载的电子控制单元数量在 60 到 120 个之间，这些单元来自不同厂商，运行着不同的软件，却被要求首次集成就能正常协同工作。我们打造了一套抽象化的参考设计，用户可对其拆解、研究，并组建团队进行二次开发，也能根据自身需求调整定制，替换自有技术栈，实现各类个性化开发。这并非全新理念，只是首次在汽车行业落地应用。”
所有头部 EDA 厂商及其核心客户，都朝着同一方向发力：梳理硬件与软件的所有潜在连接，打造具备足够灵活性的系统，以支持新功能和新工具的集成；同时提升系统的开放性，使其能被不同厂商使用，兼容各类零部件组合。
“没有任何两辆汽车是完全相同的。” 弗里茨补充道，“部分车型可能采用替代供应商的零部件，这些零部件或许存在细微差异；即便是两位消费者购买了同款车型，其中一辆的某一设备在使用两年后出现故障并更换，新设备的运行表现也会与未更换设备的车辆存在差异。这种差异可能简单到刹车片厚度不同，也可能复杂到印刷电路板的配置差异，而任何一种差异都可能影响车辆性能。借助数字孪生技术，我们可以模拟道路上所有车辆的各类零部件组合情况，所有数据都会直接接入数字孪生系统，从而实现对市场上所有车辆组合的自动化测试。我们能提前精准预判各类问题，而非寄希望于‘通过空中升级解决问题，一切听天由命’。”
这是 EDA 厂商十多年来技术研发的自然延伸：随着数据收集量和处理需求的持续增长，EDA 技术在各行业的应用深度不断提升。同时，该技术具备足够的灵活性，可融入未来新功能，例如在智能基础设施落地后，实现随时随地的连接。要让这一模式落地，芯片需要具备更快的速度、更高的能效，更多流程需要实现自动化以缩短产品上市时间。而最重要的是，所有环节需整合为一个虚拟系统，这也是整个芯片行业向数字孪生和虚拟孪生技术转型的核心原因。
行业的核心目标，是将这类抽象化技术拓展至实时应用场景。新思科技产品管理高级副总裁汤姆・德舒特表示：“数字孪生技术让行业拥有了无限的创新想象空间。仿真与数字孪生的核心区别在于，仿真仅在实体设备落地前使用，而数字孪生的应用则超越了现有实体设备或系统的边界，能在设备运行过程中持续进行仿真或模拟。空中软件升级就是典型应用，但数字孪生的价值远不止于此。例如，它能持续监测并优化汽车与基础设施、各类内容的交互过程。在汽车行业，目前已形成电子数字孪生、多物理场数字孪生和环境数字孪生三大体系，三者间的交互协同成为技术核心，因为行业需要实现系统的持续更新。”
这一技术的应用并非局限于汽车行业。数据的数字化，以及几乎所有电子设备的互联互通，可能催生近乎无限的潜在交互场景，这些场景会对设备的性能、功耗、信号完整性等各方面产生影响。
楷登电子首席执行官阿尼鲁德・德夫甘在近期的演讲中表示：“飞机在起飞和降落阶段会遭遇强烈的湍流，传统系统仅能模拟 20% 的飞行包线，这也是行业不得不依赖造价高昂的风洞试验的原因。而在生物领域，新药研发的成功率仅有百分之几。因此，市场对高精度数字孪生技术的需求极为迫切，尤其是物理人工智能领域，以及支撑其运行的相应芯片。我们推出的数据中心数字孪生系统，可对整个数据中心进行仿真模拟，这虽是一款非传统产品，却已成为当下的核心刚需。该系统将计算流体动力学、仿真技术与人工智能融合应用于数据中心领域。需要注意的是，并非只有大型云厂商拥有超大规模数据中心，企业级数据中心的数量同样庞大。我们将该技术应用于自有数据中心后，功耗降低了 10%。”
数字孪生与虚拟孪生：概念之别
随着海量实时组合分析市场的逐步成型，相关技术的命名规范开始出现差异。例如，泛林集团对二者作出明确区分：数字孪生依托数据模型进行预测，而虚拟孪生则在物理约束之上设置管控功能，或具备经数据验证 / 校准的功能模块。
泛林集团企业副总裁戴维・弗里德在近期的视频中表示：“一个真正的虚拟孪生往往具备多层架构，无法用单一模型覆盖整体。若要为一座城市打造虚拟孪生，首先要明确应用场景和待解决的问题。如果是为了实现无人机在城市中的飞行，就需要精准掌握建筑的地形地貌，因此城市虚拟孪生需整合建筑地形数据；但如果是为了实现城市内的车辆行驶，这些地形数据则无关紧要，核心是掌握城市的道路及路网分布，这需要一套完全不同的数据和数据结构来解决不同问题；而如果是为了优化城市公共交通（如地铁），则需要另一套全新的数据。”
其中的关键，是明确不同场景下的数据需求。“这些不同的数据集，都可以成为同一座城市、同一个虚拟孪生的不同图层，我们需要将这些不同图层、差异显著的数据结构，与真实的物理世界建立关联。” 弗里德说，“现实中的城市是一个整体，道路、建筑、地铁都必须与现实世界相契合。街道地图上的道路，不能穿越地形地图中的建筑，这些图层之间必须建立关联，且关联方式需根据具体应用场景定制。”
为何技术落地恰逢其时？
至少十二年来，EDA 厂商一直致力于借助领域专用化和异构设计的发展趋势，在相邻市场发挥更大作用。企业纷纷在数据分析、人工智能、可扩展多物理场仿真领域投入巨资，而数字孪生和虚拟孪生技术，正是这些技术积累的集大成者 —— 整合所有技术能力，对多源收集的数据分析交互关系，并根据需求实现实时或近实时的动态调整。
奎德瑞克公司首席技术官奈杰尔・德雷戈表示：“当我们拥有大语言模型这类高度数据驱动的工具时，所有设想都具备了实现的可能，这类工具能帮助我们从海量数据中精准找到关键信息。面对海量数据，我们迫切需要这种精准筛选的能力。大数据集的训练能让我们更快地发现极端边缘场景，因为我们能更全面地了解可能存在的边缘场景类型，以及其呈现形式。”
借助大语言模型融合多源数据的能力，有望成为行业游戏规则的改变者。大语言模型可充当中间件，实现不同类型数据的共享。例如，车企可通过该技术，对不同厂商的应用进行沙盒测试，观察其交互效果，尤其是在系统老化或安装新更新后的表现；从更宏观的视角来看，城市管理者可通过该技术监测各类车辆的行驶状态，实现车辆的自动最优路径规划，甚至能构建可持续的商业模型 —— 驾驶员可支付更高费用，实现更快抵达目的地。
“当下真正的挑战在于，复杂系统会催生新的复杂性问题。” 德雷戈说，“诚然，这些复杂系统或许能解决部分边缘场景问题，实现问题的识别与解决方案的制定，但同时，这些系统自身又会产生哪些新问题？这将是一个持续博弈的过程，核心问题在于，我们能否缩小模型的运行范围，将其复杂性掌控在可理解、必要时可调控的范围内。这正是行业面临的挑战：我们能否掌控一个本身具备复杂系统调控能力的复杂系统？”
人工智能智能体的全新角色
这一切在很大程度上依赖于人工智能智能体的技术演进，其在数字孪生中的应用占比将持续提升，因为它能持续在海量数据中搜索异常信息。这一点在制造业中尤为重要，因为制程偏差会影响产品的长期可靠性。
ChipAgents 公司首席执行官威廉・王表示：“人工智能智能体是落地数字孪生技术的最佳方式。数字孪生的概念高度抽象，而人工智能智能体则具备极强的实用性，我们可通过它运行各类工具，沿用现有方法论。这一趋势已在行业中显现：一年前，许多企业还试图在各类工具中打造 copilots（辅助工具），但随后发现其实际价值有限。而人工智能智能体可完成更复杂的任务，例如进行回归分析、根因分析，以及长时间的调试工作。未来，人工智能智能体将在后台持续运行。”
目前，该技术已开始在芯片制造领域落地，用于提升产品良率，确保芯片参数达标，且在实际应用中具备更高的可靠性。数字孪生技术的价值，则体现在对芯片制造前道和后道工艺的虚拟化模拟，从而更全面地掌握制程状况，精准定位偏差的产生源头。
威廉・王说：“芯片的 GDSII 版图设计完成后，晶圆厂的制造流程还有约 20 道工序。晶圆厂通常会从各头部设备商采购设备，积累了海量数据，但这些数据处于孤立状态 —— 因为工厂的技术人员以化学工程师和物理学家为主，缺乏计算机科学专业人才。因此，如何挖掘这些数据的价值，实现与设计端的数据打通，成为行业关键。同时，这一切还需与芯片测试、流片后测试实现数据联动。这一变革将从根本上改变行业格局：我们可通过人工智能智能体分析工厂的默认工艺参数，并进行优化，为所有制造流程制定更优的默认参数。”
同样，在汽车行业，所有环节都需要实现数据打通，而人工智能技术能帮助解析这些超大规模抽象化系统的海量数据。西门子的弗里茨表示：“目前仍有许多人对软件定义汽车的概念感到困惑，而实际上，未来的汽车应是人工智能定义的汽车。真正值得关注的是，人工智能智能体技术，是在面向服务的架构之上，实现的又一层抽象化升级。”
结语
该技术的未来发展仍有待观察，尤其是边缘人工智能技术落地后，其发展态势将更为明朗。边缘 AI 将界定本地（边缘设备端或近端）的处理范围，也将决定数字孪生 / 虚拟孪生最终的应用形态和价值。
新思科技的德舒特表示：“这一技术最终可能演变为一种软件抽象层，为特定任务的定制化实现提供支撑。我们需要搭建这样的软件抽象层，确保无论在其上运行何种程序，都能基于底层的计算资源实现优化。”
这需要海量的计算能力作为支撑，同时行业需对该技术建立足够的信任。“在某种程度上，这取决于我们愿意将多少控制权让渡给更高层级的协同系统，以实现整体优化。” 德舒特补充道，“城市级的抽象化应用已逐步落地。30 年前，若有人问是否愿意将所有信息共享至公共数据库，所有人都会表示拒绝，但如今的社交媒体正是如此 —— 我们将个人信息以公共方式共享至可被所有人访问的数据库。抽象化技术的发展，取决于我们对信息共享的接受程度，以及从中获得的价值。只要该技术能为我们带来更安全的城市、更高效的通勤，或是实现自动驾驶时的安心休憩，那么这种抽象化技术，以及我们对过往某些原则的妥协意愿，都将持续发展演进。”
评论